蔡嘉敏,高楷蒙,鄭 云,徐哲鑫

(福建師范大學(xué) 光電與信息工程學(xué)院,福州 350007)

將C-V2X 業(yè)務(wù)部署在MEC 平臺(tái)上,可以更好地降低數(shù)據(jù)傳輸時(shí)延,緩解基礎(chǔ)設(shè)施的計(jì)算與儲(chǔ)存壓力,降低大量數(shù)據(jù)回傳所造成的網(wǎng)絡(luò)負(fù)擔(dān),提供高質(zhì)量服務(wù).然而,面對(duì)海量的數(shù)據(jù)和設(shè)備成本的考量,MEC 邊緣緩存節(jié)點(diǎn)的緩存容量有限,使得合理部署緩存內(nèi)容成為亟需解決的問題.因此,準(zhǔn)確預(yù)測(cè)用戶的內(nèi)容需求將起重要作用.

據(jù)研究發(fā)現(xiàn)大部分用戶請(qǐng)求的都是流行的文件[1,2],少部分請(qǐng)求不流行的文件.這一文件請(qǐng)求分布與Breslau等觀察到的請(qǐng)求網(wǎng)頁(yè)相對(duì)頻率遵循Zipf 定律[3]極為相似.然而,這一請(qǐng)求分布描述的僅僅為某一時(shí)刻的靜態(tài)請(qǐng)求.事實(shí)上,大部分文件的熱度會(huì)隨著時(shí)間的推移逐漸減弱,新內(nèi)容的出現(xiàn)也會(huì)影響分布規(guī)律.除此之外,用戶往往更加青睞于點(diǎn)擊請(qǐng)求自己感興趣的文件[4],所以流行度分布的影響面極廣,具有動(dòng)態(tài)性[5,6].進(jìn)一步的研究表明,網(wǎng)絡(luò)中用戶的前后訪問行為有一定的時(shí)間間隔[7],針對(duì)這一特點(diǎn),科研人員在研究用戶請(qǐng)求部分中加入了請(qǐng)求生成時(shí)間間隔服從泊松分布或固定值.不可否認(rèn)的是,這一改變?cè)鰪?qiáng)了研究的可靠性,但在請(qǐng)求前后時(shí)間間隔方面,泊松分布的適用性還有待研究.

在預(yù)測(cè)用戶請(qǐng)求方面,線性回歸進(jìn)行預(yù)測(cè)[8,9]的研究占據(jù)相當(dāng)大的比例,但由于在預(yù)測(cè)過程中存在不可測(cè)因子的影響,使其實(shí)用性受到一定限制.考慮到偶然因素造成的影響,常運(yùn)用短中長(zhǎng)期預(yù)測(cè)的時(shí)間序列預(yù)測(cè)法.長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)(LSTM)是當(dāng)前比較流行的深度學(xué)習(xí)模型之一,它類似于一個(gè)記憶器,模擬了人類的認(rèn)知過程,能較好地運(yùn)用于文件請(qǐng)求流行度的預(yù)測(cè)[10].

綜上,本文將針對(duì)C-V2X 的城市場(chǎng)景,以基站作為MEC 邊緣緩存節(jié)點(diǎn),根據(jù)大量用戶請(qǐng)求,探索出基站處文件流行請(qǐng)求規(guī)律,實(shí)現(xiàn)流行文件在基站處的預(yù)測(cè)和緩存有效減少數(shù)據(jù)傳輸時(shí)延等阻塞問題.

1 基于SUMO 的城市場(chǎng)景交通流模型

以福州地圖為例,設(shè)定了四縱四橫的車聯(lián)網(wǎng).為了更貼近實(shí)際交通情況,記錄了福州早晚高峰路口處紅綠燈時(shí)長(zhǎng)、車流量和地面可行駛方向等相關(guān)數(shù)據(jù),同時(shí)在福州交警軟件上進(jìn)行實(shí)時(shí)觀測(cè).最后,介紹輸出數(shù)據(jù)文件,并進(jìn)行簡(jiǎn)化處理.需要說明的是,預(yù)測(cè)模型是數(shù)據(jù)驅(qū)動(dòng),在不同的城市場(chǎng)景下,可通過重新構(gòu)建請(qǐng)求的訓(xùn)練數(shù)據(jù)提升預(yù)測(cè)模型的適應(yīng)性,但并不影響本文所提出研究方法的通用性.另外,預(yù)測(cè)模型可部署為在線學(xué)習(xí)模式,在深夜等車流量很少的時(shí)段通過數(shù)據(jù)統(tǒng)計(jì)算法重構(gòu)數(shù)據(jù)集并完成模型訓(xùn)練.

