基于深度學(xué)習(xí)的礦井無線網(wǎng)絡(luò)流量預(yù)測研究

王躍文，常 琳，李 鳴，3

（1.中國礦業(yè)大學(xué)計算機(jī)科學(xué)與技術(shù)學(xué)院，江蘇徐州 221116；2.安標(biāo)國家礦用產(chǎn)品安全標(biāo)志中心有限公司，北京 100013；3.礦山數(shù)字化教育研究中心，江蘇徐州 221116）

我國是世界最大產(chǎn)煤國，礦井安全始終被國家和煤礦企業(yè)高度重視。隨著煤礦安全監(jiān)測水平特別是通信技術(shù)的不斷提高，煤炭安全生產(chǎn)形勢已明顯好轉(zhuǎn)。尤其礦井無線通信網(wǎng)絡(luò)的廣泛應(yīng)用，極大的改善了煤礦安全檢測、快速救援、生產(chǎn)管理的效率[1]。

礦井無線通信系統(tǒng)發(fā)展經(jīng)歷了小靈通、WiFi、3G、4G 技術(shù)[2]，隨著地面第五代移動通信技術(shù)（5G）的逐步成熟，將5G 技術(shù)應(yīng)用在礦井的需求越來越強(qiáng)烈[3]。與此同時，煤礦自動化程度不斷提高，越來越多的礦井設(shè)備利用無線通信網(wǎng)絡(luò)傳輸數(shù)據(jù)。然而，礦井無線通信技術(shù)的應(yīng)用面臨著許多考驗。首先，井下巷道環(huán)境復(fù)雜，存在大量可燃性氣體，這嚴(yán)格限制了通信設(shè)備的發(fā)射功率，但無線終端多需要電池供電，因此，為了保證無線終端較長的巷道中長時間工作，只有降低煤礦無線通信系統(tǒng)的能耗。其次，巷道中工作人員和機(jī)械設(shè)備具有一定流動性，同時礦井中數(shù)據(jù)、視頻等數(shù)據(jù)業(yè)務(wù)大量涌現(xiàn)，使得靜態(tài)的網(wǎng)絡(luò)覆蓋不能充分利用每個無線網(wǎng)絡(luò)中的頻譜和能量資源，故一個靈活的動態(tài)覆蓋通信方法將更加適應(yīng)未來礦井高速率多媒體的無線通信需求。無線網(wǎng)絡(luò)流量的精確預(yù)測能夠提升無線網(wǎng)絡(luò)的智能化程度，實現(xiàn)網(wǎng)絡(luò)動態(tài)的擁塞控制，輔助基站實現(xiàn)基于流量的動態(tài)覆蓋，減少網(wǎng)絡(luò)資源的耗費，提高網(wǎng)絡(luò)能效，最終實現(xiàn)網(wǎng)絡(luò)的自組織管理、最優(yōu)化配置。

流量預(yù)測的目的是通過現(xiàn)有的流量歷史數(shù)據(jù)通過某些算法提取流量波動的相關(guān)信息精確預(yù)測下一個時間段的流量。在幾十年的無線通信領(lǐng)域發(fā)展過程中，無線網(wǎng)絡(luò)流量的分析與預(yù)測也在穩(wěn)步發(fā)展[4]。已經(jīng)有很多學(xué)者提出許多不同的流量預(yù)測方法。這些方法主要有基于時間序列的流量預(yù)測方法、基于機(jī)器學(xué)習(xí)的流量預(yù)測方法和基于深度學(xué)習(xí)的流量預(yù)測方法。

