智能无线通信 课件 第五章 基于人工智能的移动通信基站流量预测

无线通信中的人工智能移动通信基站流量预测

时间序列问题建模及分析人工智能知识及能力流量预测时间序列预测时空序列预测资源优化无线资源管理计算资源管理物理层无线通信设计新范式NewPHYAI赋能移动通信的优化与设计课程回顾课程流量预测AI赋能移动通信案例阶梯移动通信知识及能力25G+AI：智慧科技彰显“绿色”冬奥理念创新科技赋能移动通信系统实现双碳目标3能够基于对数据规律的认知，设计朴素的预测算法工程情境理解：基于基站流量预测的AI调度节能

系统化理解和分析智能化工程情境01预测问题建模：基站流量的时间序列预测问题

工程情境中关键问题的抽象化建模02数据特征探索：基站流量数据的时序特征分析

基于真实数据的探索性实践和分析03本节教学内容工程情境理解：移动通信基站节能的重要性“假设到2030年，全球建有5G基站1353万个，如采用恰当的节能方案，理论上一年能减少碳排放8600万吨CO2，节省1100亿度电，相当于多种植了7.6亿棵树。”OCO8600万吨1100亿度7.6亿棵部分数据来源：五矿证券发布研报，华为时空流量预测技术报告5工程情境理解：智能调度节能是重要手段基站节能技术设备节能智能调度节能站点节能规划节能网络架构及演进行业共担引入AI和大数据，对基站流量负荷准确预测，“一站一策、一时一策”智能节能策略，在保证用户体验的前提下充分挖掘节能潜力。资料来源：华为时空流量预测技术报告6工程情境理解：基站运行的能耗基站什么时候运行？流量忙闲时分布图365天×24小时忙时闲时忙时潮汐效应话务流量负荷：忙时和闲时7工程情境理解：基站运行的能耗基站计算功耗控制单元传输单元基带单元供电单元供电单元RFRFRFPAPAPA传输功耗核心网…基站能耗组成BBUAAU数据来源：中国移动设计院、西部证券研发中心8工程情境理解：基站运行的能耗基站主设备的AAU不同负载时的功耗占比？(64T64RAAU)部分数据来源：五矿证券发布研报，华为时空流量预测技术报告9工程情境理解：基站运行能耗和能效基站运行能耗和能效能耗流量能效忙闲时分布图忙时闲时忙时潮汐效应话务流量负荷：忙时和闲时闲时能效低10工程情境理解：调度节能设计理念用的人多，所有设备全开(人来开“灯”)用的人少，关闭部分设备(人走关“灯”)如果基站变得灵活一些能耗流量忙闲时分布图忙时闲时忙时11工程情境理解：调度节能设计理念在话务流量低，用户数少的闲时，不需要所有基站都工作，关断部分闲置资源，以节能降耗。网络级节能站点级节能调度节能12工程情境理解：调度节能关断机制（符号/时隙关断）站点级节能符号关断资料来源：中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.1113工程情境理解：调度节能关断机制（通道关断）话务高负荷话务低负荷站点级节能通道关断资料来源：中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.1114话务高负荷话务低负荷工程情境理解：调度节能关断机制（载波关断）

站点级节能载频关断资料来源：中国移动5G基站节能技术白皮书，中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.11频点F2频点F115工程情境理解：调度节能关断机制（载频关断）

站点级节能共模基站协作关断资料来源：中国移动5G基站节能技术白皮书基站基站业务量低时关断NR小区基站业务量高时开启NR小区基站NR小区LTE小区16工程情境理解：调度节能关断机制（AAU深度休眠）站点级节能AAU深度休眠/5G特有功率放大器休眠区域休眠区域休眠区域休眠区域BBU电源eCPRI—处理单元基带处理模块数字中频模块收发信机模块小信号处理模块滤波器天线阵列电源模块资料来源：中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.1117工程情境理解：网络协同关断资料来源：中国移动5G基站节能技术白皮书网络级节能站点级节能网络级小区协同关断节能小区节能小区18工程情境理解：基于基站流量预测的AI节能预测流量时间22:0006:0000:0002:0004:0008:0010:00小区流量“一站一策、一时一策”：关键技术-1：基站未来时刻的流量变化的AI预测技术19工程情境理解：一站一策、一时一策一站一策一时一策策略A策略B策略C策略A策略B策略C策略D时间资源20工程情境理解：基于基站流量预测的AI节能XX关断预测流量门限时间22:0006:0000:0002:0004:0008:0010:00小区流量“一站一策、一时一策”：关键技术-2：运行节能优化决策技术什么门限？什么粒度的资源？何时关断？关断多久？覆盖范围不变，基站能耗降低21工程情境理解：调度节能的智能化进程基础节能功能基于流量预测的AI节能基于业务导航的AI节能200820192020要求基站支持