1.1 網(wǎng)絡(luò)構(gòu)建

為模擬早晚高峰時(shí)間段的交通流情況,設(shè)置兩個(gè)早高峰駛出口,兩個(gè)晚高峰駛出口.基站則布置在縱橫四條路段的中間位置,在基站數(shù)量最少的情況下覆蓋整個(gè)交通網(wǎng)絡(luò).交通地圖如圖1所示,其中,L/R-2-*及U/D-*-2 為交通網(wǎng)的主干道,其余為輔道,各路段名稱、行駛方向、基站及基站覆蓋范圍均已標(biāo)出.

圖1 交通流網(wǎng)絡(luò)

1.2 車流軌跡建模

通過實(shí)地考察,對(duì)福州的上浦路口、浦上大道、南門兜附近路口和寶龍廣場(chǎng)附近路口等位置的早晚高峰紅綠燈時(shí)長(zhǎng)、車道地標(biāo)轉(zhuǎn)向和車流量進(jìn)行了實(shí)時(shí)記錄.并且在周一至周五早晚高峰期間,參考福州交警軟件,觀察各路段的交通堵塞狀況和路口車流量狀況.在紅綠燈時(shí)長(zhǎng)方面,對(duì)于車流量多的方向,信號(hào)燈通常設(shè)為80 s 到95 s；對(duì)于車流量較少的方向,信號(hào)燈通常設(shè)為30 s 到45 s；警示信號(hào)黃燈為3 s 到5 s.車流量部分記錄結(jié)果如表1所示.綜合以上考察,共同設(shè)定SUMO軟件[11]的仿真參數(shù).

1.3 數(shù)據(jù)輸出及預(yù)處理

在SUMO 的輸出文件中,fcd.xml 文件包含時(shí)間、車輛名稱、車輛位置、車輛速度和車輛所在道路等重要數(shù)據(jù),故最終選擇fcd.xml 文件作為輸出使用,并進(jìn)行了數(shù)據(jù)預(yù)處理,如程序結(jié)構(gòu)1 所示.由于fcd.xml 文件過大不能一次性讀入,則將fcd.xml 文件切分成32個(gè)62 MB 左右且與原文件結(jié)構(gòu)一致的小文件,依次經(jīng)過Matlab 處理,形成一個(gè)包含車輛名稱、坐標(biāo)、速率及道路信息的TXT 文件.

表1 福州路口車流量記錄

2 文件請(qǐng)求模型及預(yù)測(cè)

文件流行度變化具有時(shí)變性,請(qǐng)求間隔也存在一定規(guī)律.為了改善分布模型中缺乏文件流行度實(shí)時(shí)性的弊端,對(duì)網(wǎng)易新聞進(jìn)行實(shí)時(shí)數(shù)據(jù)采集.根據(jù)車流量趨勢(shì)來合理分配流行度分布,利用LSTM 模型能利用歷史信息較好預(yù)測(cè)的優(yōu)勢(shì),將其作為深度學(xué)習(xí)預(yù)測(cè)模型.

2.1 數(shù)據(jù)采集

考慮到文件流行度具有時(shí)變性和請(qǐng)求之間存在間斷性的特點(diǎn),在請(qǐng)求間隔方面,本文通過統(tǒng)計(jì)用戶瀏覽文件的逗留時(shí)間,利用Matlab 擬合出請(qǐng)求間隔分布.在文件流行度方面,參考國(guó)內(nèi)各大音樂、新聞、社交等網(wǎng)站,發(fā)現(xiàn)大部分網(wǎng)站存在一定的不適用性.例如,信息更新狀態(tài)時(shí)間跨度太長(zhǎng),信息數(shù)量較少、種類單一,大部分信息無法長(zhǎng)期跟蹤統(tǒng)計(jì),在統(tǒng)計(jì)播放量、閱讀量等可利用值時(shí),無法精確到個(gè)位數(shù)乃至千位數(shù),導(dǎo)致結(jié)果不準(zhǔn)確,頁(yè)面復(fù)雜程度較高,數(shù)據(jù)在短時(shí)間內(nèi)無法爬取完成,導(dǎo)致數(shù)據(jù)之間存在時(shí)間差,真實(shí)性下降.綜合評(píng)估后,本文采用八爪魚采集器收集網(wǎng)易新聞的數(shù)據(jù)集.網(wǎng)易新聞是國(guó)內(nèi)第一新聞客戶端,具有實(shí)時(shí)性、分類合理性、數(shù)據(jù)量多和易采集的特性.數(shù)據(jù)采集過程中,自定義模板流程如圖2所示,詳細(xì)配置后,每個(gè)小時(shí)執(zhí)行一次.