文獻(xiàn)[5]提出一種基于差分整合移動平均自回歸模型（ARIMA）的流量預(yù)測方法，該方法主要是利用了流量數(shù)據(jù)中規(guī)律的數(shù)據(jù)進(jìn)行流量預(yù)測，但模型僅具有線性表達(dá)能力，而流量數(shù)據(jù)主要是由非線性數(shù)據(jù)組成，這導(dǎo)致了ARIMA 模型應(yīng)用能力較弱。目前，由于機(jī)器學(xué)習(xí)和深度學(xué)習(xí)具有強(qiáng)大的特征表達(dá)能力，已成為網(wǎng)絡(luò)流量建模的主要方式。無線網(wǎng)絡(luò)流量預(yù)測作為復(fù)雜時空預(yù)測問題，研究人員在該領(lǐng)域做了大量的研究工作。文獻(xiàn)[6]將循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）應(yīng)用于基站流量預(yù)測，取得了不錯的效果。為了同時捕獲流量中的時間和空間相關(guān)性，文獻(xiàn)[7]利用了卷積神經(jīng)網(wǎng)絡(luò)，通過基于參數(shù)矩陣的融合策略，融合不同種類的時間依賴性（周期性），使用多層卷積來學(xué)習(xí)空間上的依賴性增強(qiáng)模型的特征表達(dá)能力。文獻(xiàn)[8]結(jié)合卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)對互聯(lián)網(wǎng)流量進(jìn)行預(yù)測。在空間特征的提取方面，文獻(xiàn)[9]研究了特殊卷積神經(jīng)網(wǎng)絡(luò)對于空間特征提取的效果，認(rèn)為深層殘差網(wǎng)絡(luò)比一般卷積神經(jīng)網(wǎng)絡(luò)堆疊效果更好。而在時間特征提取方面，文獻(xiàn)[10]研究了不同人工神經(jīng)網(wǎng)絡(luò)的互聯(lián)網(wǎng)流量預(yù)測算法，實驗認(rèn)為，循環(huán)神經(jīng)網(wǎng)絡(luò)能夠有效提取時間特征，比堆疊自動編碼器表現(xiàn)更好。

以上流量預(yù)測研究一部分側(cè)重于利用流量數(shù)據(jù)的部分特征進(jìn)行預(yù)測，另一部分研究在時空特征提取或融合方面有待進(jìn)一步加強(qiáng)。因此，為了充分利用流量數(shù)據(jù)中存在的時空特征進(jìn)行預(yù)測，提出了一種有效的時空卷積全連接網(wǎng)絡(luò)（CL-FCCNet），該模型利用殘差網(wǎng)絡(luò)捕獲無線網(wǎng)絡(luò)流量的空間依賴，基于循環(huán)神經(jīng)網(wǎng)絡(luò)捕獲無線網(wǎng)路流量的時間依賴，將2 個模型提取出的時空相關(guān)性由全連接層融合輸出，實現(xiàn)無線網(wǎng)絡(luò)流量的精確預(yù)測。

1 面臨問題與數(shù)據(jù)分析

1.1 流量預(yù)測研究內(nèi)容

流量預(yù)測的思想是通過數(shù)學(xué)表達(dá)式來表示未來一段時間內(nèi)的流量變化情況，在流量數(shù)據(jù)中呈現(xiàn)復(fù)雜的非線性。流量預(yù)測圖如圖1。

圖1 流量預(yù)測圖Fig.1 Traffic forecast

1.2 數(shù)據(jù)分析

通過無線網(wǎng)絡(luò)流量的具體變化情況分析無線網(wǎng)路流量所具有的特征，2 個區(qū)域的流量變化情況如圖2。

圖2 2 個典型區(qū)域的流量變化情況Fig.2 Temporal distribution of the wireless traffic of two typical regions

圖2 中，橫坐標(biāo)表示時間，縱坐標(biāo)CDRs 表示隨時間變化的流量數(shù)值情況。精確的流量預(yù)測即如何有效利用流量數(shù)據(jù)中存在的流量變化特征，即在空間上各個區(qū)域間的流量呈現(xiàn)相關(guān)性，在時間上單個區(qū)域內(nèi)的流量變化也呈現(xiàn)周期性和突發(fā)性，來預(yù)測未來時間段內(nèi)流量的變化。流量數(shù)據(jù)中存在特征的簡要描述如下：

1）區(qū)域內(nèi)復(fù)雜的周期性時間特征。如圖2，單個區(qū)域內(nèi)的流量變化呈周期性波動，但流量數(shù)據(jù)在周期性波動的同時也并非與上一個時間段的波動完全相同，具有一定的突發(fā)性。流量波動的周期性與人們的日常行為有關(guān)，無線網(wǎng)絡(luò)流量的需求隨時間變化，每天在固定的時間形成高峰與低谷。同時流量波動具有突發(fā)性，流量預(yù)測模型需要準(zhǔn)確的表達(dá)流量數(shù)據(jù)中存在的周期性和突發(fā)性。

