【摘要】：隨著互聯(lián)信息時(shí)代的快速發(fā)展,移動(dòng)用戶業(yè)務(wù)需求量迅猛增加,使得移動(dòng)網(wǎng)絡(luò)的無(wú)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(dòng)網(wǎng)絡(luò)資源,準(zhǔn)確的業(yè)務(wù)量預(yù)測(cè)具有重要意義。本文通過(guò)對(duì)基于受限玻爾茲曼機(jī)(Restricted Boltzmann Machine,RBM)的深度學(xué)習(xí)方法進(jìn)行研究,進(jìn)而實(shí)現(xiàn)對(duì)移動(dòng)網(wǎng)絡(luò)業(yè)務(wù)量的預(yù)測(cè)。RBM可以視為一個(gè)無(wú)向圖雙層網(wǎng)絡(luò)模型,是一種有效的無(wú)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(jī)(Conditional Restricted Boltzmann Machine,CRBM)是在RBM的基礎(chǔ)上,進(jìn)一步考慮了時(shí)間范圍內(nèi)的圖像間關(guān)聯(lián)性,因而獲得了在圖像識(shí)別等方面更加優(yōu)越的性能。本文首先對(duì)基于RBM、CRBM的深度學(xué)習(xí)模型進(jìn)行了研究。提出一種新穎的基于RBM的深度信念網(wǎng)絡(luò)(Deep Belief Network,DBN)時(shí)間序列預(yù)測(cè)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(luò)(Feedforward Neural Network,FNN),頂層為錯(cuò)誤校正算法模塊。通過(guò)實(shí)驗(yàn)將該模型應(yīng)用于[Energy]、[Dollar]和[TAIEX]三個(gè)時(shí)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(jī)(Gaussian-Bernoulli Deep Boltzmann Machine, GDBM)的FNN模型相比,結(jié)果表明,本文所提出的DBN模型的預(yù)測(cè)精度有顯著提升�？紤]到CRBM具有時(shí)間關(guān)聯(lián)性的優(yōu)點(diǎn),本文進(jìn)一步提出了基于CRBM的深度DBN模型,并針對(duì)原始CRBM只適合如圖像等空間像素的輸入,并不適合時(shí)間序列預(yù)測(cè)中的時(shí)序數(shù)據(jù)輸入的特點(diǎn),提出一種新穎的輸入表達(dá),使得時(shí)序數(shù)據(jù)能夠適于在CRBM中的應(yīng)用。本文基于上述研究,分別將基于RBM的DBN模型和適于時(shí)序數(shù)據(jù)輸入的基于CRBM的DBN模型應(yīng)用于移動(dòng)業(yè)務(wù)量預(yù)測(cè)。選取現(xiàn)網(wǎng)熱點(diǎn)地區(qū)的10個(gè)小區(qū)用戶上報(bào)測(cè)量報(bào)告(MR),分別以20分鐘時(shí)間粒度為單位構(gòu)建時(shí)間序列,預(yù)測(cè)結(jié)果表明,80%的小區(qū)達(dá)到了 80%以上的預(yù)測(cè)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(xué)位授予單位】：北京郵電大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：F626;TP181

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;美國(guó)移動(dòng)業(yè)務(wù)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(shè) 推動(dòng)政企移動(dòng)業(yè)務(wù)規(guī)模發(fā)展[J];信息通信;2016年03期