圖2 采集模板

在采集到的數(shù)據(jù)集中,有11 種類型,共2116 條內(nèi)容.對(duì)于具體類型和內(nèi)容,先篩選所有在24 小時(shí)內(nèi)出現(xiàn)過的內(nèi)容進(jìn)行合并內(nèi)容處理,其中某些時(shí)段因?yàn)g覽量較少而無法進(jìn)入排行榜的內(nèi)容,對(duì)應(yīng)時(shí)段的點(diǎn)擊量記為零.因日常生活車輛用戶請(qǐng)求與車流量變化密切相關(guān),本文對(duì)兩者分別進(jìn)行仿真統(tǒng)計(jì),并對(duì)比趨勢(shì)進(jìn)行相應(yīng)數(shù)據(jù)集篩選匹配.仿真車流量如圖3所示,點(diǎn)擊量的統(tǒng)計(jì)結(jié)果如圖4所示.

圖3 車流量

圖4 各時(shí)間段總點(diǎn)擊量

2.2 文件請(qǐng)求生成

車輛在運(yùn)動(dòng)過程中服從相應(yīng)時(shí)段的請(qǐng)求分布,實(shí)現(xiàn)如算法2.在傳輸過程中,文件被切割為若干塊,塊之間傳輸需要一定的時(shí)間間隔,因此設(shè)定在請(qǐng)求間隔內(nèi),用戶對(duì)某個(gè)文件的請(qǐng)求是唯一不變的.具體請(qǐng)求生成方式如下,根據(jù)收集到的數(shù)據(jù)集,將流行度分為15 個(gè)時(shí)間段,而每一時(shí)間段的請(qǐng)求分為11 種不同的類型,每個(gè)類型包含若干文件.車輛生成請(qǐng)求時(shí),根據(jù)其所在的時(shí)段對(duì)應(yīng)的流行度分布,利用請(qǐng)求類別概率得到請(qǐng)求所屬類別,再根據(jù)該類別中各文件在該時(shí)刻的歷史平均請(qǐng)求概率生成最終請(qǐng)求.因此,將類別和文件的相關(guān)性以概率的方式呈現(xiàn).為減少偶然性,采用每輛車請(qǐng)求20 次的平均值.

算法2.車輛文件請(qǐng)求及接收輸入：TXT 文件、文件流行度、請(qǐng)求間隔分布輸出：各基站各個(gè)時(shí)間點(diǎn)接收各文件的頻數(shù)1.BaseStationaddress←定義基站位置2.vehiclename←所有出現(xiàn)過的車輛名稱3.requestcount←車輛請(qǐng)求間隔計(jì)數(shù)器4.p←導(dǎo)入請(qǐng)求間隔分布

5.sort_p←導(dǎo)入類型文件流行度分布6.probability_n←導(dǎo)入流行度分布 (n 為類型編號(hào))7.while T whil XT 文件讀取結(jié)束do 8.e 當(dāng)前時(shí)刻結(jié)束 do 9.xArray(m)、yArray(m)、nameArray(m)←車輛位置及名字(m 為車輛數(shù)目)10.end while 11.popular_interval←當(dāng)前時(shí)間對(duì)應(yīng)的流行度分布12.request.count=request.count-1→計(jì)數(shù)器減一13.for m do (m 為車輛數(shù)目)14.tablepos←鎖定車輛在計(jì)數(shù)器中的位置15.if 車輛計(jì)數(shù)器等于0 或出現(xiàn)的新車輛 then 16.request(tablepos,2).count←按請(qǐng)求間隔分布生成請(qǐng)求間隔17.sortrequest,beforerequestsort←按類型流行度分布生成請(qǐng)求并記錄18.filerequest,beforerequestfile←按內(nèi)容流行度分布生成請(qǐng)求并記錄19.BaseStationnum←車輛在幾號(hào)基站范圍20.if 在接收范圍 then 21.BaseStation←對(duì)應(yīng)基站數(shù)組記錄22.else 23.contitune；24.end if 25.else 26.BaseStationnum←車輛在幾號(hào)基站范圍27.if 在接收范圍 then 28.BaseStation←對(duì)應(yīng)基站數(shù)組記錄29.else 30.continue；31.end if 32.end if 33.end for 34.end while

2.3 基于LSTM 的文件請(qǐng)求預(yù)測(cè)

LSTM 是為了解決RNN 訓(xùn)練過程中梯度消失問題而提出的,其中vanilla LSTM 是當(dāng)前應(yīng)用最為廣泛的一種LSTM 模型[12].在文中則直接利用基本的vanilla LSTM 來構(gòu)建預(yù)測(cè)模型,算法3 實(shí)現(xiàn).

