[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

说明书

本发明公开了一种基于TVF‑EMD‑LSTM模型的蜂窝基站网络流量预测方法，所述制备方法包括以下步骤：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；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imfsubgt;n/subgt;；利用MATLAB对蜂窝基站流量分量信号imfsubgt;n/subgt;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ysubgt;p/subgt;。本发明将TVF‑EMD算法与LSTM深度学习网络结合，能够预测蜂窝网络流量的时空分布信息，有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。

技术领域

本发明涉及蜂窝网络流量预测方法技术领域，更具体的说是涉及一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。

背景技术

目前，当今的无线通信网络设备是按照随时都能够满足最大流量负载或最差通信环境的原则而设计的，在普通情况下通信网络的能量利用率较低，造成了大量的能源浪费，如何有效地利用能量资源成为节能技术研究的重点和难点。针对蜂窝基站流量进行高效准确的预测，从而进行功率控制，基站休眠等一系列基站节能技术成为解决这一问题的重要方向。其中如何对蜂窝基站流量进行高效准确的预测是关键。

最早的基站网络流量过程相对简单，基站网络流量预测模型多采用线性预测模型，如自回归模型、马尔科夫调制和复合的泊松过程；随着网络的日益复杂化，由于传统的线性网络流量预测模型都是基于短相关原理的，无法对长相关特性进行描述，因此传统的线性流量预测模型已经不适合模拟现在的自相似网络流量序列了。如今非线性智能预测算法开始被广泛应用于建模和预测领域。包括：神经网络理论、支持向量回归机方法、小波分析法、混沌理论、模糊方法等，且已经在交通、能源、气象等预测领域被实际应用。

基站网络流量的时空分布特性表现为波动强烈的非线性时间序列,目前,神经网络和其他机器学习算法,能通过基站网络流量的历史时间序列进行分析预测，并得到了广泛的应用。然而,这些采用智能化算法直接建模的单一预测方法由于缺乏对基站网络流量本质变化规律的把握,很难从根本上取得较高的预测精度,往往会在基站网络流量变化剧烈的预测点产生较大的误差。

近年来经验模态分解(Empirical Mode Decomposition,EMD)和神经网络结合的各种组合预测方法在时序序列预测方面取得了成功的应用,实验结果证明与单一预测方法相比,组合预测方法可以有效的提高预测精度。然而,EMD缺乏严格的理论支撑,且其过包络和欠包络等问题易导致模态混叠现象,导致分解结果的有效性不能保证,也增加了组合预测的计算规模。针对EMD所存在的问题，提出了基于自适应时变滤波的经验模态分解方法(TVF-EMD)，来解决模态混叠问题。长短期记忆深度学习网络LSTM(Long Short-TermMemory)，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。

因此，如何提供一种基于TVF-EMD-LSTM模型的精度较高的蜂窝基站网络流量预测方法是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。

为了实现上述目的，本发明采用如下技术方案：

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，所述制备方法包括以下步骤：

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；