深度休眠

载波关断

通道关断

符号关断关断调度策略固定时段统一门限AI大数据基于流量预测关断调度策略时间灵活门限弹性一站一策、一时一策AI大数据基于流量预测异构网接入资源协同业务导航和统一迁移关断调度策略时间灵活门限弹性异构协同、全局优化资料来源：中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.1122国内外运营商对调度节能技术的要求功能类别子功能中国移动中国电信中国联通VodafaneDeutschTelekomOrangeSoftbank能耗监控BBU/RRU/AAU能耗上报√√√√√√√站点级符号关断√√√√√√√通道关断√√√√×√×载波关断√√√√√√×网络级AI节能√√√××××资料来源：中兴PowerPilot4G/5G网络节能降耗技术白皮书2020.1123工程情境理解：来自行业实际需求的竞赛题赛道A移动通信基站流量预测2020年Mathorcup高校数学建模挑战赛——大数据竞赛在2020年12月21日18:00至2021年1月20日20:00进行……资料来源：赛氪网2020年MathorCup高校数学建模挑战赛/weixin_43292788/article/details/12860991424工程情境理解：来自行业实际需求的竞赛题问题1：基于若干小区从2018年3月1日至4月19日的小时级流量数据，构建各个小区流量的预测模型，预测这些小区4月20日1时至4月20日24时的小时级流量值。竞赛题目资料来源：赛氪网2020年MathorCup高校数学建模挑战赛25E蜂窝网络的简化架构DiaNaboulsi,Diala,etal."Large-scalemobiletrafficanalysis:asurvey."

IEEECommunicationsSurveys&Tutorials

18.1(2015):124-161.26

预测问题建模：数据来源初览

预测问题建模：从数据（收集）开始只考虑上行业务量27预测问题建模：从数据（收集）开始小区3小区103小区333fff已有（观测）时间序列预测后一天流量值（序列）28预测问题建模：基站流量的时间序列预测问题当前流量预测流量根据已经给出的时间序列的历史数据预测该时间序列未来可能的行为。时间序列预测

29预测问题建模：时序预测下游的决策问题决策问题当前流量预测流量

最优决策（如何时关断及关断多久）：基站能效最优的关断策略:在预测流量态势下，能耗最低的关断动作组合30

打开教学实例里“1、数据探索性分析&基于HA的预测算法.ipynb”，请同学根据不同ID进行探索性数据分析

日规律（周末/节假日规律）周规律月规律作答数据特征探索：探索性数据分析（EDA）截图（拍照）上传结果

主观题10分3131数据特征探索：基站流量数据的时序特征分析已有（观测）预测临近相关性周期相关性?趋势相关性不确定性有一定规律能被识别出

可预测性（Predictability）周末、工作日、地点：忙闲时模式不一32朴素预测算法：基于规律认知的算法设计Naïve算法：未来的预测值等于最后观察到的值

33朴素预测算法：基于规律认知的算法设计

Naïve平均算法：未来的预测等于所有观测值的平均值

34朴素预测算法：基于规律认知的算法设计

Naïve周期算法：未来的预测值等于上一周期（Seasonal）的观测值35朴素预测算法：性能评价指标

真实未来时间序列预测已有（观测）

预测36总结EDA：观察到一定规律，具有可预测性数据特征探索：探索性数据分析和研讨，对其规律和可预测性有了直观的认知37总结工程情境理解：针对潮汐效应的流量的精确预测，适时进行基站资源的关断，可实现智能的调度节能38总结预测问题建模：精准的移动基站流量预测是基础，被建模为时间序列预测问题39谢谢无线通信中的人工智能移动通信基站流量预测

