检索结果-维普期刊中文期刊服务平台

基于注意力机制的联邦无线流量预测模型: 1; 作者柴宝宝董安明 +3 位作者王桂娟韩玉冰李浩禹继国《软件学报》北大核心 2025年第2期715-731,共17页; 移动数据每天都在不断增长,如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.现有的流量预测方法多采用集中式训练架构,涉及大规模的流量数据传输,会导致用户隐私泄露等安全问题.联邦学习可以在数据本地存储的前提下训... 展开更多; 关键词无线流量预测联邦学习聚类注意力机制; 在线阅读下载PDF 职称材料

基于个性化联邦学习的无线通信流量预测被引量：4: 2; 作者林尚静马冀 +4 位作者李月颖庄琲李铁李子怡田锦《电子科技大学学报》 EI CAS CSCD 北大核心 2023年第1期64-73,共10页; 提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet,各个边缘计算服务器在中心服务器的协调下进行协同训练,中心服务器利用KL散度挑选出流量分布相似的区域流量模型,并采用联邦平均算法对具有相似流量分布的区域流量模型的参... 展开更多; 关键词云边协同合作博弈联邦学习时空依赖性无线流量预测; 在线阅读下载PDF 职称材料

基于联邦学习的无线通信流量预测被引量：1: 3; 作者林尚静马冀 +4 位作者庄琲李月颖李子怡李铁田锦《计算机应用》 CSCD 北大核心 2023年第6期1900-1909,共10页; 无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而,现有的集中式算法模型面临着复杂性和时效性问题,难以满足城市全域尺度的通信流量预测需求。因此,提出一个分布式的云边协同下的无线通信流... 展开更多; 关键词联邦学习云边协同无线流量预测 JS散度合作博弈; 在线阅读下载PDF 职称材料

多源跨域数据融合的无线通信网络流量预测被引量：10: 4; 作者马冀林尚静 +3 位作者李月颖庄琲贾睿田锦《计算机科学》 CSCD 北大核心 2022年第S02期893-899,共7页; 精准地预测无线通信网络流量能够辅助运营商进行精细化运营,更高效地配备与部署基站资源,从而满足大量涌现的各种业务需求。然而,高度复杂的时空依赖性以及多源跨域因素的影响使得无线通信流量的精准预测面临着巨大的挑战。首先,对无线... 展开更多; 关键词无线流量预测多源跨域数据融合时空依赖性密集卷积网络; 在线阅读下载PDF 职称材料

基于改进神经网络的无线网络流量预测被引量：4: 5; 作者卢敦陆张歆奕《现代电子技术》北大核心 2016年第10期30-33,共4页; 考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收... 展开更多; 关键词无线网络流量预测粒子群优化算法 BP神经网络 ARIMA预测模型; 在线阅读下载PDF 职称材料

聚类分析和神经网络的无线网络流量预测研究被引量：5: 6; 作者李刚《现代电子技术》 2021年第7期91-94,共4页; 针对当前无线网络流量预测精度低、预测结果可信度低等问题,为了获得理想的无线网络流量预测结果,设计了聚类分析和神经网络的无线网络流量预测模型。首先,针对无线网络流量预测建模过程中的训练样本选择难题,采用聚类分析算法构建最优... 展开更多; 关键词无线网络流量预测聚类分析神经网络训练样本构建训练样本学习仿真实验; 在线阅读下载PDF 职称材料

