[发明专利]一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法

权利要求书

1.一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，包括以下步骤：

S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；

S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imf_n；

S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imf_n进行TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果y_p，包括：

S31、对蜂窝基站流量分量信号imf_n分别进行归一化处理并分组；

S32、根据蜂窝基站流量分量信号imf_n的特性，网络的结构依次包括输入层、lstm层、全连接层和回归层；

S33、在所述网络构架的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imf_n序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yf_n；

S34、对输出序列预测序列yf_n进行反归一化处理，结果记为y_n，将各个y_n叠加形成最终的基站流量预测结果y_p。

2.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S1的具体过程如下：

S11、数据采集：采集蜂窝基站的网络流量数据，以固定时间间隔采集；

S12、预处理：对蜂窝基站网络流量数据进行数据清洗处理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x。

3.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S2的具体过程如下：

S21、希尔伯特变换：对蜂窝基站网络流量时序序列x(t)进行希尔伯特变换，变换结果记为v(t)，则得到的解析信号Y(t)表示为两个信号分量相加，即：

式中，A(t)表示瞬时幅度，表示瞬时频率；

S22、根据解析信号中瞬时幅度A(t)的极大值点和极小值点，计算获得B样条曲线函数：确定瞬时幅度A(t)的局部极小值点和极大值点，分别表示为{t_min}和{t_max}，并分别计算其B样条曲线函数b₁(t)和b₂(t)，即：

b₁(t)＝|a₁(t)-a₂(t)|；b₂(t)＝a₁(t)+a₂(t)；

则a₁(t)＝(b₁(t)+b₂(t))/2；a₂(t)＝(b₂(t)-b₁(t))/2；

S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函数w(t)；

S24、对余弦函数w(t)应用B样条逼近滤波，即将余弦函数w(t)的局部极值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用B样条近似滤波器对蜂窝基站网络流量时序序列x(t)进行滤波，得到滤波结果bw(t)；

S25、计算截止频率θ(t)：

式中BL(t)表示Loughlin瞬时带宽，表示加权平均瞬时频率；

S26、判断：如果θ(t)≤a，ɑ设定为0.1，则x(t)作为一个IMF分量，否则令x(t)＝x(t)-bw(t),并重复S21-S26的步骤。

4.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络构架中输入层节点数为1，LSTM层节点数为30，全连接层大小为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态。

5.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络构架学习算法采用adma算法，并利用平均绝对误差法进行学习效果评估。