基于多种模型的流量预测研究

打开文本图片集

摘要：6G是下一代无线通信网络的发展方向，6G网络要求更高的峰值数据速率、移动性和更无处不在的智能連接。由于不同的场景和业务需要不同的网络切片（Network Slicing）承载，网络的性能指标各异，对各种资源的需求量也不尽相同，因此需要对网络流量在时间和空间上进行预测。对时空流量建模，并提出了3种以深度学习为基础的流量预测方法：基于深度学习的时空数据预测模型（DeepST）、残差网络（ResNet）模型和卷积长短期记忆网络模型（ConvLSTM），针对每种模型的应用场景和优劣予以研究陈述，在此基础上完成模型的有效性验证和比较；最后，仿真验证。（剩余7537字）

网站仅支持在线阅读（不支持PDF下载），如需保存文章，可以选择【打印】保存。