基于人工智能的移动通信基站流量预测- -4基于空时深度模型的基站流量预测

无线通信中的人工智能移动通信基站流量预测

基于空时深度模型的基站流量预测1STL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02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）04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）15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6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7实践研讨：引入更多的信息（如空间）18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19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10[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：DeepST211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212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2132维矩阵=>像素位图原始数据ID123…45611-01-00:0011-01-00:1011-01-00:20…12-31-23:3012-31-23:4012-31-23:50时间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214深度时空流量预测模型时间时空栅格流量数据IJ栅格流量数据（空间）实践研讨：DeepST的数据准备-空间数据215深度时空流量预测模型IJ栅格流量数据（空间）...时间t-nt-lt-1t时空栅格流量数据预测...如何捕获流量数据的时空相关特征？实践研讨：DeepST流量预测问题描述216t-3st-2st-st-3pt-2pt-pt-3t-2t-1时间....t-n…………t-4t-3t-2t-1t临近性时序分量Closeness周期性时序分量Period趋势性时序分量Trend卷积卷积卷积卷积卷积聚合……先做时序的人工特征工程实践研讨：DeepST流量预测——时序处理217

t-3st-2st-st-3pt-2pt-pt-3t-2t-1时间....t-n…………t-4t-3t-2t-1t卷积s卷积p卷积c卷积卷积聚合临近性Closeness周期性Period趋势性Trend……临近性、周期性、趋势性时序分量上的空间特征提取

空间特征提取：卷积算子实践研讨：DeepST流量预测——空间特征处理218t-3st-2st-st-3pt-2pt-pt-3t-2t-1时间....t-n…………t-4t-3t-2t-1t卷积p卷积c卷积s卷积卷积聚合……随着卷积层增加，可表示更远距离的空间区域之间的依赖关系。实践研讨：DeepST流量预测——多卷积层219t-3st-2st-st-3pt-2pt-pt-3t-2t-1t时间....t-n…………t-4t-3t-2t-1t卷积卷积卷积早融合-捕获时空特征[1]卷积卷积聚合tanh……深度网络模型设计完毕，利用真实数据去训练——寻找合适的W和b参数[1]Karpathy,Andrej&Toderici,George&Shetty,Sanketh&Leung,Thomas&Sukthankar,Rahul&Fei-Fei,Li.(2014).Large-ScaleVideoClassificationwithConvolutionalNeuralNetworks.实践研讨：DeepST流量预测——早融合220

问题：预测小区上下行流量的长期变化趋势，给出每个小区长期流量预测模型，并对附件3“长期验证选择的小区数据集”中涉及的小区，预测其在2020年11月1日至11月25日每天的总的上行和下