基于改进长短时记忆神经网络的5G通信网络流量预测
赵巍
华东交通大学 理工学院,南昌330100
摘要：针对5G通信网络流量预测研究中常存在的忽略流量序列内所包含变化趋势与数据间的关联特性而导致预测结果不准确、与用户需求不符等问题,通过采用基于压缩感知的改进长短时神经网络算法,对通信数据流的采样建立具有一致收敛的约束条件稀疏矩阵,将实际流量序列与待预测的流量序列作为LSTM模型输入同时进行深度训练,实现对未来流量数据的精度预测,从而有效提高了5 G通信网络流量预测精度.经TensorFlow仿真实验显示,所提算法可以将通信网络数据流的预测误差均值控制在5％～10％,绝对误差均值为3％～8％,相较于常规LSTM通信流量算法的预测结果,平均精度提高了近5％.
关键词：压缩感知LSTM模型5G通信网络流量预测神经网络稀疏矩阵基站TensorFlow仿真
分类号：TN915(通信)
资助基金：江西省教育厅科技项目(GJJ209301)江西省高校人文社会科学研究项目(GL20147)南昌市5G无线网络优化重点实验室项目(2020-NCZDSY-015)南昌市移动通信重点实验室项目(2018-NCZDSY-008)
论文发表日期：2022-11-25
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 672-676 )
英文信息