2）區(qū)域間復(fù)雜的關(guān)聯(lián)性。礦井內(nèi)不同區(qū)域的無線流量變化情況是與設(shè)備和人員的流動相關(guān)的。隨著井下工作的進(jìn)行必定會造成無線網(wǎng)絡(luò)設(shè)備的移動，從而影響無線網(wǎng)絡(luò)流量的變化。

3）其他影響因素。礦井下工作環(huán)境復(fù)雜，任何突發(fā)情況均有可能影響流量的波動，如礦井事件、節(jié)假日等。

綜上，準(zhǔn)確的無線網(wǎng)絡(luò)預(yù)測模型不僅需要涉及區(qū)域內(nèi)流量波動特征，也需要建模區(qū)域間網(wǎng)絡(luò)流量相關(guān)性，因此，綜合考慮以上多維度建模流量數(shù)據(jù)中所攜帶的相關(guān)信息。

2 時空殘差卷積網(wǎng)絡(luò)

時空殘差卷積網(wǎng)絡(luò)架構(gòu)圖如圖3。它由2 個部分組成：①殘差網(wǎng)絡(luò)模塊：用來生成數(shù)據(jù)流量序列的空間特征；②循環(huán)神經(jīng)網(wǎng)絡(luò)模塊：提取流量數(shù)據(jù)序列的時間特征。如圖3,經(jīng)過處理后的歷史數(shù)據(jù)輸入至由卷積神經(jīng)網(wǎng)絡(luò)和批規(guī)范化組成的殘差網(wǎng)絡(luò)，從而提取流量數(shù)據(jù)的空間特征，隨后轉(zhuǎn)換數(shù)據(jù)維度，輸入到循環(huán)神經(jīng)網(wǎng)絡(luò)中，以提取流量數(shù)據(jù)的時間依賴，最后通過全連接層對包含時空特征的循環(huán)神經(jīng)網(wǎng)絡(luò)的所有輸出產(chǎn)生預(yù)測數(shù)據(jù)。

圖3 時空殘差卷積網(wǎng)絡(luò)架構(gòu)圖Fig.3 Main architecture of CL-FCCNet

2.1 模型計算步驟

2.1.1 輸入矩陣的維度擴(kuò)充

模型使用same 的padding 方法對輸入數(shù)據(jù)進(jìn)行處理，使得輸入數(shù)據(jù)在卷積時不會丟失邊緣數(shù)據(jù)，以獲得更多的空間特征，same padding 示意圖如圖4。

圖4 same padding 示意圖Fig.4 Schematic diagram of same padding

輸入數(shù)據(jù)的尺寸為W1，步長為S，則same padding 的輸出形狀計算公式如下：

式中：［］為向上取整符號；new＿h(yuǎn)eight、new＿width為輸出數(shù)據(jù)的高度和寬度。

2.1.2 殘差網(wǎng)絡(luò)建模空間相關(guān)性

殘差網(wǎng)絡(luò)通過卷積的方式建模信息，relu 作為激活函數(shù)，加入批標(biāo)準(zhǔn)化處理加快空間依賴建模速度、打亂訓(xùn)練數(shù)據(jù)、約束訓(xùn)練參數(shù)，從而優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)中梯度消失梯度爆炸等問題。此外，傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)的子采樣操作會損失邊緣數(shù)據(jù)，過多層子采樣的疊加可能會使模型進(jìn)入過擬合。因此，模型在使用殘差網(wǎng)絡(luò)時直接進(jìn)行卷積操作，卷積堆疊方式如圖5。殘差網(wǎng)絡(luò)單元如圖6。

