系统工程与电子技术

作者：刘学浩, 刘文学, 杨超三, 祝文晶, 宋玉, 李金海

单位：1. 中国科学院微电子研究所通信与信息工程研发中心, 北京 100029；2. 中国科学院大学集成电路学院, 北京 100049

关键词：高斯过程回归,用户量预测,滑动窗口,交叉验证,超参数优化

基金：地球观测与导航(2022YFB3903900);中国科学院“西部之光”交叉团队项目(xbzg-zdsys-202120)

高斯过程回归(Gaussian process regression, GPR)是一种基于高斯过程的非参数化贝叶斯回归方法, 其可以灵活适应不同类型数据, 用于建模和预测数据之间的复杂关系, 具有拟合能力强、泛化能力好等特点。针对海量用户场景下用户量实时预测问题, 提出一种基于GPR的用户量预测优化方法。在滑动窗口方法处理数据的基础上, 选择合适的核函数, 基于k折交叉验证得到最佳超参数组合以实现GPR模型训练, 完成在线用户量的实时预测并进行性能评估。实验结果表明, 相比于采用训练集中输出数据方差的50%作为信号噪声估计量的传统方案, 所提方法具有较高的预测准确度, 并且在测试集均方根误差(root mean square, RMS)、平均绝对误差(mean absolute error, MAE)、平均偏差(mean bias error, MBE)和决定系数R2这4个评估指标方面均有提升, 其中MBE至少提升了43.3%。

来源：2024年第8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2024年第8期