m0_58916821的博客

本文提出了MSTL-GLTP，这是一个边缘云协作框架，在确保预测准确性的同时有效地降低了系统复杂性。为了更好地捕捉蜂窝网络流量的内在特征和时空相关性，MSTL- GLTP经过两阶段的训练，包括MSTL分解和全局-局部流量预测。具体而言，MSTL分解可以根据流量的潜在特征对其进行分解，有利于并行训练。此外，在全局模型中引入了距离辅助注意机制，根据不同小区的贡献来减轻平均损失。此外，TCN和GPR模型部署在本地服务器上，分别处理区域和本地流量。更先进的分解技术，以适应蜂窝流量日益复杂的时间特征。图神经网络。

线性统计模型、机器学习模型……针对不同细胞的空间依赖性，[9]建立了一种自编码器与LSTM网络相结合的策略[10]。然而，通过自编码器学习到的特征是原始数据的有损表示[11]，可能无法完全表征相邻单元的空间依赖性。此外，上述方法主要集中在单个小区的流量预测上。如果应用于全市规模的网络，它们的计算成本很高，因为需要同时训练数百甚至数千个模型。本文工作：密集连接的CNN是最先进的深度学习架构，它被用来集体模拟不同细胞中流量的时空依赖性。空间依赖性自然地被卷积运算捕获。

目前对流量预测的要求：及时性、高精度，以便智慧城市中主动网络服务的提供和资源分配。本文的主要工作：graph attention spatial-temporal network (GASTN)图注意力时空预测网络、two attention mechanisms两种注意力机制、全局-局部合作学习策略。

预测网络流量未来动态性能，提出了一种基于相关性的ConvLSTM和基于自注意的网络（CCSANet）来准确预测复杂的蜂窝网络流量。

一共有三种输入，时空信息、元数据信息和跨域信息。时空相关性主要通过ConvLSTM提取，元数据和跨域数据信息用来辅助，对二者的处理较简单，元数据通过两层全连接层，跨域数据concat后经过conv-BN+ReLU+conv。三种输入经过不同处理后concat然后送入DenseNet。