算法3.VanillaLSTM 預(yù)測(cè)輸入：基站接收的需求序列輸出：預(yù)測(cè)序列1.import 程序中用到的包2.forward,look_back,epoches←定義預(yù)測(cè)步長(zhǎng)、回溯時(shí)間和訓(xùn)練次數(shù)3.for 類型數(shù)量 do 4.dataset←讀入基站接收需求序列5.def creat_dataset←定義分割數(shù)據(jù)的函數(shù)6.for 序列長(zhǎng)度減5 do 7.dataX.append,dataX.append←分別追加相應(yīng)的元素8.return 返回分割好的數(shù)組數(shù)據(jù)9.end def

10.numpy.random.seed(7)(生成隨機(jī)種子)11.scaler.fit_transform←將數(shù)據(jù)縮小到0-1 之間12.train_size←定義訓(xùn)練集大小13.train,test←將數(shù)據(jù)集切分為訓(xùn)練集和測(cè)試集14.look_back←定義前瞻步長(zhǎng)15.creat_dataset←分割訓(xùn)練集和測(cè)試集16.trainX←重新設(shè)置數(shù)據(jù)格式17.model←構(gòu)建LSTM 網(wǎng)絡(luò)18.model.fit←帶入訓(xùn)練集進(jìn)行訓(xùn)練學(xué)習(xí)19.forward←定義預(yù)測(cè)步長(zhǎng)20.for 預(yù)測(cè)步長(zhǎng) do 21.predict←預(yù)測(cè)一步22.result←累加記錄預(yù)測(cè)一步的結(jié)果23.train_pred←前一位剔除,補(bǔ)新預(yù)測(cè)結(jié)果24.end for 25.scaler.inverse_transform←將預(yù)測(cè)結(jié)果正則化26.rmse←計(jì)算真實(shí)值與預(yù)測(cè)值的誤差27.plot←預(yù)測(cè)效果可視化?

3 文件請(qǐng)求預(yù)測(cè)的仿真及分析

在前述車流信息基礎(chǔ)上,對(duì)實(shí)時(shí)采樣的交通網(wǎng)絡(luò)文件進(jìn)行詳細(xì)的參數(shù)設(shè)置.根據(jù)車流量與用戶請(qǐng)求量的相關(guān)性,對(duì)數(shù)據(jù)集進(jìn)行篩選處理,建立時(shí)變型類型流行度和文件流行度分布,作為用戶請(qǐng)求的依據(jù).在預(yù)測(cè)方面,設(shè)置若干個(gè)回溯時(shí)間長(zhǎng)度,通過均方根誤差的對(duì)比及分析,選擇出預(yù)測(cè)效果較好的參數(shù)值作為最終預(yù)測(cè)模型參數(shù).

3.1 仿真參數(shù)設(shè)置

3.1.1 交通網(wǎng)絡(luò)參數(shù)設(shè)置

本文設(shè)置交通網(wǎng)如圖1所示.除出口路段外,每條道路長(zhǎng)度為1 千米.道路的轉(zhuǎn)彎率規(guī)則則按照出口方向進(jìn)行調(diào)整,再結(jié)合早高峰特點(diǎn),則車輛向右行駛幾率更大,且在主干道行駛幾率更大.在路口中,綠燈的時(shí)長(zhǎng)往往根據(jù)車流量進(jìn)行設(shè)置,對(duì)于車流量較多的道路,綠燈時(shí)長(zhǎng)更長(zhǎng),黃燈警示時(shí)間也相對(duì)略長(zhǎng).反之亦然,具體參數(shù)如表2所示.

在SUMO 中,根據(jù)表2進(jìn)行參數(shù)設(shè)置,并在SUMOGUI 中運(yùn)行.以節(jié)點(diǎn)11 為例,在仿真時(shí)間為25 分12 秒時(shí)的仿真畫面效果如圖5所示.

