本發(fā)明專利技術(shù)公開一種基于空時(shí)壓縮感知的蜂窩網(wǎng)絡(luò)流量預(yù)測(cè)方法，該方法基于空時(shí)壓縮感知的蜂窩網(wǎng)絡(luò)流量預(yù)測(cè)方法：首先從蜂窩網(wǎng)絡(luò)的核心網(wǎng)絡(luò)層提取基站流量構(gòu)造二維流量矩陣，將待估計(jì)的流量值設(shè)置為0，得到要處理的蜂窩網(wǎng)絡(luò)流量矩陣；其次，根據(jù)流量矩陣構(gòu)造具有約束等距性特征的流量觀測(cè)矩陣；再次，根據(jù)流量的日夜規(guī)律性以及基站的空間分布、屬性特性構(gòu)造空間和時(shí)間約束矩陣，利用基于系數(shù)正則化矩陣分解的控釋壓縮感知方法對(duì)流量矩陣進(jìn)行精確重構(gòu)，得到矩陣中以0代替的流量值的真實(shí)值的估計(jì)數(shù)據(jù)，從而實(shí)現(xiàn)網(wǎng)絡(luò)流量預(yù)測(cè)目的。該方法充分利用了蜂窩網(wǎng)絡(luò)流量的冗余性以及蜂窩網(wǎng)絡(luò)流量矩陣的低秩特性，大大提高了蜂窩網(wǎng)絡(luò)流量的預(yù)測(cè)精度。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及通信
，尤其涉及。
技術(shù)介紹
近年來,全球變暖已經(jīng)成為各國(guó)政府的一個(gè)極為重要的議題。目前，信息與通信產(chǎn)業(yè)(ICT產(chǎn)業(yè))消耗全球3%_4%的電能，而且由于用戶數(shù)的急劇攀升以及網(wǎng)絡(luò)規(guī)模的逐漸擴(kuò)大，ICT產(chǎn)業(yè)正逐步成為未來能量消耗的有力貢獻(xiàn)者，其能耗比例在現(xiàn)有能源使用模式下正在以每十年翻一番的速度增長(zhǎng)。ICT產(chǎn)業(yè)對(duì)生態(tài)環(huán)境不斷增加的潛在影響和破壞力使得提高通信系統(tǒng)的能量效率勢(shì)在必行。此外，除了減少ICT產(chǎn)業(yè)對(duì)生態(tài)環(huán)境的影響以外，通信系統(tǒng)的綠色節(jié)能還有其經(jīng)濟(jì)上的動(dòng)力和必要性。提高通信系統(tǒng)的能量效率有利于運(yùn)營(yíng)商增加利潤(rùn)收成。在各種網(wǎng)絡(luò)運(yùn)營(yíng)成本中，電能損耗成本占據(jù)了極大的一部分，改善能量利用等于間接增加運(yùn)營(yíng)商的利潤(rùn)。作為ICT產(chǎn)業(yè)鏈的一個(gè)重要組成部分，蜂窩網(wǎng)絡(luò)的能量消耗占據(jù)了整個(gè)ICT產(chǎn)業(yè)的極大一部分。典型的蜂窩網(wǎng)絡(luò)基本上都是基于滿足峰值期用戶容量需求的原則而設(shè)計(jì)。 然而，蜂窩網(wǎng)絡(luò)用戶峰值時(shí)刻很少出現(xiàn)，由于用戶的行為模式具有白天-夜晚差異性以及用戶在辦公區(qū)與住宅區(qū)之間的規(guī)律往返活動(dòng)，蜂窩網(wǎng)絡(luò)的負(fù)載流量在不同時(shí)刻不同地點(diǎn)波動(dòng)較大，呈現(xiàn)出明顯的時(shí)空差異性特征。網(wǎng)絡(luò)負(fù)載的這種時(shí)空差異性特征正好與蜂窩網(wǎng)絡(luò)的最大化容量的設(shè)計(jì)準(zhǔn)則背道而馳。這樣一來，當(dāng)網(wǎng)絡(luò)中的負(fù)載流量較低時(shí)(例如，白天住宅區(qū)的負(fù)載流量或者晚上辦公區(qū)的負(fù)載流量)，大量蜂窩基站雖然沒有用戶接入?yún)s維持工作狀態(tài)，以維持峰值流量，從而造成整個(gè)網(wǎng)絡(luò)能量的極大浪費(fèi)。