3 游麗;;移動(dòng)業(yè)務(wù)社會(huì)渠道酬金開支效益提升方法分析[J];現(xiàn)代經(jīng)濟(jì)信息;2011年20期

4 姜華;;論手機(jī)終端與移動(dòng)業(yè)務(wù)間的七大關(guān)系[J];江蘇通信;2009年04期

5 汪琪,汪志剛;移動(dòng)業(yè)務(wù)系統(tǒng)及其開放業(yè)務(wù)接入[J];通訊世界;2003年12期

6 P、Dupuis;李華清;;世界移動(dòng)業(yè)務(wù)無(wú)線電管理會(huì)議的準(zhǔn)備工作[J];計(jì)算機(jī)與網(wǎng)絡(luò);1988年01期

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

8 ;移動(dòng)業(yè)務(wù)的普及彰顯固移融合新契機(jī)[J];通訊世界;2008年10期

9 Darren Murph;;米老鼠回來(lái)了：迪斯尼將在日本推出手機(jī)移動(dòng)業(yè)務(wù)[J];TWICE消費(fèi)電子商訊;2007年22期

10 理查德·沃曼;曹謙;;沃達(dá)豐剝離瑞士移動(dòng)業(yè)務(wù)[J];中國(guó)經(jīng)貿(mào);2006年12期

相關(guān)會(huì)議論文 前10條

1 金宏彬;馬智良;;基于用戶感知度的移動(dòng)業(yè)務(wù)評(píng)估體系和方法的探討[A];2007年中國(guó)通信學(xué)會(huì)“移動(dòng)增值業(yè)務(wù)與應(yīng)用”學(xué)術(shù)年會(huì)論文集[C];2007年

2 巴特爾;歐陽(yáng)曉峰;王修倫;;淺談移動(dòng)業(yè)務(wù)網(wǎng)絡(luò)發(fā)展和管理思路[A];《內(nèi)蒙古通信》2012年第1-4期[C];2012年

3 吳偉;;移動(dòng)業(yè)務(wù)應(yīng)用中的Java技術(shù)及其標(biāo)準(zhǔn)體系[A];2003’中國(guó)通信學(xué)會(huì)無(wú)線及移動(dòng)通信委員會(huì)學(xué)術(shù)年會(huì)論文集[C];2003年

4 楊金生;;移動(dòng)業(yè)務(wù)發(fā)展與業(yè)務(wù)支撐管理轉(zhuǎn)型的一點(diǎn)思考[A];2007年中國(guó)通信學(xué)會(huì)“移動(dòng)增值業(yè)務(wù)與應(yīng)用”學(xué)術(shù)年會(huì)論文集[C];2007年

5 ;提高移動(dòng)業(yè)務(wù)開通及時(shí)率 中國(guó)移動(dòng)通信集團(tuán)上海有限公司暢通無(wú)限QC小組[A];2007年度電子信息行業(yè)優(yōu)秀質(zhì)量管理小組成果質(zhì)量信得過(guò)班組經(jīng)驗(yàn)專集[C];2007年

6 周軒;黃璞;;基于云計(jì)算的OMS平臺(tái)移動(dòng)業(yè)務(wù)測(cè)試系統(tǒng)[A];中國(guó)通信學(xué)會(huì)第六屆學(xué)術(shù)年會(huì)論文集（上）[C];2009年

7 張佳毅;俞鈞;沈小平;郁yN林;;移動(dòng)互聯(lián)網(wǎng)在公共事業(yè)服務(wù)中的應(yīng)用[A];2017智能電網(wǎng)信息化建設(shè)研討會(huì)論文集[C];2017年

8 張小強(qiáng);楊放春;;一種基于網(wǎng)格的移動(dòng)業(yè)務(wù)管理運(yùn)營(yíng)服務(wù)模型[A];2006年全國(guó)通信軟件學(xué)術(shù)會(huì)議論文集[C];2006年

9 武玉珍;;關(guān)于承載移動(dòng)業(yè)務(wù)的傳輸網(wǎng)絡(luò)與固網(wǎng)傳輸網(wǎng)絡(luò)融合的探討[A];中國(guó)通信學(xué)會(huì)信息通信網(wǎng)絡(luò)技術(shù)委員會(huì)2009年年會(huì)論文集（下冊(cè)）[C];2009年

10 黃居林;;網(wǎng)絡(luò)型產(chǎn)業(yè)異質(zhì)業(yè)務(wù)間質(zhì)量戰(zhàn)略博弈分析[A];中國(guó)企業(yè)運(yùn)籌學(xué)學(xué)術(shù)交流大會(huì)論文集[C];2007年

相關(guān)重要報(bào)紙文章 前10條

1 北京商報(bào)記者 陳維;索尼手機(jī)難改雞肋角色[N];北京商報(bào);2016年

2 本報(bào)記者 黃楚婷;移動(dòng)業(yè)務(wù)收入占比逾35% 運(yùn)營(yíng)商深耕流量迎收獲季[N];通信信息報(bào);2016年

3 本報(bào)實(shí)習(xí)記者 楊揚(yáng);蝸牛移動(dòng):實(shí)名100% 期待轉(zhuǎn)正[N];通信產(chǎn)業(yè)報(bào);2017年

