系统工程与电子技术

作者：段阿敏, 张朝辉

单位：西安电子科技大学数学与统计学院, 陕西 西安 710126

关键词：蜂窝流量预测,模态分解,卷积神经网络,双向长短时记忆网络,卷积块注意力模块

基金：国家自然科学基金青年基金(62202351);中央高校基本科研业务费(ZYTS24075)

在移动通信网络快速发展的背景下, 蜂窝流量预测对于网络规划、优化和资源管理具有重大意义。针对蜂窝流量数据的复杂性和非线性特点, 提出一种基于二次分解的混合神经网络蜂窝流量预测方法。首先, 采用自适应噪声的完备集合经验模式分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)方法将原始流量分解为多个子序列, 利用K-Shape聚类算法重构为频率序列和趋势序列。为了更细致地揭示数据的内在结构, 运用变分模态分解(variational mode decomposition, VMD)方法对频率序列进行二次分解, 生成多维频率序列。然后, 将一维趋势序列和多维频率序列分别输入至局部特征提取模块, 其中单通道特征提取层利用一维卷积神经网络(one-dimensional convolution neural network, 1DCNN)提取一维趋势序列的局部特征, 而多通道特征提取层则结合卷积块注意力模块(convolutional block attention module, CBAM)捕捉多维频率序列中的关键信息。紧接着将提取到的特征向量分别输入到时序信息学习模块中, 利用双向长短时记忆(bidirectional long short term memory, BiLSTM)网络和注意力机制学习时序变化规律, 完成预测流量的输出。最后, 通过对趋势序列和频率序列的预测结果求和, 实现对蜂窝流量的准确预测。为了验证所提方法的有效性, 利用公开数据集进行实验验证, 并与多种不同方法进行对比。实验结果表明, 所提预测方法展现出更优的预测性能, 为蜂窝网络的智能管理和优化提供了有力支持。

来源：2025年第5期

《系统工程与电子技术》期刊编辑部

查看系统工程与电子技术杂志2025年第5期