买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

摘要：本发明公开了一种基于TVF‑EMD‑LSTM模型的蜂窝基站网络流量预测方法，所述制备方法包括以下步骤：采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；利用TVF‑EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；利用MATLAB对蜂窝基站流量分量信号imfn进行TVF‑EMD‑LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp。本发明将TVF‑EMD算法与LSTM深度学习网络结合，能够预测蜂窝网络流量的时空分布信息，有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。

主权项：1.一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，包括以下步骤：S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn进行TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp，包括：S31、对蜂窝基站流量分量信号imfn分别进行归一化处理并分组；S32、根据蜂窝基站流量分量信号imfn的特性，网络的结构依次包括输入层、lstm层、全连接层和回归层；S33、在所述网络构架的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yfn；S34、对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个yn叠加形成最终的基站流量预测结果yp。

全文数据：一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法技术领域本发明涉及蜂窝网络流量预测方法技术领域，更具体的说是涉及一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。背景技术目前，当今的无线通信网络设备是按照随时都能够满足最大流量负载或最差通信环境的原则而设计的，在普通情况下通信网络的能量利用率较低，造成了大量的能源浪费，如何有效地利用能量资源成为节能技术研究的重点和难点。针对蜂窝基站流量进行高效准确的预测，从而进行功率控制，基站休眠等一系列基站节能技术成为解决这一问题的重要方向。其中如何对蜂窝基站流量进行高效准确的预测是关键。最早的基站网络流量过程相对简单，基站网络流量预测模型多采用线性预测模型，如自回归模型、马尔科夫调制和复合的泊松过程；随着网络的日益复杂化，由于传统的线性网络流量预测模型都是基于短相关原理的，无法对长相关特性进行描述，因此传统的线性流量预测模型已经不适合模拟现在的自相似网络流量序列了。如今非线性智能预测算法开始被广泛应用于建模和预测领域。包括：神经网络理论、支持向量回归机方法、小波分析法、混沌理论、模糊方法等，且已经在交通、能源、气象等预测领域被实际应用。基站网络流量的时空分布特性表现为波动强烈的非线性时间序列,目前,神经网络和其他机器学习算法,能通过基站网络流量的历史时间序列进行分析预测，并得到了广泛的应用。然而,这些采用智能化算法直接建模的单一预测方法由于缺乏对基站网络流量本质变化规律的把握,很难从根本上取得较高的预测精度,往往会在基站网络流量变化剧烈的预测点产生较大的误差。近年来经验模态分解EmpiricalModeDecomposition,EMD和神经网络结合的各种组合预测方法在时序序列预测方面取得了成功的应用,实验结果证明与单一预测方法相比,组合预测方法可以有效的提高预测精度。然而,EMD缺乏严格的理论支撑,且其过包络和欠包络等问题易导致模态混叠现象,导致分解结果的有效性不能保证,也增加了组合预测的计算规模。针对EMD所存在的问题，提出了基于自适应时变滤波的经验模态分解方法TVF-EMD，来解决模态混叠问题。长短期记忆深度学习网络LSTMLongShort-TermMemory，是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。因此，如何提供一种基于TVF-EMD-LSTM模型的精度较高的蜂窝基站网络流量预测方法是本领域技术人员亟需解决的问题。发明内容有鉴于此，本发明提供了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。为了实现上述目的，本发明采用如下技术方案：一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述制备方法包括以下步骤：S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn进行TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp。优选的，所述步骤S1的具体过程如下：S11、数据采集：采集某蜂窝基站的网络流量数据，以固定时间间隔采集。S12、预处理：对蜂窝基站网络流量数据进行数据清洗处理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x；优选的，所述步骤S2的具体过程如下：S21、希尔伯特变换：对蜂窝基站网络流量时序序列xt进行希尔伯特变换，变换结果记为vt，则得到的解析信号Yt表示为两个信号分量相加，即：式中，At表示瞬时幅度，表示瞬时频率；S22、根据解析信号中瞬时幅度At的极大值点和极小值点，计算获得B样条曲线函数：确定瞬时幅度At的局部极小值点和极大值点，分别表示为{tmin}和{tmax}，并分别计算其B样条曲线函数b1t和b2t，即：b1t＝|a1t-a2t|；b2t＝a1t+a2t；则a1t＝b1t+b2t2；a2t＝b2t-b1t2；S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函数wt；S24、对余弦函数wt应用B样条逼近滤波，即将余弦函数wt的局部极值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用B样条近似滤波器对蜂窝基站网络流量时序序列xt进行滤波，得到滤波结果bwt；S25、计算截止频率θt：式中BLt表示Loughlin瞬时带宽，表示加权平均瞬时频率；S26、判断：如果θt≤ɑ，则xt作为一个IMF分量，否则令xt＝xt-bwt,并重复S21-S26的步骤；优选的，所述步骤S3的具体过程如下：S31、对蜂窝基站流量分量信号imfn分别进行归一化处理并分组；S32、根据蜂窝基站流量分量信号imfn的特性，网络的结构依次包括输入层、lstm层、全连接层和回归层。S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yfn。S34、对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个yn叠加形成最终的基站流量预测结果yp；优选的，所述网络结构中输入层节点数为1，LSTM层节点数为30，全连接层大小为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态；优选的，所述网络结构学习算法采用adma算法，并利用平均绝对误差法进行学习效果评估。