本系统采用STL分解技术,实现多尺度混合基站流量的精准预测。系统包含两大核心模块:1) 多尺度时间分解模块,负责对基站流量数据进行细致的多尺度分解;2) STL时间混合模块,基于STL分解结果,进一步优化流量预测模型。该系统能够提高基站流量预测的准确性和效率,为通信网络的优化管理提供有力支持。
背景技术
基站流量预测是一种通过输入基站历史流量数据来预测未来流量的方法。通过准确预测,可以优化基站资源分配,提高网络性能,减少能耗。
申请号为202310249218.X的中国专利通过Kmeans聚类和EMD分解对基站流量数据进行预处理,并使用BiLSTM模型进行预测。尽管EMD能够对非平稳信号进行分解,但它无法同时处理数据中多个时间尺度的特征,特别是较短周期的变化,可能被忽视。Kmeans聚类和EMD的结合会导致计算复杂度的显著增加,特别是在大规模基站网络中,模型的运算负荷较大,影响实时性。BiLSTM模型虽然能够捕捉时序依赖性,但对未来数据的泛化能力有限,尤其是在处理带有噪声和非线性周期变化的数据时,模型表现不稳定。
申请号为202310388134.4的中国专利利用EMD分解、MWOA算法优化LSTM模型进行流量预测。虽然MWOA能够优化LSTM的超参数,但LSTM本身在处理长时间依赖性问题时,仍存在局限性,容易在长序列数据中丢失重要信息。该方法未能充分考虑多个基站小区之间的流量关联性,只针对单个基站小区进行独立预测,未能捕捉多个小区间的流量传递和关联特征。STM容易在过于复杂的时间序列中出现过拟合现象,尤其是在数据量不足或噪声过大时,模型的预测效果不稳定。
申请号为202410798641.X的中国专利使用灰狼算法优化Transformer模型,用于通信基站流量预测,尽管Transformer能够通过多头注意力机制捕捉多维特征,但该技术也存在以下缺陷:多头注意力层的头数设置对模型的精度有显著影响,但手动选择头数往往难以达到最佳效果,且过多头数可能导致模型复杂度增加,过拟合风险提升。尽管引入了灰狼算法进行优化,但该算法在某些场景中难以有效平衡全局搜索与局部优化,可能出现过早收敛,导致未能找到最优解。Transformer模型在处理具有极端变化的流量数据时,可能会出现预测偏差,尤其是面对异常波动时,模型的鲁棒性较弱。
综上所述,如何捕捉基站流量在不同时间尺度上的特征变化,低计算复杂度,适应大规模基站流量预测的实时性需求,提高预测的整体精度和鲁棒性,是目前基站流量预测技术领域急需要解决的技术难题。
实现思路