隨著工信部向三大運(yùn)營商頒發(fā)了5G商用牌照,中國的5G通信網(wǎng)絡(luò)基礎(chǔ)設(shè)施建設(shè)正式拉開序幕,在2020年3月的中共中央政治局常委會(huì)議提出加快5G網(wǎng)絡(luò)、數(shù)據(jù)中心新型技術(shù)設(shè)施建設(shè),即新基建將進(jìn)入大規(guī)模建設(shè)階段。無論在5G通信基礎(chǔ)設(shè)施建設(shè)還是在新基建工程中均涉及通信網(wǎng)絡(luò)、數(shù)據(jù)中心等網(wǎng)絡(luò)工程的建設(shè),而對城市網(wǎng)絡(luò)流量預(yù)測,是此類工程項(xiàng)目進(jìn)行科學(xué)規(guī)劃的前提和關(guān)鍵。在進(jìn)行新的通信基礎(chǔ)設(shè)施建設(shè)時(shí),對原有通信設(shè)施的擴(kuò)容建設(shè)是一種必不可少的手段,通過對擴(kuò)容工程進(jìn)行優(yōu)化,能夠在工程建設(shè)目標(biāo)的基礎(chǔ)上大大減少工程的建設(shè)成本,同時(shí)提高工程的建設(shè)效率。以科學(xué)準(zhǔn)確的預(yù)測城域網(wǎng)流量為基礎(chǔ),依據(jù)預(yù)測結(jié)果對網(wǎng)絡(luò)擴(kuò)容工程進(jìn)行優(yōu)化,對城域網(wǎng)擴(kuò)容工程具有非常重要的意義。本文首先對D運(yùn)營商城域網(wǎng)建設(shè)情況進(jìn)行介紹,并對流量預(yù)測和擴(kuò)容工程優(yōu)化的方法進(jìn)行了介紹和分析,然后對城域網(wǎng)流量預(yù)測進(jìn)行研究,分析傳統(tǒng)的預(yù)測方法和智能預(yù)測方法,并確定使用循環(huán)神經(jīng)網(wǎng)絡(luò),建立了基于循環(huán)神經(jīng)網(wǎng)絡(luò)的城域網(wǎng)流量預(yù)測模型,選擇合適的誤差分析方法,對相關(guān)函數(shù)及優(yōu)化器進(jìn)行分析,選擇最優(yōu)組合,從而提高了城域網(wǎng)流量預(yù)測的準(zhǔn)確性。在流量預(yù)測的基礎(chǔ)上對城域網(wǎng)網(wǎng)絡(luò)擴(kuò)容工程的優(yōu)化進(jìn)行... 

【文章來源】：華北電力大學(xué)河北省 211工程院校 教育部直屬院校

【文章頁數(shù)】：66 頁

【學(xué)位級別】：碩士

【部分圖文】：

研究內(nèi)容框架圖

華北電力大學(xué)碩士學(xué)位論文17圖2-2LeNet5結(jié)構(gòu)圖該網(wǎng)絡(luò)是由YannLeCun于1998年提出，它最早是應(yīng)用于手寫體字的識別的卷積神經(jīng)網(wǎng)絡(luò)，在手寫體數(shù)據(jù)集合上可以達(dá)到約為98%的正確率。LeNet網(wǎng)絡(luò)總共有7層，其中卷積層為C1層，C3層，C5層，池化層為S2，S4，全連接層為F6。卷積層的主要作用是提取輸入數(shù)據(jù)集合中的特征，它的內(nèi)部包含有多個(gè)卷積核，組成卷積核的每個(gè)元素都對應(yīng)一個(gè)權(quán)重系數(shù)和一個(gè)偏差量，類似于一個(gè)前饋神經(jīng)網(wǎng)絡(luò)的神經(jīng)元。在卷積層完成特征提取后，輸出的特征圖將被傳遞至池化層進(jìn)行特征選擇和信息過濾。在某種意義上，池化層的工作方式非常類似于離散卷積。池化層主要采用降采樣操作，將特征圖中單個(gè)點(diǎn)的結(jié)果替換為其相鄰區(qū)域的特征圖統(tǒng)計(jì)量。這樣減少了后續(xù)層需要處理的參數(shù)量，降低了特征的維度，加快了網(wǎng)絡(luò)的學(xué)習(xí)速率[51]。目前，常見的池化方式有最大值池化，平均值池化等。全連接層位于卷積神經(jīng)網(wǎng)絡(luò)隱含層的最后部分，它只向其它全連接層進(jìn)行信號的傳遞。其主要的作用是將神經(jīng)網(wǎng)絡(luò)中所學(xué)到的“特征表示”映射到樣本標(biāo)記空間。（2）支持向量機(jī)支持向量機(jī)（SVM）是近幾年被人們十分關(guān)注的一種算法，是以統(tǒng)計(jì)學(xué)為基礎(chǔ)，能夠解決傳統(tǒng)統(tǒng)計(jì)學(xué)所需的無限樣本的缺陷以及有限樣本的機(jī)器學(xué)習(xí)中存在的局部極小值和高維數(shù)等問題。在處理高維數(shù)據(jù)時(shí)該模型具有非常優(yōu)質(zhì)的性能，并且具有良好的泛化性能。支持向量機(jī)從發(fā)展起來以后一直被廣泛的用于解決分類及回歸問題，其支持向量機(jī)回歸模型通常被用于數(shù)據(jù)預(yù)測領(lǐng)域，并且預(yù)測的精準(zhǔn)度較高，具很好的應(yīng)用價(jià)值[52]。SVM就是通過非線形變換將樣本空間映射到高維特征空間H（Hilbert空間），