经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。针对模态混叠现象，本发明提出了基于自适应时变滤波的经验模态分解方法TVF-EMD，保证了分解结果的有效性。长短期记忆深度学习网络LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。因此本发明中LSTM系统可以有效的完成预测时序序列，且能有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1附图为本发明提供的程序流程框图。图2附图为本发明提供的仿真实验中每个分量的原值以及预测值对比。图3附图为本发明蜂窝基站流量分量信号imfn叠加重构形成最终基站流量预测结果yp，预测序列橙色与原序列蓝色对比图。图4附图为使用传统的lstm预测方法预测的预测序列橙色与原序列蓝色结果对比图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。本发明实施例公开了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集：数据集采用某基站2018.01.01-2018.03.11七十天的流量数据，每一小时为一个数据记录点，共1680个数据点；进一步对蜂窝基站网络流量数据进行数据清洗处理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x；S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn，进一步的所述S2包括以下步骤：S21、希尔伯特变换：蜂窝基站网络流量时序序列记为xt，对蜂窝基站网络流量时序序列xt进行希尔伯特变换，变换结果记为vt；则得到解析信号Yt,即其中瞬时幅度瞬时频率同样Yt可表示为两个信号分量相加，即：S22、根据解析信号中瞬时幅度At的极大值点和极小值点，计算获得B样条曲线函数：确定瞬时幅度At的局部极小值点和极大值点，分别表示为{tmin}和{tmax}，之后利用极小值点的集合{tmin}作为节点计算其B样条曲线函数b1t，利用极大值点的集合{tmax}作为节点计算其B样条曲线函数b2t，即：b1t＝|a1t-a2t|；b2t＝a1t+a2t；则a1t＝b1t+b2t2；a2t＝b2t-b1t2；S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函数wt：S231、计算：其中，表示的导数。S232、利用以下四个公式计算得出|a1tmin-a2tmin|＝Atmina1'tmin-a2'tmin＝0S233、利用以下四个公式计算得出φ1tmax,φ2tmax,a1tmax,a2tmax：a1tmax+a2tmax＝Atmaxa1'tmax+a2'tmax＝0S234、计算：S235、计算：S236、计算和的平均数S237、根据平均数确定余弦函数wt：S24、对余弦函数wt应用B样条逼近滤波，即将余弦函数wt的局部极值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用该B样条近似滤波器对蜂窝基站网络流量时序序列xt进行滤波，得到滤波结果bwt；S241、计算加权平均瞬时频率S242、计算Loughlin瞬时带宽BLt:S25、计算截止频率θt：S26、如果θt≤ɑ，通常ɑ设定为0.1，则xt作为一个IMF分量，否则令xt＝xt-bwt,并重复S21-S26的步骤；S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn利用matlab进行TVF-EMD-LSTM深度学习网络框架的搭建；S31、归一化处理：对蜂窝基站流量分量信号imfn分别进行归一化处理,将前80％的数据作为训练样本集大小为1344,其余数据作为测试样本集，记前1343个数据为xtrain,第2-1344的数据序列记为ytrain，1344-1679的数据序列记为xtest，1345-1680的数据序列记为ytest；S32、网络的结构与参数设定：根据蜂窝基站流量分量信号imfn的特性，网络的结构与参数设定如下：网络结构依次为：输入层，lstm层，全连接层，回归层；其中输入层节点数为1，LSTM层节点数为30，全连接层节点数为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态；每一个时刻,cell单元通过3个门接受当前状态和上一时刻的隐藏状态,同时接收上一时刻cell单元的状态,通过计算得到新的cell单元的状态,最后通过激活函数和输出门进行输出；S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yfn。其方法及参数设置如下：学习算法采用adma算法；最大迭代次数：200；输入门、遗忘门和输出门的激活函数为：sigmoid；cell单元的状态激活函数为tanh；初始学习率：0.005；梯度阈值：1；网络评估方法：平均绝对误差法RMSE；S34、反归一化：对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个yn叠加形成最终的基站流量预测结果yp；经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法。预处理去除无效数据点，补充数据断点，使实验数据平滑稳定，有效减小误差，保证了数据的完整性和准确性。针对模态混叠现象，本发明提出了基于自适应时变滤波的经验模态分解方法TVF-EMD，保证了分解结果的有效性。长短期记忆深度学习网络LSTM是一种时间递归神经网络，适合于处理和预测时间序列中间隔和延迟相对较长的重要事件。因此本发明中LSTM系统可以有效的完成预测时序序列，且能有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。以下通过仿真实验，对本发明的技术效果作进一步说明，并与传统的lstm网络进行对比：1、仿真环境：Windows7系统，cpu：intel-i5，gpu:GeforceGT1030,仿真软件：matlab2018a；2、依照上述步骤搭建网络，输入数据集x，结果如下：1共形成10个imf分量，每个分量的原值以及预测值见图21至图210所示；2蜂窝基站流量分量信号imfn叠加重构形成最终基站流量预测结果yp，预测序列橙色与原序列蓝色对比，如图3所示；3、利用传统的lstm预测方法，实验结果如图4所示；4、仿真结果分析利用本发明和传统的lstm流量预测方法分别对测试样本集进行仿真预测,使用平均绝对误差MAE、均方误差RMSE、相关系数R2R平方进行性能结果对比，如表一所示：表一仿真预测结果对比表MAERMSER2本发明方法22.4431.20680.99传统lstm方法93.74122.85090.8462如表一所示,通过上述仿真实验得出实验结果，利用传统lstm方法得到的平均绝对误差是本发明方法的四倍多，均方误差是本发明方法的四倍左右，且利用本发明方法得到的相关系数R2比利用传统lstm方法得到的相关系数R2更加接近于1，表明本发明的预测误差较小且线性相关程度较高。由上述实验分析可知，本发明预测误差明显低于传统lstm预测方法,验证了本发明对于蜂窝基站网络流量预测精度具有明显的提升效果，且本发明的线性相关程度较高，有效解决现有的蜂窝基站网络流量预测方法中预测精度低且在变化剧烈的预测点易产生较大误差的问题。本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