如果能夠讓蜂窩網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)流量的變化動(dòng)態(tài)調(diào)整各個(gè)基站的工作狀態(tài)，使得在網(wǎng)絡(luò)負(fù)載較低時(shí)關(guān)閉部分不必要的基站，將大大的減少網(wǎng)絡(luò)能量的浪費(fèi)，改善網(wǎng)絡(luò)能量的利用效率。而這其中最關(guān)鍵的部分就是對(duì)整個(gè)網(wǎng)絡(luò)的負(fù)載流量的精確分析和預(yù)測(cè)，它是基站合理調(diào)節(jié)自身工作狀態(tài)的前提條件和依據(jù)。在蜂窩網(wǎng)絡(luò)中，網(wǎng)絡(luò)流量一般通過流量矩陣來描述它記錄了不同小區(qū)在不同時(shí)刻的流量數(shù)據(jù)，該矩陣的行代表不同時(shí)隙，列則表示不同的蜂窩小區(qū)，該矩陣每一行元素反映了各個(gè)小區(qū)流量在不同時(shí)刻的波動(dòng)趨勢(shì)。這種矩陣形式表示的網(wǎng)絡(luò)流量數(shù)據(jù)具有十分廣泛的應(yīng)用，例如，網(wǎng)絡(luò)推測(cè)，網(wǎng)絡(luò)容量規(guī)劃，節(jié)點(diǎn)異常檢測(cè)診斷等等。在現(xiàn)實(shí)環(huán)境中，通常不可能實(shí)現(xiàn)對(duì)數(shù)據(jù)的直接地、完整地、準(zhǔn)確地、不間斷地的觀測(cè)采樣。因此，通過流量矩陣記錄網(wǎng)絡(luò)流量數(shù)據(jù)是總是會(huì)出現(xiàn)數(shù)據(jù)的缺失和不完全現(xiàn)象，而應(yīng)用這類流量數(shù)據(jù)的一個(gè)重大挑戰(zhàn)便是精確重構(gòu)和預(yù)測(cè)缺失的流量數(shù)據(jù)信息。由于許多需要利用網(wǎng)絡(luò)流量數(shù)據(jù)的應(yīng)用常常要求精確的數(shù)據(jù)或者對(duì)數(shù)據(jù)缺失比較敏感，所以根據(jù)部分間接觀測(cè)值準(zhǔn)確恢復(fù)缺失的原始數(shù)據(jù)十分重要。壓縮感知(Compressive Sensing)是一種利用現(xiàn)實(shí)數(shù)據(jù)的特殊結(jié)構(gòu)性特征或冗余信息處理和精確重構(gòu)缺失數(shù)據(jù)的通用性方法。它是近幾年來的一項(xiàng)新興信號(hào)處理技術(shù)，其核心思想是將數(shù)據(jù)采樣和壓縮合并進(jìn)行，首先采集信號(hào)的非自適應(yīng)線性投影(測(cè)量值)，然后根據(jù)相應(yīng)的重構(gòu)算法由測(cè)量值復(fù)原信號(hào)。近年來，壓縮感知在各個(gè)領(lǐng)域都受到了普遍關(guān)注與廣泛研究，已經(jīng)產(chǎn)生了許多利用數(shù)據(jù)稀疏性特征和低秩信息的啟發(fā)式算法。同時(shí)，壓縮感知的理論證明，原始數(shù)據(jù)信號(hào)必須滿足以下技術(shù)條件信號(hào)的稀疏性，觀測(cè)基(觀測(cè)矩陣) 與變換基(變換矩陣)的非相關(guān)性。盡管在壓縮感知領(lǐng)域已經(jīng)取得了不少成果，但現(xiàn)有的壓縮感知算法應(yīng)用在實(shí)際數(shù)據(jù)上，恢復(fù)其缺失數(shù)據(jù)時(shí)往往性能很差，尤其當(dāng)數(shù)據(jù)的丟失率較高，且數(shù)據(jù)缺失呈現(xiàn)出某些結(jié)構(gòu)性特征時(shí)。主要原因是實(shí)際數(shù)據(jù)信號(hào)往往不符合使現(xiàn)有的壓縮感知算法性能最優(yōu)的數(shù)學(xué)約束條件。這些最優(yōu)化約束條件包括1)矩陣元素服從高斯或近似高斯分布；2)矩陣具有嚴(yán)格低秩 特征；3)不同矩陣元素的缺失完全獨(dú)立；4)矩陣的觀測(cè)值約束滿足一定的技術(shù)條件，例如各向同性性質(zhì)。