基于ARIMA传统序列分析的基站流量预测41上节课回顾：时序数据探索性分析已有（观测）预测临近相关性周期相关性?趋势相关性不确定性有一定规律能被识别出

可预测性（Predictability）周末、工作日、地点：忙闲时模式不一42STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqtransformer时序分析预测建模基于机器学习/深度学习基于规则分解建模线性建模转换为频域数据转换为图像DNNProphet朴素预测法朴素周期法历史平均法预测方法进阶：基于规则基于机器学习43预测方法进阶：基于规则基于机器学习机器自动从数据中洞察规律基于机器学习的预测方法数据弊端模型维护人工成本高跨基站的应用性能差基于规则的预测方法基于人类认知制定规则，自动输出规则全国5G基站约145万个44教学内容数据驱动：以ARIMA为例的传统序列预测1深度模型：基于深度学习的LSTM预测模型（12周）2训练验证：时序流量数据集上的训练和验证3实践研讨：工程场景下的模型应用及拓展4作业拓展：科研平台支持扩展分析维度和角度5有信心、有兴趣，开展AI流量序列预测探索基于规则思考题：AI到底是什么？人工智能使计算机模仿人类智能的任何技术naive算法146数据驱动的AI预测：机器自动从数据中洞察规律人工智能计算机模仿人类机器学习统计模型＋经验深度学习多层神经网络＋海量数据47机器学习算法思考题：AI到底是什么？147数据：模型：

训练参数数据和模型联合的学习寻找模型参数组合48机器学习算法回顾148

训练好的模型预测任务的输入数据预测输出49机器学习算法回顾149ARIMA算法：原理和流程常数AR（自回归）MA（移动平均）I（差分而平稳）ARIMA原理150d次差分处理ACF图PACF图d=平稳化的差分次数p=自回归项的个数q=移动平均项的个数ARIMA(p,d,q)参数：对数据做差分处理，得到平稳的时间序列。绘制ACF图和PACF图。51ARIMA算法：原理和流程1模型ACFPACFAR（p）衰减趋于零（几何型或振荡型）p阶后截尾MA（q）q阶后截尾衰减趋于零（几何型或振荡型）ARMA（p,q)q阶后衰减趋于零（几何型或振荡型）p阶后衰减趋于零（几何型或振荡型）截尾:落在置信区间内(95%的点都符合该规则)51打开课程实例2、基于ARIMA的预测算法，根据发布的2个基站流量数据，运行Arima模型

√

基站#88

√

基站#100

请尝试用不同的(p,d,q)取值性能对比，分享最好的RMSE性能作答1.ARIMA算法实操及研讨截图（拍照）上传结果

主观题10分5252白盒方法：统计模型仅利用少量数据就可以预测短期预测性能好利53ARIMA算法：利与弊153小区900小区554小区105获取基站流量数据是否平稳d次差分进行零均值化计算自相关函数(ACF)与偏相关函数(PACF)ARIMA模型识别参数估计模型有效性检验是否通过进行基站流量预测否是是否北京基站：25.4万每个时序的模型参数需要单独估计长期时序预测、复杂模式时序预测性能差无法利用多变量时序之间的相关性无法处理冷启动弊54ARIMA算法：利与弊154STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqtransformer时序分析预测建模基于机器学习/深度学习基于规则分解建模线性建模转换为频域数据转换为图像DNNProphet朴素预测法朴素周期法历史平均法预测方法进阶：基于规则基于（深度）机器学习55谢谢无线通信中的人工智能移动通信基站流量预测

基于空时深度模型的基站流量预测5758深度模型：时序数据预测1时序数据？循环神经网络RNN自然语言处理、机器视觉领域58x︰（某时刻的）输入（输入层）h：（某时刻的）隐藏状态（隐藏层）y：（某时刻的）输出（输出层）符号说明:1演进方向延展

时间循环神经网络（RecurrentNeuralNetworkRNN）

深度模型：循环神经网络59深度模型：长短时记忆网络

...

...

