亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        融合深度學(xué)習(xí)與回歸殘差神經(jīng)網(wǎng)絡(luò)的流量預(yù)測方法

        2022-11-10 03:41:16張偉劉甫琴
        廣東通信技術(shù) 2022年10期
        關(guān)鍵詞:網(wǎng)絡(luò)流量殘差時空

        [張偉 劉甫琴]

        1 引言

        隨著5G行業(yè)的蓬勃發(fā)展,5G商用逐漸落地,各種網(wǎng)絡(luò)應(yīng)用的數(shù)量呈指數(shù)級的增長。日益增長的流量對5G網(wǎng)絡(luò)切片提出了更高的要求。由于流量分布在區(qū)域上呈現(xiàn)不均衡的狀態(tài),為了實現(xiàn)數(shù)據(jù)高效傳輸,就必須優(yōu)化網(wǎng)絡(luò)流量管理,而網(wǎng)絡(luò)流量管理的前提是對網(wǎng)絡(luò)流量進行提前預(yù)測?;诹髁款A(yù)測的基礎(chǔ),針對網(wǎng)絡(luò)流量的變化實現(xiàn)網(wǎng)絡(luò)切片的動態(tài)調(diào)整成為了當前5G切片管理的重要課題。目前基于深度學(xué)習(xí)的移動網(wǎng)絡(luò)流量預(yù)測成為移動網(wǎng)絡(luò)流量預(yù)測領(lǐng)域的研究重點,當前大多數(shù)研究僅僅局限于研究網(wǎng)絡(luò)流量的時間相關(guān)性[1~5],并沒有深度研究移動網(wǎng)絡(luò)的空間相關(guān)性。除了采用深度學(xué)習(xí)對流量進行時空分析外,為了保證流量預(yù)測的準確性,本文在對流量進行時空特征分析的基礎(chǔ)上,融合回歸殘差網(wǎng)絡(luò)對流量進行回歸預(yù)測和殘差預(yù)測,通過對殘差的推理,實現(xiàn)其他深度學(xué)習(xí)網(wǎng)絡(luò)不具備的全局最優(yōu)性和最佳逼近性能,從而保證網(wǎng)絡(luò)流量信息全局信息的延續(xù)性。

        2 融合深度學(xué)習(xí)與回歸殘差神經(jīng)網(wǎng)絡(luò)的流量預(yù)測思路

        針對網(wǎng)絡(luò)流量受到噪音擾動以及深度學(xué)習(xí)模型自身的不足,本文將深度學(xué)習(xí)、回歸分析以及RBF進行融合,對模型做了以下三方面的改進:首先,基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)和長短期記憶網(wǎng)絡(luò)(Long Short-Term Memory,LSTM)對網(wǎng)絡(luò)流量進行時空特征提取[6],作為后續(xù)對流量預(yù)測模型改進的基礎(chǔ);其次,考慮到不同卻與的流量數(shù)據(jù)往往會收到非高斯噪音的影響,本文將回歸分析方法應(yīng)用到網(wǎng)絡(luò)流量預(yù)測模型的改進中,提出了基于回歸殘差神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)誤差預(yù)測模型;最后,針對傳統(tǒng)的回歸分析預(yù)測不穩(wěn)定的問題,將回歸分析的預(yù)測值與殘差預(yù)測值進行結(jié)合,實現(xiàn)網(wǎng)絡(luò)流量的預(yù)測。融合深度學(xué)習(xí)與回歸殘差神經(jīng)網(wǎng)絡(luò)的流量預(yù)測思路如圖1所示。

        2.1 基于注意力機制的CNN-LSTM網(wǎng)絡(luò)流量時空特征提取

        基于注意力機制的CNN-LSTM模型是一個融合CNN與LSTM雙通道的模型,兩種模型以注意力機制相融合,使得模型具有時間和空間的表達能力。該模型的步驟分為四步:(1)基于CNN提取流量的時間特征表達;(2)基于LSTM提取流量的空間特征表達;(3)采用softmax對CNN和LSTM的特征表達進行融合;(4)采用注意力機制對時空特征各維度權(quán)重進行計算。具體方法是:將CNN的特征向量與LSTM的特征向量融合成一組權(quán)重,并采用softmax激活函數(shù)將權(quán)重歸一化到0-1,形成不同特征維度的權(quán)重表達;(5)將注意力機制輸出的各維度權(quán)重與LSTM的隱含層特征元素進行相乘,形成融合注意力機制的特征表達。由此看來,不僅能夠?qū)W習(xí)到局部特征的重要性程度,還能全面反映流量的上下文信息,避免出現(xiàn)由于流量數(shù)據(jù)步長過長導(dǎo)致記憶丟失和梯度彌散的問題。

