隨著移動通信技術(shù)的發(fā)展和智能手機(jī)的普及,移動業(yè)務(wù)量呈現(xiàn)爆發(fā)式增長態(tài)勢。為了在移動資源受限的情況下滿足大規(guī)模移動用戶數(shù)量和業(yè)務(wù)流量的需求,準(zhǔn)確的移動業(yè)務(wù)量預(yù)測,可以為移動網(wǎng)絡(luò)資源的合理分配提供有效的解決方案,從而保證用戶良好的服務(wù)質(zhì)量。因此,找到合理有效的移動業(yè)務(wù)量預(yù)測方法,意義重大。移動業(yè)務(wù)預(yù)測問題作為一種時(shí)間序列問題,具有多樣性和時(shí)變性特征,傳統(tǒng)統(tǒng)計(jì)方法難以滿足要求。深度學(xué)習(xí)在各個領(lǐng)域的蓬勃發(fā)展為移動業(yè)務(wù)預(yù)測問題提出了新的思路,利用其深度、多層次的特性提取可以挖掘數(shù)據(jù)之間隱含的關(guān)聯(lián)性�；诖�,本文研究了如何將深度學(xué)習(xí)的思想用于解決時(shí)間序列預(yù)測問題,提出了兩種模型,并應(yīng)用到移動業(yè)務(wù)預(yù)測場景中。本文基于深度學(xué)習(xí)的兩種典型神經(jīng)網(wǎng)絡(luò)循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network,RNN）和深度信念網(wǎng)絡(luò)（Deep Belief Nets,DBN）分別提出了兩種時(shí)間序列模型。首先基于RNN的一種常用變型LSTM（Long-Short-Term Memory）,分別提出了基于LSTM的一步時(shí)間序列預(yù)測模型和多步時(shí)間序列預(yù)測模型,并通過對序列進(jìn)行差分處理獲得了輸入穩(wěn)定性,最后基于標(biāo)準(zhǔn)... 

【文章來源】：北京郵電大學(xué)北京市211工程院校教育部直屬院校

【文章頁數(shù)】：73 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖２－２階躍Ａ數(shù)與ｓｉｇｍｏｉｄ函數(shù)??

由于感知機(jī)只有一個帶激活函數(shù)的神經(jīng)元，所以它的學(xué)習(xí)能力非常有限，只??能學(xué)習(xí)線性可分的數(shù)據(jù)，對異或這類非線性可分的數(shù)據(jù)無法處理。因此，如果把??多個神經(jīng)元按照一定層級連接起來，便可以得到一個多層網(wǎng)絡(luò)，如圖２－４所示。??這些網(wǎng)絡(luò)每層神經(jīng)元與下一層全連接，層內(nèi)和跨層都沒有連接，這樣的網(wǎng)絡(luò)通常??成為前饋神經(jīng)網(wǎng)絡(luò)（ＦｅｅｄｆｏｒｗａｒｄＮｅｕｒａｌＮｅｔｗｏｒｋ，ＦＮＮ），是最基本的深度神經(jīng)網(wǎng)??絡(luò)。多層ＦＮＮ的學(xué)習(xí)能力比感知機(jī)要強(qiáng)得多。??Ｍ??醫(yī)—??（ａ）單層前饋網(wǎng)絡(luò)?（ｂ）雙隱層前饋神經(jīng)網(wǎng)絡(luò)??圖２－４多層網(wǎng)絡(luò)結(jié)構(gòu)圖??在上圖（ａ）中，最底層神經(jīng)元又叫輸入層，接收模型的輸入，最頂層神經(jīng)??元又叫輸出層，他們的輸出就是模型的最終輸出。在輸入層和輸出層中間的一層??１４??

?輸入層?６??圖２－６?ＲＮＮ的結(jié)構(gòu)示意圖??ＲＮＮ的結(jié)構(gòu)如圖２－６所示。ＲＮＮ通過添加一個擁有自連接的隱層來達(dá)到這??個目的。相比于ＦＮＮ的隱層節(jié)點(diǎn)不同的是，ＲＮＮ的隱層節(jié)點(diǎn)有一條指向自己的??路線。換句話說，以時(shí)間序列為例，前一個時(shí)刻的隱層節(jié)點(diǎn)的輸出會作用于當(dāng)前??時(shí)刻的隱層節(jié)點(diǎn)上。當(dāng)前時(shí)刻的隱層節(jié)點(diǎn)同時(shí)接受來自當(dāng)前時(shí)刻輸入層的輸入和??前一時(shí)刻隱層的輸出，將兩部分一起處理之后，又傳向下一時(shí)刻的隱層節(jié)點(diǎn)和當(dāng)??１７??

【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí):開啟大數(shù)據(jù)時(shí)代的鑰匙[J]. 余濱,李紹滋,徐素霞,紀(jì)榮嶸.  工程研究-跨學(xué)科視野中的工程. 2014(03)
[2]近年來我國短期氣候預(yù)測中動力相似預(yù)測方法研究與應(yīng)用進(jìn)展[J]. 李維京,鄭志海,孫丞虎.  大氣科學(xué). 2013(02)
[3]基于改進(jìn)粒子群優(yōu)化算法的灰色神經(jīng)網(wǎng)絡(luò)模型[J]. 馬軍杰,尤建新,陳震.  同濟(jì)大學(xué)學(xué)報(bào)(自然科學(xué)版). 2012(05)
[4]基于粗糙集的BP神經(jīng)網(wǎng)絡(luò)在震例中的應(yīng)用研究[J]. 董曉娜,蘇道磊,李希亮,曲利,張慧峰,吳晨.  地震研究. 2012(02)
[5]混沌算子網(wǎng)絡(luò)在經(jīng)濟(jì)數(shù)據(jù)預(yù)測中的應(yīng)用研究[J]. 鄒曉玫,修春波.  廣西大學(xué)學(xué)報(bào)(自然科學(xué)版). 2011(05)
[6]我國短期氣候預(yù)測的物理基礎(chǔ)及其預(yù)測思路[J]. 魏鳳英.  應(yīng)用氣象學(xué)報(bào). 2011(01)
[7]組合人工神經(jīng)網(wǎng)絡(luò)在地震預(yù)測中的應(yīng)用研究[J]. 陳以,王穎,張晉魁.  計(jì)算機(jī)仿真. 2011(01)
[8]基于遺傳BP網(wǎng)絡(luò)的股市預(yù)測模型研究與仿真[J]. 鄧凱,趙振勇.  計(jì)算機(jī)仿真. 2009(05)
[9]基于PCA和改進(jìn)BP網(wǎng)絡(luò)的降雨預(yù)報(bào)模型研究[J]. 劉樂,王洪國,王寶偉.  計(jì)算機(jī)工程與應(yīng)用. 2008(12)
[10]大氣隨機(jī)動力學(xué)與可預(yù)報(bào)性[J]. 周秀驥.  氣象學(xué)報(bào). 2005(05)

博士論文
[1]時(shí)間序列數(shù)據(jù)挖掘中的維數(shù)約簡與預(yù)測方法研究[D]. 孫友強(qiáng).中國科學(xué)技術(shù)大學(xué) 2014



本文編號：3615157