4 本報(bào)記者 王政;聯(lián)想 領(lǐng)跑智能新時(shí)代[N];人民日?qǐng)?bào);2017年

5 張國(guó)憲 李秋君;不僅明算賬，而且算細(xì)賬[N];人民郵電;2017年

6 本報(bào)記者 徐然;聯(lián)想ZUK Z2 Pro發(fā)布 集團(tuán)移動(dòng)業(yè)務(wù)調(diào)整迎頭趕上？[N];21世紀(jì)經(jīng)濟(jì)報(bào)道;2016年

7 新金融記者 曹曉龍;聯(lián)想移動(dòng)業(yè)務(wù)大手術(shù)[N];新金融觀察;2015年

8 李瀛寰;增值緣于整合移動(dòng)業(yè)務(wù)[N];中國(guó)計(jì)算機(jī)報(bào);2003年

9 謝勁良 翟羽佳;江西移動(dòng)業(yè)務(wù)發(fā)展迅速[N];通信產(chǎn)業(yè)報(bào);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(wù)受理客服平臺(tái)[N];人民郵電;2009年

相關(guān)博士學(xué)位論文 前10條

1 宋琦;共享網(wǎng)絡(luò)條件下移動(dòng)業(yè)務(wù)提供的關(guān)鍵問(wèn)題研究[D];北京郵電大學(xué);2006年

2 馬學(xué)思;受限玻爾茲曼機(jī)學(xué)習(xí)算法研究[D];北京郵電大學(xué);2016年

3 楊玉軍;基于機(jī)器學(xué)習(xí)的時(shí)間序列模型研究及其應(yīng)用[D];電子科技大學(xué);2018年

4 魏永強(qiáng);煤礦瓦斯監(jiān)測(cè)數(shù)據(jù)插值與預(yù)測(cè)研究[D];中國(guó)礦業(yè)大學(xué)(北京);2015年

5 郭珩;復(fù)雜網(wǎng)絡(luò)在非線性時(shí)間序列分析中的應(yīng)用[D];華東師范大學(xué);2018年

6 魯韻帆;隨機(jī)交互金融模型的構(gòu)建及金融時(shí)間序列的統(tǒng)計(jì)分析[D];北京交通大學(xué);2018年

7 丁超;MODIS時(shí)間序列重建方法與應(yīng)用[D];中國(guó)地質(zhì)大學(xué)(北京);2018年

8 潘玉青;基于NDVI時(shí)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(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

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

10 喬海浪;基于NDVI時(shí)間序列重構(gòu)的經(jīng)濟(jì)型人工林時(shí)空分布信息提取研究[D];中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所);2017年

相關(guān)碩士學(xué)位論文 前10條

1 任永攀;基于受限波爾茲曼機(jī)的移動(dòng)業(yè)務(wù)預(yù)測(cè)模型研究與應(yīng)用[D];北京郵電大學(xué);2017年

2 王思遠(yuǎn);深度學(xué)習(xí)在移動(dòng)業(yè)務(wù)預(yù)測(cè)中的研究與應(yīng)用[D];北京郵電大學(xué);2018年

3 孫鵬志;中國(guó)電信4G移動(dòng)業(yè)務(wù)營(yíng)銷策略研究[D];對(duì)外經(jīng)濟(jì)貿(mào)易大學(xué);2016年

4 王大成;吉林移動(dòng)業(yè)務(wù)支撐管理系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];吉林大學(xué);2008年

5 張陸陸;吉林移動(dòng)業(yè)務(wù)支撐管理體系改進(jìn)研究[D];吉林大學(xué);2012年

6 王其敏;移動(dòng)業(yè)務(wù)撥測(cè)報(bào)表系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2010年

7 羅東;3G時(shí)代南寧電信高校移動(dòng)業(yè)務(wù)市場(chǎng)營(yíng)銷策略研究[D];電子科技大學(xué);2014年

8 杜彬;新型移動(dòng)業(yè)務(wù)網(wǎng)絡(luò)多業(yè)務(wù)仿真平臺(tái)的設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2013年

9 呂俊生;山西聯(lián)通移動(dòng)業(yè)務(wù)經(jīng)營(yíng)分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)[D];北京郵電大學(xué);2010年

10 孫南平;中國(guó)移動(dòng)業(yè)務(wù)監(jiān)控體系研究[D];貴州大學(xué);2008年

，

本文編號(hào)：2349059