System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及无线流量预测,特别是指一种基于互信息聚类的联邦学习无线流量预测方法。
技术介绍
1、移动通信技术的飞速发展和网络规模的不断扩大,导致流量数据爆炸性的增长,网络的负载量也随之高速增长。如何优化通信网络结构,保障网络服务质量和提升网络性能是新一代网络重点关注的问题。无线流量预测可以帮助运营商预估网络的变化趋势,从而提前制定网络管理方案,智能化的分配网络资源,来改善网络服务和提升用户的上网体验,在网络负载均衡、基站休眠、接入控制等应用场景可以发挥重要作用。
2、针对网络流量预测问题,一些研究人员采用线性模型预测,例如autoregressiveintegrated moving average model(arima)模型及其变体,但是这类模型要求数据平稳,而实际网络流量具有突发性的特征,使用这类模型精准度较低。随着人工智能的发展,深度学习模型已经大量用于流量预测任务中,文献[nie l,jiang d,yu s,et al.networktraffic prediction based on deep belief network in wireless mesh backbonenetworks[c]//2017ieee wireless communications and networking conference(wcnc).ieee,2017:1-5.]使用深度信念网络模型预测网络流量,文献[yang h,li x,qiangw,et al.a network traffic forecastin
3、上述网络流量预测方法都是集中式学习,需要将大量的网络流量数据传输到数据中心来学习一个通用的预测模型,但是这样的方法会占用网络资源,增加通信开销,而且时效性低。并且,出于数据隐私考虑,难以实现运营商的流量数据的充分共享,数据孤岛问题给网络流量预测带来挑战。联邦学习作为一种新的分布式机器学习框架正在兴起,给流量预测问题带来的新的解决方案。在联邦学习框架中,参与联邦学习的客户端(例如基站)可以使用本地数据集训练本地模型,然后上传本地模型参数到中央服务器,在中央服务器的协同下训练出全局模型用于流量预测,中央服务器和基站之间传输模型参数而不是原始数据,有效的解决了数据隐私和通信开销问题。但是,不同基站的网络流量数据分布可能是不同的,流量数据的非独立同分布特性不利于联邦学习的进行,如何解决联邦学习流量预测的数据异构问题是一个挑战。
技术实现思路
1、针对现有大多数流量预测方法都是集中式学习策略,存在时效性和数据隐私的问题,本专利技术提出了一种基于互信息聚类的联邦学习无线流量预测方法,首先,使用滑动窗口方案将原始数据构造成临近型和周期型的双流量序列,增强客户端模型学习能力以提高预测准确度;其次,使用基于互信息的谱聚类将相似流量数据分布的客户端聚为一类,以捕获每个集群模型的个性化特征;最后,使用基于注意力机制的模型聚合算法对模型进行分层聚合得到用于流量预测的全局模型,提高了全局模型的泛化能力;本专利技术方法预测误差小,具有优秀的流量预测性能。
2、本专利技术的技术方案是这样实现的:
3、一种基于互信息聚类的联邦学习无线流量预测方法,其步骤如下:
4、构建客户端模型:首先,使用滑动窗口机制将本地的原始流量数据构造为临近型流量序列和周期型流量序列;然后,使用双lstm模型分别学习这两个流量序列对应的临近性特征和周期性特征,并融合这两种特征,再通过一个线性层映射得到预测值;得到客户端流量预测模型,并将其上传至中央服务器;
5、模型聚类:使用基于互信息的谱聚类算法将客户端流量预测模型进行聚类,得到聚类集群;
6、模型聚合:使用基于注意力机制的模型聚合算法将每个聚类集群内的模型聚合得到集群模型,再将集群模型聚合得到用于流量预测的全局模型;将全局模型传输至客户端进行流量预测。
7、所述模型聚类的具体实现方法为:
8、首先,根据互信息模型公式计算k个模型之间的互信息mi(θi,θj),依据互信息mi(θi,θj)构建相似矩阵w本文档来自技高网...
【技术保护点】
1.一种基于互信息聚类的联邦学习无线流量预测方法,其特征在于,其步骤如下:
2.根据权利要求1所述的基于互信息聚类的联邦学习无线流量预测方法,其特征在于,所述模型聚类的具体实现方法为:
3.根据权利要求2所述的基于互信息聚类的联邦学习无线流量预测方法,其特征在于,所述模型聚合的具体实现方法为:
【技术特征摘要】
1.一种基于互信息聚类的联邦学习无线流量预测方法,其特征在于,其步骤如下:
2.根据权利要求1所述的基于互信息聚类的联邦学习无线流量预测方法,其特征...
【专利技术属性】
技术研发人员:张建伟,蔡增玉,胡新华,朱亮,谭春宸,孙海燕,乔鑫洋,韩洋,
申请(专利权)人:郑州轻工业大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。