本发明涉及时空预测,尤其涉及一种基于区域时空特征的移动流量系统及方法。
背景技术:
1、精准预测移动流量可以帮助运营商提前规划网络资源,加强网络资源的管理与运用。移动流量预测的精度受到周边区域人流量改变和历史流量等时空因素的影响,大多数方法是对只对移动流量数据的时间特征建模,忽略了数据的空间特征或者时空特征考虑不全,预测结果存在一定误差。
2、移动流量在时间维度和空间维度都具有复杂的非线性关系,要实现移动流量的精准预测,需要充分挖掘移动流量的时间相关性和空间相关性,构建具备提取时空特征的能力、预测精度高的移动流量预测模型。采取传统时序分析方法的移动流量预测技术要求时序数据是稳定的,但在实际情况中,移动流量数据不稳定,并且将数据处理为稳定序列时会丢失部分重要特征,无法学习到移动流量数据的突变性特征,导致预测值与真实值差距大。同时时序分析方法预测模型只能捕捉线性关系,而不能捕捉非线性关系,将导致模型预测精度下降。
3、采用基于机器学习方法的移动流量预测方法也存在一定的局限性,机器学习方法通过提取流量数据的非线性特征来学习到数据的特征规律,预测表现相较于基于传统时序分析的预测方法更优,但是在处理具有高维复杂特征的流量数据时,预测精度会大打折扣,能够处理高维数据和提取非线性数据特征的深度神经网络相比典型的机器学习方法,对移动数据的特征有更好的捕捉能力。移动流量在城市不同区域需求不同且相邻区域的需求会互相影响,但是部分采用深度学习方法的预测模型只针对了流量数据的时间特征,没有考虑数据具有的空间特征或时空因素考虑不全,提取的移动流量特征不足,导致预测模型性能和精度下降。
技术实现思路
1、发明目的:本发明提供一种基于区域时空特征的移动流量预测系统及方法,以解决现有技术中的预测未考虑空间特征及时空特征考虑不全面,预测结果存在误差的问题。
2、技术方案:本发明基于区域时空特征的移动流量预测系统包括:
3、对数据进行清洗、均值插补处理缺失值的数据预处理模块:
4、提取邻近输入序列数据邻近性、周期性和空间特征的邻近序列处理模块和周期序列处理模块:
5、用于融合不同序列处理模块的输出的权重融合模块:
6、提取移动流量数据的长期时间特征的时间特征提取模块;
7、对预测结果进行可视化的预测及结果处理模块。
8、数据预处理模块采取均值插补法处理移动流量数据中的缺失值,根据数据具有的邻近性和相关性,组成邻近输入序列和周期输入序列作为预测模型输入。
9、邻近输入序列由预测天数的预测时刻相邻的前一个时刻目标区域移动流量历史值组成。
10、周期输入序列由预测天数相邻的前一天,与预测时刻相同的时刻目标区域移动流量历史值组成。
11、邻近序列处理模块和周期序列模块通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征,将经过二维卷积处理的不同输入模块的数据输入至残差单元中。
12、权重融合模块使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,两个序列融合后连接激活函数进行输出。
13、时间特征提取模块经过权重融合得到的输入送入长短期记忆网络的输入层和隐藏层中,然后经过一个全连接层输出结果,提取数据的长期时间特征。
14、预测及结果处理模块通过移动流量时空预测模型得到目标区域未来时间段的预测移动流量值,将预测结果和真实数据通过不同数据曲线表示。
15、本发明基于区域时空特征的移动流量预测方法包括以下步骤:
16、(1)获取目标区域移动流量数据,对数据进行预处理,清除异常值,使用均值插补法处理数据中的缺失值;
17、(2)根据时间戳将移动流量数据转换成数据序列;
18、(3)将根据数据邻近性和周期性序列分为邻近输入序列和周期输入序列;
19、(4)将邻近输入序列和周期输入序列作为输入数据送入移动流量时空预测模型中进行预测;
20、(5)根据移动流量时空预测模型输出的目标区域未来时间段的预测结果进行可视化。
21、步骤(1)中,获取目标区域的历史移动流量使用值数据时,分析历史移动流量数据特性,发现数据在时间维度上具有邻近性、周期性,在空间维度上具有相关性。根据输入的历史移动流量使用值,通过预测模型对目标区域未来一段时间的移动流量使用值进行预测。