题名基于注意力机制的联邦无线流量预测模型: 1; 作者柴宝宝董安明王桂娟韩玉冰李浩禹继国; 机构山东科技大学计算机科学与工程学院齐鲁工业大学(山东省科学院) 中国石油大学(华东)计算机科学与技术学院; 出处《软件学报》北大核心 2025年第2期715-731,共17页; 基金国家自然科学基金(62272256,62202250,61832012) 山东省自然科学基金基础研究重大基础研究项目(ZR2022ZD03) +3 种基金济南“新高校20条”资助项目(20228093)。; 文摘移动数据每天都在不断增长,如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.现有的流量预测方法多采用集中式训练架构,涉及大规模的流量数据传输,会导致用户隐私泄露等安全问题.联邦学习可以在数据本地存储的前提下训练一个全局模型,保护用户隐私,有效减轻数据频繁传输负担.但是在无线流量预测中,单个基站数据量有限,且不同基站流量数据模式异构,流量模式难以捕捉,导致训练得到的全局模型泛化能力较差.此外,传统联邦学习方法在进行模型聚合时采用简单平均,忽略了客体贡献差异,进一步导致全局模型性能下降.针对上述问题,提出一种基于注意力的“类内平均,类间注意力”联邦无线流量预测模型,该模型根据基站的流量数据进行聚类,更好地捕捉具有相似流量模式基站的流量变化特性;同时,设计一个预热模型,利用少量基站数据缓解数据异构,提高全局模型的泛化能力;在模型聚合阶段引入注意力机制,量化不同客体对全局模型的贡献,并在模型迭代过程中融入预热模型,大幅提升模型的预测精度.在两个真实数据集(Milano和Trento)上进行大量实验,结果表明该方法优于所有基线方法.并且与目前最先进的方法相比,在两个数据集上的平均绝对误差性能增益最高分别达到10.1%和9.6%.; 关键词无线流量预测联邦学习聚类注意力机制; Keywords wireless traffic prediction federated learning clustering attention mechanism; 分类号 TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于个性化联邦学习的无线通信流量预测被引量：4: 2; 作者林尚静马冀李月颖庄琲李铁李子怡田锦; 机构北京邮电大学安全生产智能监控北京市重点实验室金陵科技学院网络与通信工程学院; 出处《电子科技大学学报》 EI CAS CSCD 北大核心 2023年第1期64-73,共10页; 基金国家重点研发计划(2019YFC1511400) 中央高校基本科研业务费(2021RC07) 泛网无线通信教育部重点实验室开放基金(KFKT-2020102)。; 文摘提出一种基于分布式的城市全域通信流量预测算法Fed-DenseNet,各个边缘计算服务器在中心服务器的协调下进行协同训练,中心服务器利用KL散度挑选出流量分布相似的区域流量模型,并采用联邦平均算法对具有相似流量分布的区域流量模型的参数进行融合,以较低的复杂度和通信开销实现城市全域流量预测。此外,城市范围内不同地区流量具有高度差异化的特征,为此,在Fed-DenseNet算法基础上,提出基于合作博弈的个性化联邦学习算法p-Fed-DenseNet,将本地区的各个区域性数据特征作为合作博弈的参与者,通过合作博弈的超可加性准则,进行本地区特征的筛选,从而达到既能提高模型的泛化性,又能够保持对本地流量精准刻画的目的。; 关键词云边协同合作博弈联邦学习时空依赖性无线流量预测; Keywords cloud-edge collaboration coalitional game federated learning spatio-temporal dependence wireless traffic prediction; 分类号 TN92 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于联邦学习的无线通信流量预测被引量：1: 3; 作者林尚静马冀庄琲李月颖李子怡李铁田锦; 机构安全生产智能监控北京市重点实验室(北京邮电大学) 金陵科技学院网络与通信工程学院; 出处《计算机应用》 CSCD 北大核心 2023年第6期1900-1909,共10页; 基金国家重点研发计划项目(2019YFC1511400) 北京邮电大学中央高校基本科研业务费新进教师人才项目(2021RC07) +1 种基金泛网无线通信教育部重点实验室开放基金资助项目(KFKT-2020102)。; 文摘无线通信网络流量预测对运营商建设网络、管理基站无线资源和提升用户体验具有重要意义。然而,现有的集中式算法模型面临着复杂性和时效性问题,难以满足城市全域尺度的通信流量预测需求。因此,提出一个分布式的云边协同下的无线通信流量预测框架,以较低的复杂度和通信开销实现基于单栅格基站的流量预测。在分布式架构的基础上,提出了基于联邦学习的无线通信流量预测模型。各个栅格流量预测模型同步训练,通过中心云服务器利用JS(Jensen-Shannon)散度挑选出流量分布相似的栅格流量模型,并采用联邦平均(FedAvg)算法融合具有相似流量分布的栅格流量模型的参数,从而在提高模型泛化性的同时达到保持对本地流量精准刻画的目的。此外,由于城市范围内不同地区流量具有高度差异化的特征,在FedAvg的基础上,提出了基于合作博弈的联邦训练方法,将栅格作为合作博弈的参与者,结合超可加性准则筛选栅格,并引入合作博弈的核和夏普利值分配收益以确保联盟的稳定性,提高模型预测的准确性。实验结果表明,以短消息业务(SMS)流量为例,与栅格独立式训练相比,所提模型的预测误差下降在郊区最为明显,下降范围在26.1%~28.7%,在市区下降范围在0.7%~3.4%,在市中心下降范围在0.8%~4.7%;与栅格集中式训练相比,3个区域的模型预测误差下降范围在49.8%~79.1%。; 关键词联邦学习云边协同无线流量预测 JS散度合作博弈; Keywords federated learning cloud-edge collaboration wireless traffic prediction JS(Jensen-Shannon)divergence coalitional game; 分类号 TN92 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名多源跨域数据融合的无线通信网络流量预测被引量：10: 4; 作者马冀林尚静李月颖庄琲贾睿田锦; 机构金陵科技学院网络与通信工程学院北京邮电大学电子工程学院; 出处《计算机科学》 CSCD 北大核心 2022年第S02期893-899,共7页; 基金国家重点研发计划(2019YFC1511400) 泛网无线通信教育部重点实验室开放基金(KFKT0-2020102) 北京邮电大学中央高校基本科研业务费新进教师人才项目(2021RC07); 文摘精准地预测无线通信网络流量能够辅助运营商进行精细化运营,更高效地配备与部署基站资源,从而满足大量涌现的各种业务需求。然而,高度复杂的时空依赖性以及多源跨域因素的影响使得无线通信流量的精准预测面临着巨大的挑战。首先,对无线通信流量从时间属性、空间属性、社会属性、以及自然属性进行相关性分析,数据分析表明,无线通信流量具有多源跨域性;其次,基于对无线通信流量多重属性的全面分析,提出了一种改进的密集全连接网络模型MST-DenseNet。该模型利用单个DenseUnit结构的卷积操作捕获无线通信流量的空间相关性,利用多个并列的DenseUnit结构捕获无线通信流量在不同时间尺度上的相关性,同时考虑跨域数据对流量的影响,最终将通信流量自身的时空特征与跨域数据中的社会特征、自然特征高效融合,实现对无线通信流量的精准预测。在实际蜂窝数据集上与现有模型进行预测误差的对比,结果表明MST-DenseNet具有更高的预测精度。; 关键词无线流量预测多源跨域数据融合时空依赖性密集卷积网络; Keywords Wireless traffic prediction Multi-source cross-domain Data fusion Temporal-spatial dependence Densenet; 分类号 TN92 [电子电信—通信与信息系统]; 在线阅读下载PDF 职称材料