不幸的是，這些約束條件對(duì)實(shí)際流量矩陣一般都不適用，實(shí)時(shí)流量矩陣元素常常呈現(xiàn)出高度非正態(tài)特性，即最大元素和最小元素之間相差幾個(gè)數(shù)量級(jí)。此外，實(shí)時(shí)流量矩陣只能滿足近似的低秩特點(diǎn)，數(shù)據(jù)也具有高度的結(jié)構(gòu)性，最后，實(shí)時(shí)流量矩陣的觀測(cè)值約束也不一定滿足提出的技術(shù)條件。綜上所述，以往的網(wǎng)絡(luò)流量預(yù)測(cè)存在較大的差錯(cuò)率，并且對(duì)于有數(shù)據(jù)丟失的流量矩陣難以從訓(xùn)練數(shù)據(jù)中得到精確的預(yù)測(cè)流量值，因此，研究通過以矩陣形式表示的實(shí)時(shí)蜂窩網(wǎng)絡(luò)流量數(shù)據(jù)的精確重構(gòu)恢復(fù)來實(shí)現(xiàn)基于空時(shí)壓縮感知的蜂窩網(wǎng)絡(luò)流量的預(yù)測(cè)十分必要。這樣，我們才能進(jìn)一步對(duì)各個(gè)蜂窩小區(qū)流量進(jìn)行相關(guān)分析預(yù)測(cè)，并依據(jù)預(yù)測(cè)結(jié)果調(diào)整蜂窩小區(qū)基站的工作狀態(tài)，提高蜂窩網(wǎng)絡(luò)整體能量利用效率。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的是針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于空時(shí)壓縮感知的蜂窩網(wǎng)流量預(yù)測(cè)方法，以精確地恢復(fù)未知流量值的大小，使基站可以在目前時(shí)刻對(duì)未來工作時(shí)段的流量進(jìn)行預(yù)測(cè)，以合理調(diào)節(jié)基站的工作狀態(tài)來保證提供滿足質(zhì)量的通信服務(wù)的同時(shí)降低基站能耗。本專利技術(shù)的目的是通過以下技術(shù)方案來實(shí)現(xiàn)的，它包括以下步驟(I)從蜂窩網(wǎng)的核心層采樣基站流量變化的觀測(cè)數(shù)據(jù)，構(gòu)成流量矩陣，包括以下子步驟；(1.1)記錄網(wǎng)絡(luò)中M個(gè)觀測(cè)基站在一段連續(xù)時(shí)間段π內(nèi)的流量值，該值為非負(fù)的連續(xù)實(shí)數(shù)；(1. 2)取At為時(shí)隙長(zhǎng)度，將步驟1.1中提到的時(shí)間段π劃分成N個(gè)不同的時(shí)隙， 將每個(gè)基站在每個(gè)時(shí)隙內(nèi)的流量值求和取平均作為在該基站在該時(shí)隙內(nèi)的流量值大小，記為訓(xùn)練數(shù)據(jù)V (i,j)，表示第i個(gè)基站在第j個(gè)時(shí)隙內(nèi)的網(wǎng)絡(luò)流量值的觀測(cè)值；(1.3)將步驟1.2中得到的觀測(cè)值X' (i，j)組成一個(gè)流量訓(xùn)練矩陣X'如下權(quán)利要求1.，其特征在于，它包括以下步驟 (1)從蜂窩網(wǎng)的核心層采樣基站流量變化的觀測(cè)數(shù)據(jù)，構(gòu)成流量矩陣，包括以下子步驟； (I. I)記錄網(wǎng)絡(luò)中M個(gè)觀測(cè)基站在一段連續(xù)時(shí)間段π內(nèi)的流量值，該值為非負(fù)的連續(xù)實(shí)數(shù)； (I. 2)取At為時(shí)隙長(zhǎng)度，將步驟I. I中提到的時(shí)間段π劃分成N個(gè)不同的時(shí)隙，將每個(gè)基站在每個(gè)時(shí)隙內(nèi)的流量值求和取平均作為在該基站在該時(shí)隙內(nèi)的流量值大小，記為訓(xùn)練數(shù)據(jù)V (i, j)，表示第i個(gè)基站在第j個(gè)時(shí)隙內(nèi)的網(wǎng)絡(luò)流量值的觀測(cè)值； (1.3)將步驟1.2中得到的觀測(cè)值X' (i，j)組成一個(gè)流量訓(xùn)練矩陣X'如下X (U) Xt(Il)…Jt(IN) --··I Χ'(ΜΛ) X (Μ.2}…Χ,(Μ、Ν) _L 」， 記為=…,1(1，#)]，表示第i個(gè)基站在不同訓(xùn)練時(shí)隙內(nèi)的流量值向量；矩陣每一列所組成的向量，記為>；(/)=\表示第」_個(gè)訓(xùn)練時(shí)隙內(nèi)不同基站的流量均值快照； (I. 4)將步驟I. I中提到的時(shí)間段Ti后連續(xù)的時(shí)間段= 內(nèi)(共η個(gè)時(shí)隙，η為自然數(shù))的網(wǎng)絡(luò)流量值作為待預(yù)測(cè)的對(duì)象，將預(yù)測(cè)流量值置O插入到步驟I. 3中提到的流量訓(xùn)練矩陣Γ中，構(gòu)成包含訓(xùn)練數(shù)據(jù)與待觀測(cè)數(shù)據(jù)的流量矩陣X，如下Γ-￥(12) — Α·(].Λ<·) O O" * I ··* * TPI·9 ** /% * · * *[Ζ(Μ 1) -V (Λ/, 2)…I (Μ, N) O O _ H 流量矩陣構(gòu)造完成，矩陣每一行所組成的向量，記為尤={X(iAlX(i,2)--,X(i,N)}，表示第i個(gè)基站在不同時(shí)隙內(nèi)(包含訓(xùn)練時(shí)隙與待預(yù)測(cè)時(shí)隙)的流量值向量；矩陣每一列所組成的向量，記為？,，表示第j個(gè)時(shí)隙內(nèi)不同基站的流量均值快照； (2)根據(jù)步驟I中的流量矩陣構(gòu)造具有約束等距本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
一種基于空時(shí)壓縮感知的蜂窩網(wǎng)絡(luò)流量預(yù)測(cè)方法，其特征在于，它包括以下步驟：（1）從蜂窩網(wǎng)的核心層采樣基站流量變化的觀測(cè)數(shù)據(jù)，構(gòu)成流量矩陣，包括以下子步驟；（1.1）記錄網(wǎng)絡(luò)中M個(gè)觀測(cè)基站在一段連續(xù)時(shí)間段π內(nèi)的流量值，該值為非負(fù)的連續(xù)實(shí)數(shù)；（1.2）取Δt為時(shí)隙長(zhǎng)度，將步驟1.1中提到的時(shí)間段π劃分成N個(gè)不同的時(shí)隙，將每個(gè)基站在每個(gè)時(shí)隙內(nèi)的流量值求和取平均作為在該基站在該時(shí)隙內(nèi)的流量值大小，記為訓(xùn)練數(shù)據(jù)X′(i,j)，表示第i個(gè)基站在第j個(gè)時(shí)隙內(nèi)的網(wǎng)絡(luò)流量值的觀測(cè)值；（1.3）將步驟1.2中得到的觀測(cè)值X′(i,j)組成一個(gè)流量訓(xùn)練矩陣X′如下：記為表示第i個(gè)基站在不同訓(xùn)練時(shí)隙內(nèi)的流量值向量；矩陣每一列所組成的向量，記為表示第j個(gè)訓(xùn)練時(shí)隙內(nèi)不同基站的流量均值快照；（1.4）將步驟1.1中提到的時(shí)間段π后連續(xù)的時(shí)間段內(nèi)（共n個(gè)時(shí)隙，n為自然數(shù)）的網(wǎng)絡(luò)流量值作為待預(yù)測(cè)的對(duì)象，將預(yù)測(cè)流量值置0插入到步驟1.3中提到的流量訓(xùn)練矩陣X′中，構(gòu)成包含訓(xùn)練數(shù)據(jù)與待觀測(cè)數(shù)據(jù)的流量矩陣X,如下：流量矩陣構(gòu)造完成，矩陣每一行所組成的向量，記為表示第i個(gè)基站在不同時(shí)隙內(nèi)（包含訓(xùn)練時(shí)隙與待預(yù)測(cè)時(shí)隙）的流量值向量；矩陣每一列所組成的向量，記為表示第j個(gè)時(shí)隙內(nèi)不同基站的流量均值快照；（2）根據(jù)步驟1中的流量矩陣構(gòu)造具有約束等距性特征（Restricted?Isometry?Property,RIP）的流量觀測(cè)矩陣Φ：設(shè)原始矩陣為X，觀測(cè)矩陣為Φ，當(dāng)原始 