3.1.2 數(shù)據(jù)集篩選

由于文件流行度具有時(shí)變性,則按照不同時(shí)段內(nèi)的文件流行度總點(diǎn)擊量與車流量趨勢(shì)進(jìn)行對(duì)比排列.實(shí)際采樣中,以小時(shí)為單位進(jìn)行流行度采樣,采樣時(shí)間為24 小時(shí).

由于流行度變化和車流量趨勢(shì)的契合需要,則適當(dāng)縮短文件流行度的持續(xù)時(shí)間,使其范圍為早晚高峰兩小時(shí).最終篩選數(shù)據(jù)集時(shí)間為12月30 號(hào)早10 點(diǎn)到晚12 點(diǎn).在早高峰最大車流量穩(wěn)定階段,選取點(diǎn)擊量最大的數(shù)據(jù)集進(jìn)行匹配,其余數(shù)據(jù)集匹配則盡可能均勻分布.將車流量和總點(diǎn)擊量歸一化處理后,進(jìn)行對(duì)應(yīng)排列的結(jié)果如圖6所示.

表2 SUMO 仿真參數(shù)

圖5 SUMO 仿真場(chǎng)景

為了生成不同時(shí)段的新聞?lì)愋土餍卸确植己臀募餍卸确植?分別求出不同類型不同時(shí)間段下的類型請(qǐng)求概率和文件請(qǐng)求概率,如式(1)所示.

其中,Pt,i是第t個(gè)時(shí)間段,第i種類型的請(qǐng)求概率,pt,i,j是第t個(gè)時(shí)間段,第i種類型中第j條文件的請(qǐng)求概率,Dt是第t個(gè)時(shí)間段的總點(diǎn)擊量,dt,i是第t個(gè)時(shí)間段的第i種類型的點(diǎn)擊量,st,i,j是第t個(gè)時(shí)間段,第i種類型中第j中文件的點(diǎn)擊量.

圖6 場(chǎng)景內(nèi)全部車流量與點(diǎn)擊量的匹配

為了方便統(tǒng)計(jì),將類型和文件分別進(jìn)行編號(hào)處理.由于不同類型的請(qǐng)求概率變化細(xì)微,且在不同時(shí)間段下變化趨勢(shì)一致.選擇3 個(gè)時(shí)間段的請(qǐng)求概率進(jìn)行展示,如圖7所示.其中新聞?lì)愋拖?部分文件在各個(gè)時(shí)間段內(nèi)的請(qǐng)求概率如圖8所示.由圖可得,文件流行度具有時(shí)變性.

圖7 類型請(qǐng)求概率

圖8 新聞?lì)惒糠治募?qǐng)求概率

3.2 仿真結(jié)果分析

3.2.1 SUMO 仿真結(jié)果

設(shè)置參數(shù)是否符合實(shí)際早高峰場(chǎng)景是我們要考量的問題之一,即主干道車流量與普通輔道車流量關(guān)系、出口處車流量與總體車流量、大部分路口峰值是否唯一等設(shè)置.為了可以直觀看出,對(duì)full.xml輸出文件進(jìn)行數(shù)據(jù)處理,如圖3所示為總體車流量趨勢(shì)圖,通過觀察趨勢(shì)可了解到,總體仿真時(shí)間內(nèi)只有一個(gè)峰值,且峰值有一定的持續(xù)時(shí)間,比較符合早高峰的趨勢(shì).

如圖9所示,大部分向出口方向行駛的路段車流量相對(duì)較多,且有一個(gè)峰值.而對(duì)于主干道ER21 和EL21而言,是交通場(chǎng)景中擁堵最嚴(yán)重的地方,車流相對(duì)穩(wěn)定且多,一定程度上模擬了極為擁堵的場(chǎng)景.如圖10所示,因主干道位置偏上,導(dǎo)致部分檢查路口向上車流量明顯多余向下,小部分交叉口反之.同時(shí)可明顯看出,曲線均有不同程度的波動(dòng),這是由路口紅綠燈導(dǎo)致的車流局部堆積與流動(dòng).