圖5 卷積堆疊方式Fig.5 Convolution stack mode

圖6 殘差網(wǎng)絡(luò)單元Fig.6 Residual unit

殘差單元可以表示為：

式中：xl、xl＋1為第l 個殘差單元的輸入和輸出；hr為恒等映射函數(shù)；Fr為殘差函數(shù)，表示學(xué)習(xí)到的殘差，在圖中為直線箭頭所經(jīng)過的部分；Wrl為第l 層殘差的權(quán)重；yl為第l 層恒等映射函數(shù)與殘差函數(shù)的累加和；f 為激活函數(shù)。

從淺層l 至深層L 的學(xué)習(xí)特征公式如下：

式中：xL為第L 層殘差網(wǎng)絡(luò)輸出；i 為從第l 層至第L 層殘差網(wǎng)絡(luò)的迭代。

殘差網(wǎng)絡(luò)實際輸出數(shù)據(jù)XC∈kn×H2×W2，kn為最后1 層卷積層卷積核個數(shù)，H2、W2為輸入張量尺寸。

2.1.3 數(shù)據(jù)維度的轉(zhuǎn)化

殘差網(wǎng)絡(luò)為卷積神經(jīng)網(wǎng)絡(luò)，單次輸出數(shù)據(jù)為三維數(shù)據(jù)，而長短期記憶網(wǎng)絡(luò)單次輸入數(shù)據(jù)為二維數(shù)據(jù)，需要將數(shù)據(jù)維度轉(zhuǎn)換。轉(zhuǎn)換公式如下：

式中：Re shape 為維度變換函數(shù)；Xc［i1，j1，k1，m1］為殘差網(wǎng)絡(luò)輸出張量，整體輸出數(shù)據(jù)為四維數(shù)據(jù)，且各個維度上的數(shù)據(jù)量分別是i1、j1、k1、m1；Xr［i2，j2，k2］為長短期記憶網(wǎng)絡(luò)輸入張量，整體輸入數(shù)據(jù)為三維數(shù)據(jù)，且各個維度上的數(shù)據(jù)量分別是i2、j2、k2。

2.1.4 長短期記憶網(wǎng)絡(luò)建模時間相關(guān)性

長短期記憶網(wǎng)絡(luò)主要由輸入門、輸出門和遺忘門組成，輸入門負(fù)責(zé)數(shù)據(jù)的輸入，決定輸入的新信息。輸出門輸出計算后的數(shù)據(jù)，如當(dāng)前單元的輸出值以及傳遞到下一個單元的隱藏狀態(tài)值。遺忘門則負(fù)責(zé)從當(dāng)前狀態(tài)中丟棄哪些信息。具體過程如下：

1）輸入數(shù)據(jù)會經(jīng)過遺忘門，遺忘門會根據(jù)前一時刻的隱藏狀態(tài)值ht－1和當(dāng)前輸入信息xt決定是否丟棄遺忘門輸出信息ft，遺忘門輸出結(jié)果ft會通過sigmoid 函數(shù)將數(shù)值映射到［0，1］區(qū)間，然后與上一個單元的狀態(tài)值進(jìn)行對應(yīng)元素乘法運算。映射在0附近則對應(yīng)狀態(tài)信息被遺忘，映射為1 附近則狀態(tài)信息被保留。

式中：Wf為權(quán)重；bf為偏置；σ 為激活函數(shù)。

2）將輸入數(shù)據(jù)經(jīng)過更新門，確定更新信息it。更新門輸出結(jié)果同樣映射在［0，1］范圍內(nèi)，為了計算狀態(tài)信息ct還需要讓更新門輸出數(shù)據(jù)與輸入數(shù)據(jù)xt經(jīng)過tanh 函數(shù)的輸出相乘，得出的結(jié)果與經(jīng)過遺忘門輸出的狀態(tài)信息逐點相加，成為當(dāng)前單元的狀態(tài)信息ct。更新門的操作可以表示為：

式中：Wi為更新門權(quán)重；bi更新門偏置。

3）將輸入數(shù)據(jù)輸入輸出門，得出輸出門輸出ot以及本單元的隱藏狀態(tài)值ht。其中ot的計算公式如下：

式中：Wo為輸出門權(quán)重；bo為輸出門偏置。

4）計算單元狀態(tài)信息ct和隱藏狀態(tài)ht。

式中：ct－1為上一單元的單元狀態(tài)；°為哈達(dá)碼積（2 個矩陣對應(yīng)位置相乘結(jié)果為矩陣）；σc為單元狀態(tài)信息激活函數(shù)；σh為隱藏狀態(tài)激活函數(shù)；Wc、Zc為可學(xué)習(xí)權(quán)重矩陣；bc為可學(xué)習(xí)偏置。