Timesteps1长短时记忆网络（Long-ShortTermMemory，LSTM）60深度模型：句子的预测2thecollegestudentsopenedtheir?Book?Mat?Laptop?Zoo?…Book?Mat?Laptop?Zoo?…完形填空612完形填空：自然语言处理中的文本生成任务thecollegestudentsopenedtheir?深度模型：LSTM模型如何完形填空Book?Mat?Laptop?Zoo?…2thecollegestudentsopenedtheir?

thecollegestudentsopenedtheir

深度模型：LSTM模型如何完形填空63深度模型：LSTM模型如何完形填空2thecollegestudentsopenedtheirbooks

thecollegestudentsopenedtheir

642时序数据？移动基站流量预测（时序预测）也能这么用LSTM处理么？深度模型：基站流量时序预测-LSTM？65深度模型：LSTM进行基站流量时序预测22018-4-1920:002018-4-1921:002018-4-1922:002018-4-1923:002018-4-200:002018-4-201:00？66深度模型：LSTM进行基站流量时序预测2thecollegestudentsopenedtheirbooks时间/h上行流量/GB？bookscollegestudentsopenedtheir

the67深度模型：LSTM进行基站流量时序预测2时间/h上行流量/GB0.30680.43280.27760.1462

0.60480.148568时序数据？小结：基站流量预测-时序预测-LSTM模型2移动基站流量预测（时序预测）也能这么用LSTM处理么？可以！69如何使用LSTM预测基站流量时序数据？训练验证：面向基站流量预测的LSTM训练3时序数据70训练验证：面向基站流量预测的LSTM训练3如何使用LSTM预测时序数据？机器（深度）学习的三板斧时序数据训练验证：面向基站流量预测的LSTM训练3如何使用LSTM预测时序数据？机器（深度）学习的三板斧模型数据损失函数时序数据72

数据模型训练验证：面向基站流量预测的LSTM训练3训练参数

数据和模型联合的学习73训练验证：面向基站流量预测的LSTM训练3如何使用LSTM预测时序数据？机器（深度）学习的三板斧模型-LSTM数据损失函数时序数据74训练验证：面向基站流量预测的LSTM训练3如何使用LSTM预测时序数据？机器（深度）学习的三板斧模型-LSTM数据损失函数时序数据753训练验证：基站流量的数据集构造（滑动窗口法）流量/GBTime/h763训练验证：基站流量的数据集构造（滑动窗口法）流量/GBTime/h77window_size=50.620.610.550.580.49x0x1x2x3x43训练验证：基站流量的数据集构造（滑动窗口法）InputXLabelyx0x1x2x3x4窗口化数据窗口长度（window_size)流量/GBTime/h78window_size=50.620.610.550.580.49x0x1x2x3x43训练验证：基站流量的数据集构造（滑动窗口法）InputXLabelyx0x1x2x3x4窗口化数据窗口长度（window_size)流量/GBTime/h窗口大小（window_size=n）物理意义：用当前点前n个小时基站流量数据，预测下1小时的流量值79window_size=50.620.610.550.580.49x0x1x2x3x43训练验证：基站流量的数据集构造（滑动窗口法）InputXLabelyx0x1x2x3x4？窗口化数据窗口长度（window_size)流量/GBTime/h80window_size=50.620.610.550.580.49x0x1x2x3x43训练验证：基站流量的数据集构造（滑动窗口法）InputXLabelyx0x1x2x3x4x5窗口化数据窗口长度（window_size)流量/GBTime/hLabely0.57x581window_size=5Labely流量/GBTime/hInputXLabelyx0x1x2x3x4x5x1x2x3x4x5x6x2x3x4x5x6x7x3x4x5x6x7x8x5x6x7x8x9x10x4x5x6x7x8x90.620.610.550.580.490.570.650.650.490.380.38x0x1x2x3x4x5x6x7x8x9x103滑动步长Step=1训练验证：基站流量的数据集构造（滑动窗口法）窗口化数据窗口长度（window_size)数据集（已窗口化）…… ……82window_size=5流量/GBTime/hInputXLabely0.620.610.550.580.490.570.650.650.490.380.38x0x1x2x3x4x5x6x7x8x9x103滑动步长Step=1训练验证：基站流量的数据集构造（滑动窗口法）窗口化数据窗口长度（window_size)数据集（已窗口化）…… ……[0.580.490.570.650.65][0.49][0.490.570.650.650.49][0.38][0.610.550.580.490.57][0.65][0.620.610.550.580.49][0.57][0.550.580.490.570.65][0.65][0.570.490.650.650.38][0.38]833小结：基站流量的数据集构造（滑动窗口法）数据与模型协同数据很重要：结合问题需求探索分析数据集构造：窗口大小是重要抓手

窗口大小（window_size=n）物理意义：用当前点前n个小时基站流量数据，预测下1小时的流量值84训练验证：面向基站流量预测的LSTM训练3如何使用LSTM预测时序数据？机器（深度）学习的三板斧模型-LSTM数据损失函数时序数据85