3.2.2 VanillaLSTM 模型預(yù)測(cè)及結(jié)果

這一部分中,本文基于vanillaLSTM 模型,采用多步預(yù)測(cè)的方式.在Keras 深度學(xué)習(xí)框架中,通過構(gòu)建Keras Sequential 的順序模型進(jìn)行預(yù)測(cè)分析.模型結(jié)構(gòu)如圖11所示,由LSTM 層和全連接層兩個(gè)模型層堆疊而成.其中,LSTM 層返回維度為4 的向量序列,全連接層返回最后預(yù)測(cè)的單個(gè)結(jié)果.選擇均方誤差RMSE 為損失函數(shù)loss,adam 為優(yōu)化器.在模型訓(xùn)練中,由于數(shù)據(jù)量較少,將所有的樣本做為一個(gè)batch,epoch 設(shè)為30 次進(jìn)行迭代,得到最優(yōu)權(quán)重分布的模型.同時(shí)為了評(píng)估vanillaLSTM 模型的性能,本文選取67% 的訓(xùn)練集供模型訓(xùn)練,通過設(shè)置回溯時(shí)間長(zhǎng)度為5 到150 的范圍,其中前30 的間隔差距為5,后120 的間隔差距為10,來預(yù)測(cè)未來20 秒平均請(qǐng)求次數(shù).

基于以上參數(shù)設(shè)置,本文采用通過計(jì)算比較9 個(gè)基站預(yù)測(cè)均方根誤差的方式,篩選出預(yù)測(cè)效果較好的參數(shù),得到的誤差是在概率意義下均方誤差最小.考慮到請(qǐng)求基數(shù)的大小會(huì)對(duì)均方根誤差的比較產(chǎn)生一定的影響,故本文只選取請(qǐng)求概率在所有類型中居中的娛樂類型計(jì)算所得的均方根誤差來作為比較標(biāo)準(zhǔn),結(jié)果如圖12所示.其中,橫向?yàn)楦鱾€(gè)回溯時(shí)間長(zhǎng)度,縱向?yàn)榫礁`差.

由圖12可以看出,當(dāng)回溯時(shí)間長(zhǎng)度為15 時(shí),各基站間的均方根誤差較小,且整體水平處于較低的位置.且如圖13所示,基站一到基站九的預(yù)測(cè)loss 值收斂較快,故設(shè)置回溯時(shí)間長(zhǎng)度為15,預(yù)測(cè)長(zhǎng)度為20 對(duì)基站類型文件進(jìn)行預(yù)測(cè).對(duì)比下,二號(hào)基站具有位置優(yōu)勢(shì),則二號(hào)基站娛樂類型預(yù)測(cè)結(jié)果如圖14所示.其中,橫向顯示的是預(yù)測(cè)點(diǎn)前后共300 秒的范圍,縱向是類型請(qǐng)求頻數(shù).

其他各基站各類型的預(yù)測(cè)結(jié)果均由計(jì)算統(tǒng)計(jì)均方根誤差的形式呈現(xiàn).如圖15所示.以以基站為基準(zhǔn),統(tǒng)計(jì)類型均方根誤差的基站-類型統(tǒng)計(jì)時(shí),會(huì)因請(qǐng)求基數(shù)大小產(chǎn)生一到兩個(gè)較大誤差值,如新聞和體育這類請(qǐng)求頻率較大的類型.整體誤差分布較為均勻.同理,以類型-基站統(tǒng)計(jì)時(shí),請(qǐng)求基數(shù)會(huì)造成影響,與圖7相比,類型變化趨勢(shì)較為一致.

圖9 R/L 方向車流量

圖10 U/D 方向車流量

圖11 模型結(jié)構(gòu)

圖12 不同look_back 中娛樂類型的RMSE 值

圖13 娛樂類型數(shù)據(jù)集訓(xùn)練loss 曲線

圖14 基站2 中娛樂類型的預(yù)測(cè)結(jié)果

4 總結(jié)

文章從文件請(qǐng)求的時(shí)變性和時(shí)間間斷性兩個(gè)角度出發(fā).首先,通過實(shí)地考察記錄真實(shí)數(shù)據(jù)和參考權(quán)威軟件的探測(cè)值,利用SUMO 仿真平臺(tái)搭建出貼合現(xiàn)實(shí)的交通場(chǎng)景；其次,利用八爪魚采集網(wǎng)易新聞數(shù)據(jù)集,對(duì)數(shù)據(jù)處理后生成文件請(qǐng)求分布；最后,選取預(yù)測(cè)精度高且可以長(zhǎng)期跟蹤內(nèi)容的LSTM 深度學(xué)習(xí)模型進(jìn)行預(yù)測(cè).后續(xù)研究將進(jìn)一步細(xì)化文件相關(guān)性的影響,并區(qū)分行人和車輛等不同用戶類型.

圖15 各基站中對(duì)所有類型預(yù)測(cè)的RMSE 值