時間序列在現(xiàn)實生活中普遍存在,是一種常見的數(shù)據(jù)表達形式,應(yīng)用范圍極其廣泛,利用各種數(shù)學(xué)模型或算法挖掘出序列的內(nèi)在特性,以此對生產(chǎn)生活進一步指導(dǎo),也逐漸成為學(xué)術(shù)和工業(yè)上的熱點,尤其在當(dāng)今大數(shù)據(jù)、云計算的時代條件下,時間序列也越來越呈現(xiàn)出高維度、長數(shù)據(jù)、維度高相關(guān)、信息冗余等特點。因此,研究如何通過新的高效的分析和計算方法來預(yù)測多變量時間序列具有重要意義。本論文的主要研究工作和創(chuàng)新點如下:首先,本論文提出了基于改進的廣義回歸神經(jīng)網(wǎng)絡(luò)的多變量時間序列預(yù)測算法。利用廣義回歸神經(jīng)網(wǎng)絡(luò)算法對多變量時間序列進行預(yù)測,調(diào)節(jié)參數(shù)少,節(jié)省了計算資源。接著,結(jié)合粒子群算法,更精準(zhǔn)地找到合適的平滑因子,實驗結(jié)果表明,該算法的預(yù)測精度與常用的主流模型相比有明顯的提升。其次,本論文設(shè)計了基于受限玻爾茲曼機-寬度學(xué)習(xí)的多變量時間序列預(yù)測算法。采用寬度學(xué)習(xí)扁平化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過求偽逆方法,避免了深度學(xué)習(xí)梯度下降帶來的問題,加快了運算速度。同時,在映射層使用受限玻爾茲曼機,通過無監(jiān)督學(xué)習(xí),獲得降維或者加深維度的映射單元,得到豐富而分散的映射特征。與典型受限玻爾茲曼機相比,高斯伯努利受限玻爾茲曼機在處理實值輸入數(shù)據(jù)集方... 

【文章來源】：南京郵電大學(xué)江蘇省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

流量觀測圖

Mean_Num_RRC_User RRC 連接平均用戶數(shù) 表 3.4 中呈現(xiàn)了采集的 LTE 話務(wù)量數(shù)據(jù)集變量及其含義�！癉L_Volume”表示 LTE 網(wǎng)絡(luò)中，蜂窩小區(qū)下行 PDCP 進行數(shù)據(jù)接收，PDCP SDU 解析的 LTE 話務(wù)量值，單位是 KByte�！癕ax_Num_RRC_User”表示無線資源控制（Radio Resource Control，RRC）連接的最大用戶數(shù)�！癕ax_Active_User”表示用戶面上最大激活用戶數(shù)，“DL_64QAM_Usage”表示 LTE 網(wǎng)絡(luò)中下行調(diào)制 64 正交幅相調(diào)制（Quadrature Amplitude Modulation，簡化為 QAM）占比�！癆vg_Active_User”用戶面上平均激活用戶數(shù)，“DL_Uti_Rate”表示 FDD-LTE 下行 PRB 利用率，“Traffic_Avg_Rate”表示 LTE 整個小區(qū)下行 PDCP 平均速率，“Mean_Num_RRC_User”表示無線資源控制連接的平均用戶數(shù)。

XGBOOST模型流量預(yù)測

【參考文獻】：
期刊論文
[1]基于LSH的時間序列DTW相似性查詢[J]. 李敏,于長永,張峰,馬海濤,趙宇海.  小型微型計算機系統(tǒng). 2019(10)
[2]基于GRU-RNN模型的城市主干道交通時間預(yù)測[J]. 張銘坤,王昕.  北京信息科技大學(xué)學(xué)報(自然科學(xué)版). 2019(04)
[3]基于EMD改進的Elman神經(jīng)網(wǎng)絡(luò)對股票的短期預(yù)測模型[J]. 吳曼曼,徐建新.  計算機工程與科學(xué). 2019(06)
[4]基于全注意力機制的多步網(wǎng)絡(luò)流量預(yù)測[J]. 郭佳,余永斌,楊晨陽.  信號處理. 2019(05)
[5]全球5G發(fā)展綜述[J]. 武文星,劉瑞婷.  數(shù)字通信世界. 2019(05)
[6]時間序列預(yù)測技術(shù)綜述[J]. 何亞磊,許乾坤.  信息通信. 2018(11)
[7]下一代移動通信技術(shù)發(fā)展趨勢[J]. 王鵬.  中國新通信. 2018(17)
[8]利用二次移動平均法的GM（1,1）模型和Kalman濾波在沉降監(jiān)測應(yīng)用中的比較分析[J]. 伍錫銹.  測繪與空間地理信息. 2018(07)
[9]基于迭代決策樹（GBDT）短期負荷預(yù)測研究[J]. 鄭凱文,楊超.  貴州電力技術(shù). 2017(02)
[10]基于粒子群-支持向量機的時間序列分類診斷模型[J]. 張濤,張明輝,李清偉,張玥杰.  同濟大學(xué)學(xué)報(自然科學(xué)版). 2016(09)

博士論文
[1]基于EMD和BoF模型的時間序列數(shù)據(jù)挖掘及應(yīng)用[D]. 黃煒平.浙江大學(xué) 2018
[2]時間序列數(shù)據(jù)挖掘中的維數(shù)約簡與預(yù)測方法研究[D]. 孫友強.中國科學(xué)技術(shù)大學(xué) 2014

碩士論文
[1]基于循環(huán)神經(jīng)網(wǎng)絡(luò)的時間序列預(yù)測方法研究[D]. 張旭.南京大學(xué) 2019
[2]基于生成對抗網(wǎng)絡(luò)的流量預(yù)測研究[D]. 戴文倩.上海師范大學(xué) 2019
[3]基于WI-FI技術(shù)的網(wǎng)絡(luò)電話通信系統(tǒng)的設(shè)計與研究[D]. 楊震.天津工業(yè)大學(xué) 2017
[4]移動通信網(wǎng)流量數(shù)據(jù)分析及預(yù)測研究[D]. 張雁欽.中國科學(xué)技術(shù)大學(xué) 2016
[5]基于分布式計算的時間序列異常檢測[D]. 吳亞飛.上海交通大學(xué) 2016
[6]時間序列指數(shù)平滑算法的改進研究[D]. 李穎.遼寧工程技術(shù)大學(xué) 2009



本文編號：3278206