深度学习在移动业务预测中的研究与应用

移动业务论文 时间序列预测论文 LSTM论文
论文详情
随着移动通信技术的发展和智能手机的普及,移动业务量呈现爆发式增长态势。为了在移动资源受限的情况下满足大规模移动用户数量和业务流量的需求,准确的移动业务量预测,可以为移动网络资源的合理分配提供有效的解决方案,从而保证用户良好的服务质量。因此,找到合理有效的移动业务量预测方法,意义重大。移动业务预测问题作为一种时间序列问题,具有多样性和时变性特征,传统统计方法难以满足要求。深度学习在各个领域的蓬勃发展为移动业务预测问题提出了新的思路,利用其深度、多层次的特性提取可以挖掘数据之间隐含的关联性。基于此,本文研究了如何将深度学习的思想用于解决时间序列预测问题,提出了两种模型,并应用到移动业务预测场景中。本文基于深度学习的两种典型神经网络循环神经网络(Recurrent Neural Network,RNN)和深度信念网络(Deep Belief Nets,DBN)分别提出了两种时间序列模型。首先基于RNN的一种常用变型LSTM(Long-Short-Term Memory),分别提出了基于LSTM的一步时间序列预测模型和多步时间序列预测模型,并通过对序列进行差分处理获得了输入稳定性,最后基于标准数据集进行验证,与传统持续性模型相比,提出的基于LSTM的时间预测模型能够得到预测精度的提升。其次基于条件 RBM(Conditional Restricted Boltzmann Machine,CRBM)提出了具有区分度的DCRBM(Differentiated CRBM)时间序列预测模型,并基于提出的DCRBM模型目标函数,对模型各参数的更新公式进行了推导并实现,最后基于标准数据集进行验证,与CRBM模型相比,提出的基于DCRBM的预测模型具有明显的预测精度的提升。最后,本文将提出的两种基于深度学习的时间序列预测模型应用于移动业务量预测中。选取了 网中的10个小区用户上报的测量报告为数据源,划分虚拟栅格,按某一时间粒度构建时间序列,并分别使用两种模型进行了小区级别的预测和虚拟栅格级别的预测。实验结果表明,两种模型都可以达到80%以上的预测精度,且基于DCRBM的时间序列预测模型与基于LSTM的时间序列预测模型相比,具有更高的预测精度和更强的稳定性。
摘要第4-6页
ABSTRACT第6-7页
第一章 绪论第10-18页
    1.1 选题背景及意义第10-12页
    1.2 研究现状第12-15页
    1.3 本文工作第15-16页
    1.4 本文创新点第16页
    1.5 论文章节安排第16-18页
第二章 深度学习理论第18-35页
    2.1 深度学习及深度神经网络第18-20页
        2.1.1 深度学习的概念第18-19页
        2.1.2 深度学习的历史第19-20页
    2.2 深度学习的基础知识第20-26页
        2.2.1 M-P神经元模型与感知机第21-22页
        2.2.2 感知机的训练与梯度下降算法第22-23页
        2.2.3 多层网络与误差反向传播算法第23-26页
    2.3 RNN基本理论第26-30页
        2.3.1 RNN的概念与原理第26-27页
        2.3.2 RNN的训练与BPTT第27-29页
        2.3.3 RNN的优势与缺点第29-30页
    2.4 DBN与CRBM基本理论第30-35页
        2.4.1 RBM基本理论第30-32页
        2.4.2 CRBM基本理论第32-34页
        2.4.3 DBN网络模型第34-35页
第三章 基于LSTM的时间序列预测模型第35-45页
    3.1 基于LSTM的时间序列预测模型第35-41页
        3.1.1 基于LSTM的时间序列预测模型架构第35-37页
        3.1.2 LSTM基本原理第37-39页
        3.1.3 一步时间序列预测模型的训练与预测第39-40页
        3.1.4 多步时间序列预测模型的训练与预测第40-41页
    3.2 实验性能仿真分析第41-45页
        3.2.1 实验环境与数据介绍第41页
        3.2.2 一步时间序列预测模型的实验仿真第41-43页
        3.2.3 多步时间序列预测模型的实验仿真第43-45页
第四章 基于DCRBM的时间序列预测模型第45-54页
    4.1 基于DCRBM的时间序列预测模型第45-49页
        4.1.1 基于DCRBM的时间序列预测模型第45-46页
        4.1.2 DCRBM的原理第46-48页
        4.1.3 基于DCRBM的时间序列模型的训练与预测第48-49页
    4.2 实验性能仿真分析第49-54页
        4.2.1 实验环境与数据介绍第49-50页
        4.2.2 DCRBM-DBN模型的实验仿真第50-54页
第五章 深度学习时间序列模型在移动业务预测中的应用第54-65页
    5.1 移动业务的实际问题与解决方案第54-58页
        5.1.1 移动业务背景与方案第54-56页
        5.1.2 数据统计与分析第56-58页
    5.2 基于LSTM的移动业务量预测第58-60页
        5.2.1 各小区总体预测精度第58-59页
        5.2.2 不同小区各虚拟栅格预测精度第59-60页
    5.3 基于DCRBM-DBN的移动业务量预测第60-62页
        5.3.1 各小区总体预测精度第60-61页
        5.3.2 不同小区各虚拟栅格预测精度第61-62页
    5.4 两种深度学习模型的对比分析第62-65页
第六章 总结与展望第65-67页
    6.1 总结第65-66页
    6.2 展望第66-67页
参考文献第67-72页
致谢第72-73页
攻读学位期间发表的学术论文目录第73页
论文购买
论文编号ABS4091623,这篇论文共73页
会员购买按0.30元/页下载,共需支付21.9
不是会员,注册会员
会员更优惠充值送钱
直接购买按0.5元/页下载,共需要支付36.5
只需这篇论文,无需注册!
直接网上支付,方便快捷!
相关论文

点击收藏 | 在线购卡 | 站内搜索 | 网站地图
版权所有 艾博士论文 Copyright(C) All Rights Reserved
版权申明:本文摘要目录由会员***投稿,艾博士论文编辑,如作者需要删除论文目录请通过QQ告知我们,承诺24小时内删除。
联系方式: QQ:277865656