22、移动流量的邻近性指当前时刻的移动流量值与相邻的历史移动流量值存在相关性;周期性指当前时刻的移动流量值与相邻前一天的相同时刻流量值存在相关性,即同一区域的移动流量值在不同时刻具有很强的相关性。
23、空间相关性指网格内任意区域的移动流量值会受到周边相邻区域移动流量值的影响,但局限于一定范围内,较远距离的区域对其的影响忽略不计。
24、步骤(4)中,移动流量时空预测模型的预测步骤如下:
25、(4.1)对数据进行最大最小归一化;
26、(4.2)建立邻近输入序列和周期输入序列提取数据的邻近性和周期性;
27、(4.3)构建训练集与测试集;
28、(4.4)建立移动流量时空预测模型,将训练集送入移动流量时空预测模型中进行训练;
29、(4.5)将测试集送入训练好的移动流量时空预测模型中进行预测,实现对移动流量的预测。
30、工作原理:本发明从包含输入的移动流量数据中进行数据预处理和建立不同输入序列,提取数据的邻近性、周期性及其空间相关性,训练移动流量时空预测模型和进行目标区域未来移动流量的预测。建立邻近输入序列和周期输入序列来提取数据邻近性、周期性和空间相关性特征,通过权重融合解决了不同输入序列所占比重不同的问题,从历史移动流量数据学习权重值,动态融合不同序列的输入,缓解了传统方法只对移动流量数据的时间特征建模,忽略了数据的空间特征或者时空特征考虑不全导致的预测误差大的问题。
31、有益效果:与现有技术相比,本发明具有以下优点:
32、(1)本发明基于区域时空特征的移动流量预测系统和方法使用预测目标区域的历史移动流量数据作为数据来源,在输入预测模型前对数据进行清洗,均值插补处理缺失值;之后对数据进行可视化时空特征分析,得到移动流量数据在时间维度上具有邻近性和周期性,在空间维度上具有空间相关性的结论。
33、(2)本发明中的移动流量时空预测模型基于残差网络和长短期记忆网络,根据数据的邻近性和周期性把输入数据分为邻近输入序列和周期输入序列,从而提取数据的邻近行和周期性特性,提高模型预测精度。通过不同分支中的二维卷积和残差单元处理两种输入后,通过历史移动流量数据学习权重后将不同分支输出加权融合,动态融合两个分支的输出,送入长短期记忆网络中提取数据的长期特征,实现对移动流量的预测。
1.一种基于区域时空特征的移动流量预测系统,其特征在于:包括:
2.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:数据预处理模块采取均值插补法处理移动流量数据中的缺失值,根据数据具有的邻近性和相关性,组成邻近输入序列和周期输入序列作为预测模型输入。
3.根据权利要求2所述的基于区域时空特征的移动流量预测系统,其特征在于:所述邻近输入序列由预测天数的预测时刻相邻的前一个时刻目标区域移动流量历史值组成。
4.根据权利要求2所述的基于区域时空特征的移动流量预测系统,其特征在于:所述周期输入序列由预测天数相邻的前一天,与预测时刻相同的时刻目标区域移动流量历史值组成。
5.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述邻近序列处理模块和周期序列模块通过二维卷积分别提取临近输入与周期输入移动流量的局部空间特征,将经过二维卷积处理的不同输入模块的数据输入至残差单元中。
6.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述权重融合模块使用可学习的权重矩阵从历史数据中学习权重值,进行加权融合,两个序列融合后连接激活函数进行输出。
7.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述时间特征提取模块经过权重融合得到的输入送入长短期记忆网络的输入层和隐藏层中,然后经过一个全连接层输出结果,提取数据的长期时间特征。
8.根据权利要求1所述的基于区域时空特征的移动流量预测系统,其特征在于:所述预测及结果处理模块通过移动流量时空预测模型得到目标区域未来时间段的预测移动流量值,将预测结果和真实数据通过不同数据曲线表示。
9.一种基于区域时空特征的移动流量预测方法,其特征在于:包括以下步骤:
10.根据权利要求9所述的基于区域时空特征的移动流量预测方法,其特征在于:步骤(4)中移动流量时空预测模型的预测步骤如下: