【摘要】：隨著互聯(lián)信息時代的快速發(fā)展,移動用戶業(yè)務需求量迅猛增加,使得移動網(wǎng)絡的無線資源顯得日趨緊張。為了更加有效合理地利用有限的移動網(wǎng)絡資源,準確的業(yè)務量預測具有重要意義。本文通過對基于受限玻爾茲曼機(Restricted Boltzmann Machine,RBM)的深度學習方法進行研究,進而實現(xiàn)對移動網(wǎng)絡業(yè)務量的預測。RBM可以視為一個無向圖雙層網(wǎng)絡模型,是一種有效的無監(jiān)督特征提取方法,常用于圖像數(shù)據(jù)特征的提取,而條件受限玻爾茲曼機(Conditional Restricted Boltzmann Machine,CRBM)是在RBM的基礎上,進一步考慮了時間范圍內的圖像間關聯(lián)性,因而獲得了在圖像識別等方面更加優(yōu)越的性能。本文首先對基于RBM、CRBM的深度學習模型進行了研究。提出一種新穎的基于RBM的深度信念網(wǎng)絡(Deep Belief Network,DBN)時間序列預測模型,該模型主要由三部分組成:底層包含兩層高斯伯努利RBM模塊,中間層為前饋神經(jīng)網(wǎng)絡(Feedforward Neural Network,FNN),頂層為錯誤校正算法模塊。通過實驗將該模型應用于[Energy]、[Dollar]和[TAIEX]三個時間序列數(shù)據(jù)集,并與傳統(tǒng)的FNN模型以及基于高斯伯努利深度玻爾茲曼機(Gaussian-Bernoulli Deep Boltzmann Machine, GDBM)的FNN模型相比,結果表明,本文所提出的DBN模型的預測精度有顯著提升�？紤]到CRBM具有時間關聯(lián)性的優(yōu)點,本文進一步提出了基于CRBM的深度DBN模型,并針對原始CRBM只適合如圖像等空間像素的輸入,并不適合時間序列預測中的時序數(shù)據(jù)輸入的特點,提出一種新穎的輸入表達,使得時序數(shù)據(jù)能夠適于在CRBM中的應用。本文基于上述研究,分別將基于RBM的DBN模型和適于時序數(shù)據(jù)輸入的基于CRBM的DBN模型應用于移動業(yè)務量預測。選取現(xiàn)網(wǎng)熱點地區(qū)的10個小區(qū)用戶上報測量報告(MR),分別以20分鐘時間粒度為單位構建時間序列,預測結果表明,80%的小區(qū)達到了 80%以上的預測精度。
[Abstract]:With the rapid development of interconnected information age, the demand for mobile user services is increasing rapidly, which makes the wireless resources of mobile network appear increasingly tight. In order to utilize the limited mobile network resources more effectively and reasonably, accurate traffic prediction is of great significance. In this paper, the method of depth learning based on constrained Boltzmann machine (Restricted Boltzmann Machine,RBM) is studied, and the prediction of mobile network traffic is realized. RBM can be regarded as an undirected graph bilevel network model. It is an effective unsupervised feature extraction method, which is often used to extract the features of image data. The conditional constrained Boltzmann machine (Conditional Restricted Boltzmann Machine,CRBM) is based on RBM and further considers the correlation between images in the time range. As a result, more superior performance in image recognition and so on has been obtained. In this paper, the depth learning model based on RBM,CRBM is studied. A novel (Deep Belief Network,DBN time series prediction model based on RBM is proposed. The model consists of three parts: the bottom layer is composed of two layers Gao Si Bernoulli RBM module, and the middle layer is feedforward neural network (Feedforward Neural Network,. The top level of FNN), is the error correction algorithm module. The model is applied to [Energy], [Dollar] and [TAIEX] data sets through experiments, and compared with the traditional FNN model and the FNN model based on Gao Si Bernoulli depth Boltzmann Machine (Gaussian-Bernoulli Deep Boltzmann Machine, GDBM). The results show that the prediction accuracy of the proposed DBN model is significantly improved. Considering that CRBM has the advantage of temporal correlation, a depth DBN model based on CRBM is proposed in this paper. The original CRBM is only suitable for the input of spatial pixels such as images, but not suitable for the time series prediction. A novel input representation is proposed, which makes temporal data suitable for application in CRBM. Based on the above research, the DBN model based on RBM and the DBN model based on CRBM, which are suitable for time series data input, are applied to mobile traffic prediction, respectively. In this paper, the authors select 10 community users in hot areas of the present network to report the measurement reports (MR), and construct the time series in the unit of 20 minutes of time granularity respectively. The prediction results show that 80% of the residential areas have achieved more than 80% prediction accuracy.
【學位授予單位】：北京郵電大學
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：F626;TP181

【相似文獻】

相關期刊論文 前10條

1 ;美國移動業(yè)務隱憂凸顯[J];通信企業(yè)管理;2017年06期

2 尹全成;;聚焦“智慧城市”建設 推動政企移動業(yè)務規(guī)模發(fā)展[J];信息通信;2016年03期

3 游麗;;移動業(yè)務社會渠道酬金開支效益提升方法分析[J];現(xiàn)代經(jīng)濟信息;2011年20期

4 姜華;;論手機終端與移動業(yè)務間的七大關系[J];江蘇通信;2009年04期

5 汪琪,汪志剛;移動業(yè)務系統(tǒng)及其開放業(yè)務接入[J];通訊世界;2003年12期

6 P、Dupuis;李華清;;世界移動業(yè)務無線電管理會議的準備工作[J];計算機與網(wǎng)絡;1988年01期

7 沈偉民;;聯(lián)想移動之殤[J];經(jīng)理人;2017年02期

8 ;移動業(yè)務的普及彰顯固移融合新契機[J];通訊世界;2008年10期

9 Darren Murph;;米老鼠回來了：迪斯尼將在日本推出手機移動業(yè)務[J];TWICE消費電子商訊;2007年22期

10 理查德·沃曼;曹謙;;沃達豐剝離瑞士移動業(yè)務[J];中國經(jīng)貿;2006年12期

相關會議論文 前10條

1 金宏彬;馬智良;;基于用戶感知度的移動業(yè)務評估體系和方法的探討[A];2007年中國通信學會“移動增值業(yè)務與應用”學術年會論文集[C];2007年

2 巴特爾;歐陽曉峰;王修倫;;淺談移動業(yè)務網(wǎng)絡發(fā)展和管理思路[A];《內蒙古通信》2012年第1-4期[C];2012年

3 吳偉;;移動業(yè)務應用中的Java技術及其標準體系[A];2003’中國通信學會無線及移動通信委員會學術年會論文集[C];2003年

4 楊金生;;移動業(yè)務發(fā)展與業(yè)務支撐管理轉型的一點思考[A];2007年中國通信學會“移動增值業(yè)務與應用”學術年會論文集[C];2007年

5 ;提高移動業(yè)務開通及時率 中國移動通信集團上海有限公司暢通無限QC小組[A];2007年度電子信息行業(yè)優(yōu)秀質量管理小組成果質量信得過班組經(jīng)驗專集[C];2007年

6 周軒;黃璞;;基于云計算的OMS平臺移動業(yè)務測試系統(tǒng)[A];中國通信學會第六屆學術年會論文集（上）[C];2009年

7 張佳毅;俞鈞;沈小平;郁yN林;;移動互聯(lián)網(wǎng)在公共事業(yè)服務中的應用[A];2017智能電網(wǎng)信息化建設研討會論文集[C];2017年

8 張小強;楊放春;;一種基于網(wǎng)格的移動業(yè)務管理運營服務模型[A];2006年全國通信軟件學術會議論文集[C];2006年

9 武玉珍;;關于承載移動業(yè)務的傳輸網(wǎng)絡與固網(wǎng)傳輸網(wǎng)絡融合的探討[A];中國通信學會信息通信網(wǎng)絡技術委員會2009年年會論文集（下冊）[C];2009年

10 黃居林;;網(wǎng)絡型產業(yè)異質業(yè)務間質量戰(zhàn)略博弈分析[A];中國企業(yè)運籌學學術交流大會論文集[C];2007年

相關重要報紙文章 前10條

1 北京商報記者 陳維;索尼手機難改雞肋角色[N];北京商報;2016年

2 本報記者 黃楚婷;移動業(yè)務收入占比逾35% 運營商深耕流量迎收獲季[N];通信信息報;2016年

3 本報實習記者 楊揚;蝸牛移動:實名100% 期待轉正[N];通信產業(yè)報;2017年

4 本報記者 王政;聯(lián)想 領跑智能新時代[N];人民日報;2017年

5 張國憲 李秋君;不僅明算賬，而且算細賬[N];人民郵電;2017年

6 本報記者 徐然;聯(lián)想ZUK Z2 Pro發(fā)布 集團移動業(yè)務調整迎頭趕上？[N];21世紀經(jīng)濟報道;2016年

7 新金融記者 曹曉龍;聯(lián)想移動業(yè)務大手術[N];新金融觀察;2015年

8 李瀛寰;增值緣于整合移動業(yè)務[N];中國計算機報;2003年

9 謝勁良 翟羽佳;江西移動業(yè)務發(fā)展迅速[N];通信產業(yè)報;2001年

10 記者 溫艷萍　閻筠 通訊員 肖勁松;天津聯(lián)通率先整合全業(yè)務受理客服平臺[N];人民郵電;2009年

相關博士學位論文 前10條

1 宋琦;共享網(wǎng)絡條件下移動業(yè)務提供的關鍵問題研究[D];北京郵電大學;2006年

2 馬學思;受限玻爾茲曼機學習算法研究[D];北京郵電大學;2016年

3 楊玉軍;基于機器學習的時間序列模型研究及其應用[D];電子科技大學;2018年

4 魏永強;煤礦瓦斯監(jiān)測數(shù)據(jù)插值與預測研究[D];中國礦業(yè)大學(北京);2015年

5 郭珩;復雜網(wǎng)絡在非線性時間序列分析中的應用[D];華東師范大學;2018年

6 魯韻帆;隨機交互金融模型的構建及金融時間序列的統(tǒng)計分析[D];北京交通大學;2018年

7 丁超;MODIS時間序列重建方法與應用[D];中國地質大學(北京);2018年

8 潘玉青;基于NDVI時間序列的黃河中下游典型史前都邑性遺址的作物物候觀察[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

9 郝鵬宇;基于多時相遙感數(shù)據(jù)的農作物分類研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

10 喬海浪;基于NDVI時間序列重構的經(jīng)濟型人工林時空分布信息提取研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

相關碩士學位論文 前10條

1 任永攀;基于受限波爾茲曼機的移動業(yè)務預測模型研究與應用[D];北京郵電大學;2017年

2 王思遠;深度學習在移動業(yè)務預測中的研究與應用[D];北京郵電大學;2018年

3 孫鵬志;中國電信4G移動業(yè)務營銷策略研究[D];對外經(jīng)濟貿易大學;2016年

4 王大成;吉林移動業(yè)務支撐管理系統(tǒng)的設計與實現(xiàn)[D];吉林大學;2008年

5 張陸陸;吉林移動業(yè)務支撐管理體系改進研究[D];吉林大學;2012年

6 王其敏;移動業(yè)務撥測報表系統(tǒng)的設計與實現(xiàn)[D];北京郵電大學;2010年

7 羅東;3G時代南寧電信高校移動業(yè)務市場營銷策略研究[D];電子科技大學;2014年

8 杜彬;新型移動業(yè)務網(wǎng)絡多業(yè)務仿真平臺的設計與實現(xiàn)[D];北京郵電大學;2013年

9 呂俊生;山西聯(lián)通移動業(yè)務經(jīng)營分析系統(tǒng)設計與實現(xiàn)[D];北京郵電大學;2010年

10 孫南平;中國移動業(yè)務監(jiān)控體系研究[D];貴州大學;2008年

，

本文編號：2349059