矩陣與觀測(cè)矩陣之間滿足下列條件關(guān)系時(shí)，觀測(cè)矩陣Φ具有約束等距性：(1-δ)||X||l22≤||ΦX||l22≤(1-δ)||X||l22;其中，δ是一個(gè)任意無限小的正實(shí)數(shù)；（3）根據(jù)步驟1中的訓(xùn)練流量數(shù)據(jù)，確定步驟1中提到的流量矩陣X中存在的空間分布特征以及時(shí)間變化特征，并因此為基礎(chǔ)構(gòu)造空間約束矩陣與時(shí)間約束矩陣，該步驟包括以下子步驟；（3.1）應(yīng)用線性回歸求得矩陣中行向量之間的相關(guān)性，構(gòu)建空間約束矩陣；（3.1.1）對(duì)i＝1~M，依次用其他j≠i行的行向量線性擬合如下：Xi→=Σj≠iMwi,j·X→j;wi，j即為表示兩者空間變化相關(guān)性的系數(shù)；（3.1.2）然后按以下方式將wi，j賦值到空間約束矩陣S中：S(i,j)=1,j=i-wi,j,j≠i,j≤M0,other;因此，S是一個(gè)M×M的矩陣，空間約束矩陣構(gòu)造完畢；（3.2）應(yīng)用線性回歸求得矩陣中行向量之間的相關(guān)性，構(gòu)建空間約束矩陣:（3.2.1）首先，對(duì)j＝1~N+n，依次用其他k≠j列的列向量線性擬合如下：Y→j=Σi≠jNθi,j·Y→i;其中，θk,j為表示兩者時(shí)間變化相關(guān)性的參數(shù)；（3.2.2）然后按以下方式將θk，j賦值到時(shí)間約束矩陣T中：T(k,j)=1,k=j-wk,j,k≠j,k≤M+n0,other;因此，T是一個(gè)(N+n)×(N+n)的矩陣，時(shí)間約束矩陣構(gòu)造完畢；（4）根據(jù)流量矩陣的低秩特點(diǎn)，結(jié)合步驟2中提到的流量觀測(cè)矩陣Φ以及步驟3中構(gòu)造的空間約束矩陣S和時(shí)間約束矩陣T,應(yīng)用空時(shí)壓縮感知對(duì)步驟1中提到的流量矩陣進(jìn)行矩陣分解，得到分解因式L和R：構(gòu)造以下凸優(yōu)化函數(shù)對(duì)矩陣分解進(jìn)行迭代求解，并得到矩陣分解的近似值L和R：在上式中，‖·‖F(xiàn)表示Frobenius范數(shù)，對(duì)任意矩陣Z，量化了網(wǎng)絡(luò)流量的局部觀測(cè)值約束，表示低秩近似分解觀測(cè)點(diǎn)處的數(shù)據(jù)誤差值；正則型包含了網(wǎng)絡(luò)流量矩陣的低秩近似分解的復(fù)雜度信息，防止在原始流量數(shù)據(jù)重構(gòu)過程中出現(xiàn)過度擬合現(xiàn)象；和則代表原始網(wǎng)絡(luò)流量數(shù)據(jù)中包含的特殊結(jié)構(gòu)性信息或冗余性質(zhì)，即原始網(wǎng)絡(luò)流量數(shù)據(jù)的空間?時(shí)間平穩(wěn)性特征；μ、α、β、γ是均衡系數(shù)，體現(xiàn)了在正確估計(jì)測(cè)量數(shù)據(jù)、獲得低秩特點(diǎn)、繼承原始矩陣空時(shí)相關(guān)性三者之間的權(quán)衡：如果μ增大，則表示在矩陣分解過程中，更加傾向于精確恢復(fù)原始矩陣數(shù)值；如果α增大，則表示在矩陣分解過程中，更加傾向于獲得具有低秩特性的原始矩陣估計(jì)值；如果β、γ增大，則表示在矩陣分解過程中，更加傾向于獲得繼承了原始矩陣空時(shí)相關(guān)性的估計(jì)矩陣；（5）進(jìn)行蜂窩網(wǎng)絡(luò)流量預(yù)測(cè)；利用步驟4中分解所得的矩陣因子L和R，精確恢復(fù)原始流量矩陣的近似低秩矩陣如下：其中，即為蜂窩網(wǎng)中所有基站在未來時(shí)刻的待預(yù)測(cè)流量值的估計(jì)值，至此...
【技術(shù)特征摘要】
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：文倩，張宏綱，趙志峰，
申請(qǐng)(專利權(quán))人：浙江大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。