权利要求：1.一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述制备方法包括以下步骤：S1、采集流量数据并进行预处理，形成蜂窝基站网络流量数据集；S2、利用TVF-EMD算法对蜂窝基站网络流量数据集进行分解重构形成蜂窝基站流量分量信号imfn；S3、针对经TVF-EMD分解的蜂窝基站流量分量信号imfn进行TVF-EMD-LSTM深度学习网络构架的搭建，形成最终的基站流量预测结果yp。2.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S1的具体过程如下：S11、数据采集：采集蜂窝基站的网络流量数据，以固定时间间隔采集。S12、预处理：对蜂窝基站网络流量数据进行数据清洗处理，去除无效数据点，补充数据断点，形成蜂窝基站网络流量数据集x。3.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S2的具体过程如下：S21、希尔伯特变换：对蜂窝基站网络流量时序序列xt进行希尔伯特变换，变换结果记为vt，则得到的解析信号Yt表示为两个信号分量相加，即：式中，At表示瞬时幅度，表示瞬时频率；S22、根据解析信号中瞬时幅度At的极大值点和极小值点，计算获得B样条曲线函数：确定瞬时幅度At的局部极小值点和极大值点，分别表示为{tmin}和{tmax}，并分别计算其B样条曲线函数b1t和b2t，即：b1t＝|a1t-a2t|；b2t＝a1t+a2t；则a1t＝b1t+b2t2；a2t＝b2t-b1t2；S23、对所述B样条曲线函数进行变形计算，进一步得到积分后的余弦函数wt；S24、对余弦函数wt应用B样条逼近滤波，即将余弦函数wt的局部极值点形成集合，将极值点作为节点，计算B样条近似滤波器，利用B样条近似滤波器对蜂窝基站网络流量时序序列xt进行滤波，得到滤波结果bwt；S25、计算截止频率θt：式中BLt表示Loughlin瞬时带宽，表示加权平均瞬时频率；S26、判断：如果θt≤a，则xt作为一个IMF分量，否则令xt＝xt-bwt,并重复S21-S26的步骤。4.根据权利要求1所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述步骤S3的具体过程如下：S31、对蜂窝基站流量分量信号imfn分别进行归一化处理并分组；S32、根据蜂窝基站流量分量信号imfn的特性，网络的结构依次包括输入层、lstm层、全连接层和回归层。S33、在所述网络结构的基础上，利用adma算法对输入信号，即IMF分量进行迭代学习，将蜂窝基站流量分量信号imfn序列逐个输入网络进行训练与结果预测，输出序列预测序列记为yfn。S34、对输出序列预测序列yfn进行反归一化处理，结果记为yn，将各个yn叠加形成最终的基站流量预测结果yp。5.根据权利要求4所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络结构中输入层节点数为1，LSTM层节点数为30，全连接层大小为1；其中lstm层的cell单元包括三个门结构，即输入门、遗忘门和输出门,用于控制cell单元的状态。6.根据权利要求4所述的一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法，其特征在于，所述网络结构学习算法采用adma算法，并利用平均绝对误差法进行学习效果评估。

百度查询： 盐城吉研智能科技有限公司 一种基于TVF-EMD-LSTM模型的蜂窝基站网络流量预测方法