如何使用空間合作關系進行基站流量預測模型的資料說明

　　針對傳統(tǒng)的自回歸積分移動平均（ARIMA）模型和長短時記憶（LSTM）單元在基站流量預測中沒有利用基站（BS）間合作關系的問題，提出一種利用由用戶群體在不同基站下訪問產(chǎn)生的基站合作關系的流量預測（ TPBC）算法。首先，通過基站之間的合作關系構建基站合作網(wǎng)絡，并對此合作網(wǎng)絡進行社區(qū)劃分得到基站社區(qū);然后，通過格蘭杰因果關系檢驗方法尋找與目標基站同一社區(qū)且關系最緊密的若干基站，作為目標基站的合作基站;最后，使用LSTM和詞嵌入層（Embedding）搭建混合神經(jīng)網(wǎng)絡，并根據(jù)目標基站和合作基站的流量信息進行流量預測。實驗結果表明，TPBC在基站流量預測上的均方根誤差（RMSE）相比ARIMA和LSTM分別減小了29.19%和27.47%。TPBC能有效提高基站流量預測準確率，在流量卸載和綠色節(jié)能等領域具有重要意義。

　　隨著蜂窩技術向第五代（5G）演進，全球移動設備數(shù)量和物聯(lián)網(wǎng)（ Internet of Things， loT）規(guī)模呈指數(shù)級增長，這些設備在方便了人類生活的同時也在蜂窩網(wǎng)絡中產(chǎn)生了海量的移動數(shù)據(jù)，對蜂窩網(wǎng)絡造成巨大的流量負載。與此同時，日益豐富的移動數(shù)據(jù)記錄也為蜂窩網(wǎng)絡的智能管理提供了數(shù)據(jù)支撐。流量預測作為智能管理的基礎，被廣泛運用于基站綠色節(jié)能和流量卸載等研究領域。 目前不少的研究致力于挖掘用戶訪問行為規(guī)律和有效利用流量數(shù)據(jù)的內在聯(lián)系上，這些規(guī)律和信息有助于運營商對蜂窩網(wǎng)絡狀況的監(jiān)控和對流量的預測。