一种基于空时压缩感知的蜂窝网络流量预测方法.pdf

(19)中华人民共和国国家知识产权局*CN102982386A*(12)发明专利申请(10)申请公布号CN102982386A(43)申请公布日2013.03.20(21)申请号201210329676.6(22)申请日2012.09.07(71)申请人浙江大学地址310058浙江省杭州市西湖区余杭塘路866号(72)发明人文倩张宏纲赵志峰(74)专利代理机构杭州求是专利事务所有限公司33200代理人周烽(51)Int.Cl.G06Q10/04(2012.01)G06F17/16(2006.01)权利要求书权利要求书3页3页说明书说明书1010页页附图附图55页(54)发明名称一种基于空时压缩感知的蜂窝网络流量预测方法(57)摘要本发明公开一种基于空时压缩感知的蜂窝网络流量预测方法，该方法基于空时压缩感知的蜂窝网络流量预测方法：首先从蜂窝网络的核心网络层提取基站流量构造二维流量矩阵，将待估计的流量值设置为0，得到要处理的蜂窝网络流量矩阵；其次，根据流量矩阵构造具有约束等距性特征的流量观测矩阵；再次，根据流量的日夜规律性以及基站的空间分布、属性特性构造空间和时间约束矩阵，利用基于系数正则化矩阵分解的控释压缩感知方法对流量矩阵进行精确重构，得到矩阵中以0代替的流量值的真实值的估计数据，从而实现网络流量预测目的。该方法充分利用了蜂窝网络流量的冗余性以及蜂窝网络流量矩阵的低秩特性，大大提高了蜂窝网络流量的预测精度。CN1029836ACN102982386A权利要求书1/3页1.一种基于空时压缩感知的蜂窝网络流量预测方法，其特征在于，它包括以下步骤：（1）从蜂窝网的核心层采样基站流量变化的观测数据，构成流量矩阵，包括以下子步骤；（1.1）记录网络中M个观测基站在一段连续时间段π内的流量值，该值为非负的连续实数；（1.2）取Δt为时隙长度，将步骤1.1中提到的时间段π划分成N个不同的时隙，将每个基站在每个时隙内的流量值求和取平均作为在该基站在该时隙内的流量值大小，记为训练数据X′(i,j)，表示第i个基站在第j个时隙内的网络流量值的观测值；（1.3）将步骤1.2中得到的观测值X′(i,j)组成一个流量训练矩阵X′如下：记为表示第i个基站在不同训练时隙内的流量值向量；矩阵每一列所组成的向量，记为表示第j个训练时隙内不同基站的流量均值快照；（1.4）将步骤1.1中提到的时间段π后连续的时间段内（共n个时隙，n为自然数）的网络流量值作为待预测的对象，将预测流量值置0插入到步骤1.3中提到的流量训练矩阵X′中，构成包含训练数据与待观测数据的流量矩阵X,如下：流量矩阵构造完成，矩阵每一行所组成的向量，记为表示第i个基站在不同时隙内（包含训练时隙与待预测时隙）的流量值向量；矩阵每一列所组成的向量，记为表示第j个时隙内不同基站的流量均值快照；（2）根据步骤1中的流量矩阵构造具有约束等距性特征（RestrictedIsometryProperty,RIP）的流量观测矩阵Φ：设原始矩阵为X，观测矩阵为Φ，当原始矩阵与观测矩阵之间满足下列条件关系时，观测矩阵Φ具有约束等距性：其中，δ是一个任意无限小的正实数；（3）根据步骤1中的训练流量数据，确定步骤1中提到的流量矩阵X中存在的空间分布特征以及时间变化特征，并因此为基础构造空间约束矩阵与时间约束矩阵，该步骤包括以下子步骤；（3.1）应用线性回归求得矩阵中行向量之间的相关性，构建空间约束矩阵；（3.1.1）对i＝1~M，依次用其他j≠i行的行向量线性拟合如下：wi，j即为表示两者空间变化相关性的系数；2CN102982386A权利要求书2/3页（3.1.2）然后按以下方式将wi，j赋值到空间约束矩阵S中：因此，S是一个M×M的矩阵，空间约束矩阵构造完毕；（3.2）应用线性回归求得矩阵中行向量之间的相关性，构建空间约束矩阵:（3.2.1）首先，对j＝1~N+n，依次用其他k≠j列的列向量线性拟合如下：其中，θk,j为表示两者时间变化相关性的参数；（3.2.2）然后按以下方式将θk，j赋值到时间约束矩阵T中：因此，T是一个(N+n)×(N+n)的矩阵，时间约束矩阵构造完毕；（4）根据流量矩阵的低秩特点，结合步骤2中提到的流量观测矩阵Φ以及步骤3中构造的空间约束矩阵S和时间约束矩阵T,应用空时压缩感知对步骤1中提到的流量矩阵进行矩阵分解，得到分解因式L和R：构造以下凸优化函数对矩阵分解进行迭代求解，并得到矩阵分解的近似值L和R：在上式中，‖·‖F表示Frobenius范数，对任意矩阵Z，量化了网络流量的局部观测值约束，表示低秩近似分解观测点处的数据误差值；正则型包含了网络流量矩阵的低秩近似分解的复杂度信息，防止在原始流量数据重构过程中出现过度拟合现象；和则代表原始网络流量数据中包含的特殊结构性信息或冗余性质，即原始