1.Introduction
2.Dataset description and preliminary analysis
3.STCNet
A.预测模型
一共有三种输入,时空信息、元数据信息和跨域信息。时空相关性主要通过ConvLSTM提取,元数据和跨域数据信息用来辅助,对二者的处理较简单,元数据通过两层全连接层,跨域数据concat后经过conv-BN+ReLU+conv。三种输入经过不同处理后concat然后送入DenseNet。
1)时空信息经过两层ConvLSTM网络。
2)meta-data embedding
包含的信息:周几、一天中的几时、是否为周末。通过两层全连接层。
3)跨域数据
4)DenseNet
三种输出concat。在此过程中不建议使用加法运算,因为它将不同类型的信息混合在一起,不利于有效的特征学习。共l层,每一层的结构与跨域数据中相同,为BN+ReLU+conv。
为了充分捕捉影响蜂窝通信量的时空依赖性和许多其他外部影响因素,采用DenseNet。每一层都与后续的所有层存在连接。
预测结果:
目标函数:
B.连续簇间迁移学习Successive Inter-Cluster Transfer Learning
构图,选取权重最大的K个特征向量,然后K-Means聚类。
C.不同种类流量间迁移学习Transfer Learning Among Different Kinds of Cellular Traffic