        考慮現(xiàn)有網(wǎng)絡(luò)流量的特征,基于注意力機制的CNNLSTM的網(wǎng)絡(luò)流量特征提取的具體過程如圖2所示。

        圖2 基于注意力機制的CNN-LSTM的網(wǎng)絡(luò)流量特征提取

        樣本分別從左右兩個通道輸入網(wǎng)絡(luò)。左通道為CNN網(wǎng)絡(luò),將n*20維的樣本輸入CNN網(wǎng)絡(luò),在CNN最后一層輸出1*n維的特征向量:

        右通道為LSTM網(wǎng)絡(luò),LSTM輸出維度為n*m的特征向量。n為序列長度。M為LSTM隱藏層輸出維度。

        在得到兩個通道的特征表達之后,采用注意力機制實現(xiàn)特征重要程度提取。

        Wa為m*n維的權(quán)值矩陣;ba為偏置項,均由訓(xùn)練時學(xué)習(xí)得到;的轉(zhuǎn)置。等式(3)將CNN的特征向量與LSTM的特征向量融合成一組權(quán)重,并通過式(4)softmax激活函數(shù)將權(quán)重歸一化到0-1。最后通過式(5),將LSTM不同時間點的隱含層輸出向量與對應(yīng)的權(quán)重ai相乘,并求和,以此作為樣本最終的特征表達,即由此可知,包含n個時空特征。

        2.2 基于回歸殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測及流量預(yù)測

        傳統(tǒng)的回歸模型是基于歷史的流量數(shù)據(jù)進行短時的流量預(yù)測,在常規(guī)模式下具有良好的預(yù)測能力。但是網(wǎng)絡(luò)流量具有隨機性和波動性等特性,遇到突發(fā)的事件,基于歷史數(shù)據(jù)的回歸模型預(yù)測值和實際值會產(chǎn)生很大的偏差[7]。如果結(jié)合注意力機制挖掘出當前流量特征與上下游的時空關(guān)系,那么采用上下游的數(shù)據(jù)特征來修正預(yù)測點的預(yù)測值,模型的預(yù)測精度就會提高?;谏鲜龅乃枷?,本文利用RBF神經(jīng)網(wǎng)絡(luò)模型將融合注意力機制的時空特征與回歸分析的殘差進行時空關(guān)聯(lián),通過RBF產(chǎn)生的殘差預(yù)測結(jié)果對回歸模型的預(yù)測數(shù)據(jù)進行修正,最終形成流量預(yù)測?;诨貧w殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測及流量預(yù)測如圖3所示。

        圖3 基于回歸殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測與流量預(yù)測思路

        (1)基于回歸分析模型的流量殘差預(yù)測

        將因變量代進去回歸分析模型中,得到的流量擬合值為:

        殘差向量可以表示為:

        由此可知,殘差向量包含m個殘差。

        (2)基于回歸殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測

        RBF神經(jīng)網(wǎng)絡(luò)是一種三層的神經(jīng)網(wǎng)絡(luò),包括輸入層、隱藏層、輸出層。從輸入空間到隱層空間的變換是非線性的,而從隱層空間到輸出層空間變換是線性的[8]。RBF神經(jīng)相較于BP神經(jīng)網(wǎng)絡(luò)收斂速度更快,使用性更強,隱層單元數(shù)也就是網(wǎng)絡(luò)的結(jié)構(gòu)可以根據(jù)研究的具體問題,在訓(xùn)練階段自適應(yīng)地調(diào)整。RBF是高效的前饋式神經(jīng)網(wǎng)絡(luò),它具有唯一最佳逼近的特性,能夠有效避免局部最優(yōu)的問題。

        在提取流量數(shù)據(jù)的時空特征向量和對原始數(shù)據(jù)進行回歸分析之后,可以將經(jīng)過訓(xùn)練的流量時空特征和m個殘差值作為RBF網(wǎng)絡(luò)的輸入,得到流量殘差預(yù)測值?;诨貧w殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測思路如圖4所示。

        圖4 基于回歸殘差RBF神經(jīng)網(wǎng)絡(luò)的殘差預(yù)測

        圖4輸入層的維度為n+m維,輸出層維度是m維。

        RBF神經(jīng)網(wǎng)絡(luò)的激活函數(shù)可表示為:

        3 實驗分析

        為了驗證融合深度學(xué)習(xí)與殘差回歸神經(jīng)網(wǎng)絡(luò)對流量預(yù)測的有效性,將該方法用于預(yù)測中山聯(lián)通5G試驗網(wǎng)中進行測試,以期驗證該算法在5G流量預(yù)測的有效性。本文在預(yù)測準確性和模型收斂性兩個方面與傳統(tǒng)的殘差神經(jīng)網(wǎng)絡(luò)ST-ResNet方法[9]進行了對比。兩種算法的誤差結(jié)果如表1所示,本文算法的預(yù)測誤差為10.5,低于ST-ResNet方法的預(yù)測誤差13.8。這是因為ST-ResNet方法只是采用簡單的卷積層提取網(wǎng)絡(luò)流量數(shù)據(jù)的空間特征,而本文采用CNN+LSTM提取時空特征,因此得到更加抽象的特征。除此之外,采用回歸殘差RBF神經(jīng)網(wǎng)絡(luò)對殘差進行修正的方法考慮到當前流量特征與數(shù)據(jù)上下游的時空關(guān)系,實現(xiàn)其他深度學(xué)習(xí)網(wǎng)絡(luò)不具備的全局最優(yōu)性和最佳逼近性能,提升了預(yù)測的準確率。

        表1 ST-ResNet方法與本文方法的誤差對比

        除此之外,還需要對比兩種方法的收斂結(jié)果,收斂結(jié)果如圖5所示。圖中的RMSE代表誤差,epoch代表迭代次數(shù)。從圖5可以看出,隨著迭代次數(shù)的增加,模型的誤差在不斷縮小,當模型迭代到74次左右時,本文模型的誤差開始收斂到某一個固定值,而在模型迭代到88次左右時,模型誤差趨于穩(wěn)定。而ST-ResNet方法迭代到82次左右時才開始收斂,而迭代次數(shù)達到94次才趨于穩(wěn)定,綜上所述,ST-ResNet算法收斂性比本文算法差。主要原因是:本文采用的CNN+LSTM提取的時空特征的方法能夠在很大程度上反映了流量的特征,極大減少了計算量,提升了模型的收斂速度。

        圖5 迭代次數(shù)與誤差曲線

        4 結(jié)束語

        本文提出一種融合深度學(xué)習(xí)與回歸殘差神經(jīng)網(wǎng)絡(luò)的流量預(yù)測新方法。該方法在基于注意力機制的CNN-LSTM網(wǎng)絡(luò)流量時空特征提取基礎(chǔ)上,采用回歸殘差RBF神經(jīng)網(wǎng)絡(luò)對殘差進行修正后,實現(xiàn)流量的精準預(yù)測。該方法的主要優(yōu)勢在于對流量的時間和空間信息進行提取,極大減少了模型的計算量,有利于提升模型的迭代能力;除此之外,回歸殘差RBF神經(jīng)網(wǎng)絡(luò)對殘差進行推理,實現(xiàn)其他深度學(xué)習(xí)網(wǎng)絡(luò)不具備的全局最優(yōu)性和最佳逼近性能,從而保證網(wǎng)絡(luò)流量預(yù)測的準確性。

        猜你喜歡
        網(wǎng)絡(luò)流量殘差時空
        基于多元高斯分布的網(wǎng)絡(luò)流量異常識別方法
        基于雙向GRU與殘差擬合的車輛跟馳建模
        跨越時空的相遇
        基于神經(jīng)網(wǎng)絡(luò)的P2P流量識別方法
        鏡中的時空穿梭
        基于殘差學(xué)習(xí)的自適應(yīng)無人機目標跟蹤算法
        基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
        玩一次時空大“穿越”
        AVB網(wǎng)絡(luò)流量整形幀模型端到端延遲計算
        時空之門
        色欧美与xxxxx| 亚洲综合天堂av网站在线观看| 日韩精品久久久久久免费| 人妻av无码系列一区二区三区| 亚洲av理论在线电影网| 亚洲熟妇av日韩熟妇av| 国产精品久久av色婷婷网站| 日日碰日日摸日日澡视频播放| 欧美人与动牲交a精品| 国产久视频国内精品999| 色婷婷精品综合久久狠狠| 午夜一区二区三区在线观看| 人妻精品视频一区二区三区| 男人激烈吮乳吃奶视频免费| 亚洲欧美中文在线观看4| 蜜桃一区二区免费视频观看| 美丽小蜜桃1一3在线观看| 精品国产偷窥一区二区| 欧美激情内射喷水高潮| 五月天无码| 深夜黄色刺激影片在线免费观看| 又粗又大又硬毛片免费看| 一本一本久久a久久精品综合| 人妻被猛烈进入中文字幕| 九九久久精品一区二区三区av| 五月天激情电影| 长腿校花无力呻吟娇喘的视频| 国产精品欧美成人片| 中文字幕久久久人妻人区| 在线涩涩免费观看国产精品 | 日韩精品真人荷官无码| 国产精品久久久久免费a∨| 强d乱码中文字幕熟女1000部| 国内嫩模自拍诱惑免费视频 | 国产亚洲视频在线观看播放| 日本高清成人一区二区三区| 欧美大胆性生话| 精品香蕉久久久午夜福利| 国产精品人成在线观看| 蜜臀av在线一区二区尤物| 亚洲成av人片乱码色午夜|