损失函数Loss预测（前向传播）

面向文本生成自然语言语料构建的数据集

3训练验证：LSTM模型训练86

预测（前向传播）

基站流量数据构建的数据集

InputXLabely0.550.580.490.570.65

0.49

……数据集（已窗口化）

3训练验证：基于基站流量数据集训练LSTM模型873

损失函数Loss基站流量数据构建的数据集

训练验证：基于基站流量数据集训练LSTM模型InputXLabely0.550.580.490.570.65

0.49

……数据集（已窗口化）

预测（前向传播）

88流量/GB损失函数值训练轮次“正确的结果，是从大量错误中得出来的，没有大量错误做台阶，就登不上最后正确结果的高峰。”——引自钱学森在论述科学发展规律时的发言历经“错误”台阶，模型修成“正果”Time3训练验证：基于基站流量数据集训练LSTM模型InputXLabely893小结：基于基站流量数据集训练LSTM模型数据与模型协同损失函数：衡量学习效果的函数，预测值和真实值的误差表示具体定义与要解决什么问题紧密耦合基站流量预测：MSE/RMSE我们如何评判LSTM模型的学习情况呢？90TimePresent训练验证验证轮次1验证轮次2验证轮次3验证轮次4验证轮次5可用历史时间序列丢弃3训练验证：学习的目的是什么？所有数据测试（未知未来）训练集验证集误差值训练轮次91训练集TrainSet验证集ValidationSet所有基站流量数据集-DataSet（已窗口化window_size=n）流量/GB时间/h3训练验证：基站流量数据的训练/验证集划分92训练验证：训练模型的性能评价指标（验证）

真实值预测值已有（观测）

393所有数据测试（未知未来）训练集验证集所有数据Fold1Fold2Fold3Fold4Fold5训练集验证集Fold1Fold2Fold3Fold4Fold5Fold1Fold2Fold3Fold4Fold5Fold1Fold2Fold3Fold4Fold5Fold1Fold2Fold3Fold4Fold5Fold1Fold2Fold3Fold4Fold55折交叉检验验证轮次1验证轮次2验证轮次3验证轮次4验证轮次53训练验证：时序交叉验证的训练集/验证集划分时序数据不满足样本独立同分布原则，94TimePresent训练验证验证轮次1验证轮次2验证轮次3验证轮次4验证轮次5基站流量数据集-DataSet丢弃3训练验证：时序交叉验证—滑动窗口法95TimePresent训练验证验证轮次1验证轮次2验证轮次3验证轮次4验证轮次5基站流量数据集-DataSet3训练验证：时序交叉验证—扩展窗口法963训练验证：小结数据输入滑动窗口（基站流量时序数据）构造为LSTM的输入数据和标签数据对模型训练通过损失函数指导模型训练模型验证通过划分训练集和验证集，利用性能指标评价性能，如RMSE。时序数据要保证验证集在训练集之后97实践研讨：加深LSTM预测基站流量工程认知4实验目的：探索LSTM模型的“数据”驱动特点基站流量数据集的参数设置影响分组实验训练/验证集的划分所有数据训练集验证集WindowSize窗口大小实验参数选项科研教学平台教学实例“3、基于LSTM模型的预测算法.ipynb”基站ID=10098教学实例：“LSTMforecast.ipynb”训练/测试集划分、窗口大小对基站流量预测性能的影响基于LSTM的基站流量预测-实验&讨论作答组号训练/验证集划分窗口大小RMSE运行时长1600/120431252471002300/12044126248100主观题10分99实践研讨训练/验证集划分时间序列预测：验证集须在训练集之后训练集越大，可能学到更多数据关系模式划分依赖于对数据的观察训练集越大，训练时间越长窗口大小用前n个时刻的数据预测第n+1时刻的数据选择依赖于具体的数据越大模型的计算复杂度越高4100流量/GB预测1013实践研讨：基站流量LSTM多点预测

Time/小时101门限

载波关断Time/小时无线AI赋能基站调度节能预测1023实践研讨：基站流量LSTM多点预测流量/GB

预测的拓展思考？

1024面向基站调度节能的基站流量预测需求基于LSTM模型的预测数据模型协同驱动的分析设计窗口大小、验证集划分的认知实验窗口大小训练/验证集的划分实践小结103104思考：深度卷积神经网络可以用来做基站流量时序么？4时序数据？循环神经网络RNN自然语言处理、机器视觉领域104时空序列流量预测流量预测案例时间序列流量预测AI赋能移动通信案例阶梯展望：引入更多的信息（如空间）4谢谢无线通信中的人工智能移动通信基站流量预测