的時(shí)序信息和詞語含義信息的深度表達(dá)的能力。循環(huán)神經(jīng)網(wǎng)絡(luò)最初設(shè)計(jì)就是為了表示一個(gè)序列當(dāng)前的輸出與之前輸入的信息關(guān)系。從網(wǎng)絡(luò)結(jié)構(gòu)上看，循環(huán)神經(jīng)網(wǎng)絡(luò)會(huì)保存前面輸入的信息，并利用之前的信息對后面結(jié)點(diǎn)的輸出進(jìn)行影響。也就是說，循環(huán)神經(jīng)網(wǎng)絡(luò)的隱藏層之間的結(jié)點(diǎn)是有連接的，隱藏層的輸入不僅包括輸入層的輸出，還包括上一時(shí)刻隱藏層的輸出[53]。這樣做相當(dāng)于賦予網(wǎng)絡(luò)記憶，使得當(dāng)前的輸出依賴于當(dāng)前的輸入和記憶。RNN 有如下特點(diǎn) 1)能夠處理序列化數(shù)據(jù)，隱層神經(jīng)元之間也有權(quán)連接 2)權(quán)值共享，輸入層，隱層，輸出層的權(quán)值在不同序列中都相同 3)每一個(gè)輸入值只與它本身的那條線路建立權(quán)連接，不與別的神經(jīng)元連接 經(jīng)典 RNN 結(jié)構(gòu)圖如下圖。

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN-XGBoost的短時(shí)交通流預(yù)測[J]. 葉景,李麗娟,唐臻旭.  計(jì)算機(jī)工程與設(shè)計(jì). 2020(04)
[2]一種基于卷積神經(jīng)網(wǎng)絡(luò)模型融合的織物疵點(diǎn)檢測方法[J]. 蔡鵬,楊磊,羅俊麗.  北京服裝學(xué)院學(xué)報(bào)(自然科學(xué)版). 2020(01)
[3]基于改進(jìn)粒子群算法的月地轉(zhuǎn)移軌道優(yōu)化[J]. 李遠(yuǎn)平,蔡遠(yuǎn)利,李濟(jì)生.  工程力學(xué). 2020(03)
[4]TD-LTE網(wǎng)絡(luò)擴(kuò)容策略及方法[J]. 程璇.  中國新通信. 2020(03)
[5]基于LSTM循環(huán)神經(jīng)網(wǎng)絡(luò)的泊位需求短時(shí)預(yù)測研究[J]. 裘瑞清,周后盤,吳輝,阮益權(quán),石敏.  自動(dòng)化技術(shù)與應(yīng)用. 2019(11)
[6]面向5G業(yè)務(wù)承載的新型智能城域網(wǎng)重構(gòu)與思考[J]. 王明蓉,王斌,王林.  通信與信息技術(shù). 2019(06)
[7]5G確定性網(wǎng)絡(luò)的應(yīng)用和傳送技術(shù)[J]. 趙福川,劉愛華,周華東.  中興通訊技術(shù). 2019(05)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究與設(shè)計(jì)[J]. 王立凱.  通信電源技術(shù). 2019(07)
[9]提升4G無線網(wǎng)擴(kuò)容方案準(zhǔn)確度研究[J]. 劉詩虎,王勇.  信息通信. 2019(06)
[10]基于MAWILab數(shù)據(jù)集的短期網(wǎng)絡(luò)流量預(yù)測[J]. 強(qiáng)延飛,劉雅婷,王永程,谷源濤.  計(jì)算機(jī)仿真. 2019(05)

碩士論文
[1]基于支持向量機(jī)煤灰熔融特性及低溫受熱面積灰監(jiān)測[D]. 陳裕輝.華北電力大學(xué)(北京) 2019



本文編號：3499787