基于深度学习的移动通信网中时间序列预测研究.pdfVIP

摘要

评价移动通信网络使用情况最直接的指标是网络流量和网络速度等数据，其具有

复杂度高、波动性大、非平稳性、非线性和高噪声等特点。如果能提前预测出重要指

标数据情况，有利于运营商做出相应对策，防患于未然；如何提高网络流量和网络速

度数据的预测精确度，本文提出基于深度学习的时间序列混合预测模型，研究内容如

下：

第一，针对网络数据波动大、非平稳性等特点，本文采用将序列分解技术与深度

神经网络结合的混合预测模型。平稳型数据可使模型学习得更快更准确，因此首先使

用序列分解技术对数据做平稳化处理，将原始数据分解成数据波动更小、更平稳的数

WT

据，再将数据投入深度神经网络模型中训练预测。选取小波变换（）、经验模态分

解（EMD）、变分模态分解（VMD）和季节趋势分解法（STL）四种序列分解方法与

长短时记忆网络（LSTM）、双向长短时记忆网络（BiLSTM）和时间卷积网络（TCN）

三种深度神经网络形成12组混合预测模型，在爱尔兰5G数据集和5GAD数据集上的

实验结果表明，序列分解技术EMD与深度神经网络BiLSTM模型