基于空时深度模型的基站流量预测107STL分解法ARMAARIMASTFTGraminAngularField时空序列深度网络图神经网络DeepSTConvLSTMconv3D时间序列机器学习深度学习STGCNASTGCNAGCRNSTFGNNXGBoostCNNLSTMRNNGRUSeq2seqTransformer时序分析预测建模基于机器学习/深度学习基于规则分解建模线性建模转换为频域数据转换为图像DNNProphetST-Transformer朴素预测法朴素周期法历史平均法预测方法进阶：基于机器学习

基于深度学习0108引入更多的信息（如空间）？0时空序列流量预测流量预测案例时间序列流量预测AI赋能移动通信案例阶梯时空序列流量预测流量预测案例时间序列流量预测AI赋能移动通信案例阶梯实践研讨：引入更多的信息（如空间）0110经度维度覆盖类型覆盖场景116.8628929.36204室外城区道路117.4660829.29908室内城中村……………………实践研讨：引入更多的信息（如空间）1111实践研讨：引入更多的信息（如空间）1https://geojson.io/#map=9.86/45.4413/9.1604数据集名称发布日期DOI链接数据集描述MilanoGrid2015年5月14日/10.7910/DVN/QJWLFU部分涉及米兰市区的数据集通过网格进行空间聚合，该网格被称为米兰网格。有文件列的完整描述及相关出版物Precipitation-Milano2015年5月14日/10.7910/DVN/S2UGMD描述米兰市的降水强度和类型Telecommunications-SMS,Call,Internet-MI2015年5月14日/10.7910/DVN/EGZHFV提供米兰市的电信活动信息。数据集是对意大利电信蜂窝网络在米兰市生成的通话详单记录（CDRs）进行计算的结果。CDRs用于计费目的和网络管理。有文件的完整描述MilanoWeatherStation‎Data2015年5月14日/10.7910/DVN/9Z6CKW使用位于米兰市区内的传感器描述米兰市的各种气象现象类型和强度112实践研讨：引入更多的信息（如空间）1栅格-IDID123…456时间11-01-00:0011-01-00:1011-01-00:20…12-31-23:3012-31-23:4012-31-23:508.9140496490.0261374249.44792731…10.019241238.9648194640.026137424移动流量值113实践研讨：引入更多的信息（如空间）1114在时空维度上具有相关性米兰市通信业务量热力图米兰市通信业务量皮尔逊相关系数Sultan,Kashifetal.“CallDetailsRecordAnalysis:ASpatiotemporalExplorationtowardMobileTrafficClassificationandOptimization.”Inf.10(2019):192.实践研讨：流量数据的时空相关性分析1115小区1小区2小区3小区4小区5小区6小区7小区11.0000.1670.4350.1300.0400.3410.307小区20.3961.0000.3380.1290.0840.3100.222小区30.3450.5411.0000.1590.1620.6930.536小区40.4370.4390.4581.0000.1040.1310.114小区50.3600.4710.4920.5081.0000.1630.080小区60.2860.4910.5500.4320.5351.0000.603小区70.2840.5060.5260.4590.5350.5771.000上行流量在空间维度上具有相关性下行流量实践研讨：流量数据的时空相关性分析1此数据源非公开116[1]Zhang,Junbo&Zheng,Yu&Qi,Dekang&Li,Ruiyuan&Yi,Xiuwen.(2016).DNN-basedpredictionmodelforspatio-temporaldata.—郑宇

京东数字科技首席数据科学家实践研讨：深度时空流量预测模型：DeepST2117原始数据ID123…456时间11-01-00:0011-01-00:1011-01-00:20…12-31-23:3012-31-23:4012-31-23:50栅格-ID8.9140496490.0261374249.44792731…10.019241238.9648194640.026137424移动流量值实践研讨：DeepST的数据准备-空间数据2118原始数据ID123…456时间11-01-00:0011-01-00:1011-01-00:20…12-31-23:3012-31-23:4012-31-23:50移动流量值8.9140496490.0261374249.44792731…10.019241238.9648194640.026137424移动流量值实践研讨：DeepST的数据准备-空间数据2