题名基于改进神经网络的无线网络流量预测被引量：4: 5; 作者卢敦陆张歆奕; 机构广东省科技干部学院五邑大学; 出处《现代电子技术》北大核心 2016年第10期30-33,共4页; 基金国家自然科学基金资助的课题(61120106002); 文摘考虑到无线网络流量具有极强的分散性、随机性以及混沌等特性,使用传统的ARIMA预测模型和BP神经网络模型难以对其进行精确的预测等,该文使用粒子群优化算法对BP神经网络预测模型进行优化以解决BP神经网络容易陷入局部最小值以及训练收敛速率低等问题,引入遗传算法中的自适应变异因子来以一定概率初始化部分变量解决粒子群优化算法会出现陷入局部最优解以及早熟收敛等问题。最后使用经典的CRAWDAD数据库中的无线网络流量数据对该文预测方法性能进行测试,使用稳定小波变换方法将无线网络流量数据分解,得到由1个近似分量以及3个细节分量组成的数据流。测试结果表明,该预测算法在预测性能上要优于ARIMA预测模型和BP神经网络模型。; 关键词无线网络流量预测粒子群优化算法 BP神经网络 ARIMA预测模型; Keywords wireless network traffic prediction particle swarm optimization BP neural network ARIMA prediction model; 分类号 TN915-34 [电子电信—通信与信息系统] TP393 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名聚类分析和神经网络的无线网络流量预测研究被引量：5: 6; 作者李刚; 机构北京工业大学软件工程学院; 出处《现代电子技术》 2021年第7期91-94,共4页; 基金中国交通教育研究会交通教育科学研究课题(1801-16)。; 文摘针对当前无线网络流量预测精度低、预测结果可信度低等问题,为了获得理想的无线网络流量预测结果,设计了聚类分析和神经网络的无线网络流量预测模型。首先,针对无线网络流量预测建模过程中的训练样本选择难题,采用聚类分析算法构建最优的训练样本集合;然后,引入神经网络对训练样本进行学习;最后进行了无线网络流量预测仿真实验。结果表明,设计模型克服了当前无线网络流量预测模型存在的一些弊端,可以描述无线网络流量变化特点,无线网络流量预测精度可以满足实际应用的要求,而且无线网络流量预测建模的效率高,整体预测效果要优于当前经典模型,为无线网络流量预测建模提供了一种新的研究思路。; 关键词无线网络流量预测聚类分析神经网络训练样本构建训练样本学习仿真实验; Keywords wireless network traffic prediction clustering analysis neural network training sample construction training sample learning simulation experiment; 分类号 TN711-34 [电子电信—电路与系统] TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于注意力机制的联邦无线流量预测模型	柴宝宝董安明王桂娟韩玉冰李浩禹继国	《软件学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于个性化联邦学习的无线通信流量预测	林尚静马冀李月颖庄琲李铁李子怡田锦	《电子科技大学学报》 EI CAS CSCD 北大核心	2023	4	在线阅读下载PDF 职称材料
3	基于联邦学习的无线通信流量预测	林尚静马冀庄琲李月颖李子怡李铁田锦	《计算机应用》 CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
4	多源跨域数据融合的无线通信网络流量预测	马冀林尚静李月颖庄琲贾睿田锦	《计算机科学》 CSCD 北大核心	2022	10	在线阅读下载PDF 职称材料
5	基于改进神经网络的无线网络流量预测	卢敦陆张歆奕	《现代电子技术》北大核心	2016	4	在线阅读下载PDF 职称材料
6	聚类分析和神经网络的无线网络流量预测研究	李刚	《现代电子技术》	2021	5	在线阅读下载PDF 职称材料