论文部分内容阅读
随着互联信息时代的快速发展,移动用户业务需求量迅猛增加,使得移动网络的无线资源显得日趋紧张。为了更加有效合理地利用有限的移动网络资源,准确的业务量预测具有重要意义。本文通过对基于受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的深度学习方法进行研究,进而实现对移动网络业务量的预测。RBM可以视为一个无向图双层网络模型,是一种有效的无监督特征提取方法,常用于图像数据特征的提取,而条件受限玻尔兹曼机(Conditional Restricted Boltzmann Machine,CRBM)是在RBM的基础上,进一步考虑了时间范围内的图像间关联性,因而获得了在图像识别等方面更加优越的性能。本文首先对基于RBM、CRBM的深度学习模型进行了研究。提出一种新颖的基于RBM的深度信念网络(Deep Belief Network,DBN)时间序列预测模型,该模型主要由三部分组成:底层包含两层高斯伯努利RBM模块,中间层为前馈神经网络(Feedforward Neural Network,FNN),顶层为错误校正算法模块。通过实验将该模型应用于[Energy]、[Dollar]和[TAIEX]三个时间序列数据集,并与传统的FNN模型以及基于高斯伯努利深度玻尔兹曼机(Gaussian-Bernoulli Deep Boltzmann Machine, GDBM)的FNN模型相比,结果表明,本文所提出的DBN模型的预测精度有显著提升。考虑到CRBM具有时间关联性的优点,本文进一步提出了基于CRBM的深度DBN模型,并针对原始CRBM只适合如图像等空间像素的输入,并不适合时间序列预测中的时序数据输入的特点,提出一种新颖的输入表达,使得时序数据能够适于在CRBM中的应用。本文基于上述研究,分别将基于RBM的DBN模型和适于时序数据输入的基于CRBM的DBN模型应用于移动业务量预测。选取现网热点地区的10个小区用户上报测量报告(MR),分别以20分钟时间粒度为单位构建时间序列,预测结果表明,80%的小区达到了 80%以上的预测精度。