2.1.5 使用全連接神經(jīng)網(wǎng)絡(luò)融合時空特征

在殘差網(wǎng)絡(luò)提取空間特征，長短期記憶網(wǎng)絡(luò)提取時間特征之后，輸入至全連接神經(jīng)網(wǎng)絡(luò)整合時空特征輸出預(yù)測結(jié)果：

3 試驗與結(jié)果分析

受條件限制，無法取得井下的無線網(wǎng)絡(luò)流量數(shù)據(jù)，但無線網(wǎng)絡(luò)流量數(shù)據(jù)存在共同的特征。因此試驗采用的是日常條件下的無線網(wǎng)絡(luò)流量數(shù)據(jù)。

由于數(shù)據(jù)中包含流量的輸入輸出，存在不符合的數(shù)據(jù)。因此，需要在輸入模型前先對數(shù)據(jù)集進(jìn)行簡單的預(yù)處理。預(yù)處理過程如下：首先將原始數(shù)據(jù)時間戳進(jìn)行轉(zhuǎn)換；累加區(qū)域內(nèi)同一時刻不同首發(fā)區(qū)域的數(shù)據(jù)；將數(shù)據(jù)集轉(zhuǎn)換為時間、網(wǎng)格橫坐標(biāo)、網(wǎng)格縱坐標(biāo)、流量情況的符合模型輸入的矩陣形式；處理異常和缺失數(shù)據(jù)，原始數(shù)據(jù)中存在明顯超出流量范圍的異常數(shù)據(jù)和缺失數(shù)據(jù)，根據(jù)公式將異常數(shù)據(jù)和缺失數(shù)據(jù)替換為附近數(shù)據(jù)的平均值。

3.1 試驗參數(shù)設(shè)置

將歷史數(shù)據(jù)的90%用來進(jìn)行模型的訓(xùn)練，剩下的10%作為模型訓(xùn)練情況的驗證。模型設(shè)置34 層殘差網(wǎng)絡(luò)，其中卷積核的數(shù)目是64/128，卷積核的大小為3×3/5×5。模型采用的激活函數(shù)是Relu，其表達(dá)式為：f（a）=max（0，a）。相較于其它激活函數(shù)relu能夠克服在訓(xùn)練過程中梯度消失的問題，也能夠加快模型的訓(xùn)練速度。長短期記憶網(wǎng)絡(luò)的層數(shù)選擇2/3 層，每層單元數(shù)目是64/128。在模型中增加信息丟失層，丟失概率是0.5。

本次試驗使用深度學(xué)習(xí)框架TensorFlow 和Keras 在Linux 環(huán)境下的GPU 上運行。

3.2 試驗對比和分析

為了對比本模型的試驗結(jié)果，在相同的數(shù)據(jù)集上試驗了現(xiàn)有的多個模型，并對試驗結(jié)果進(jìn)行對比。具體對比模型如下：ARIMA 為整合移動平均自回歸方法，用來描述預(yù)測原始數(shù)據(jù)序列，識別后利用歷史數(shù)據(jù)和當(dāng)前數(shù)據(jù)預(yù)測未來的值，是經(jīng)典的時間序列預(yù)測方法；LSTM 為長短期記憶網(wǎng)絡(luò)，適合處理和預(yù)測長期的時間序列數(shù)據(jù)；GRU 為門控循環(huán)網(wǎng)絡(luò)，長短期記憶網(wǎng)絡(luò)的一種很好的變體，具有更簡單的結(jié)構(gòu)，提供較好的效果，能夠減少需要訓(xùn)練的參數(shù)數(shù)目；3DCNN 為一種將卷積維度從二維擴(kuò)展到三維的網(wǎng)絡(luò)，處理時間序列數(shù)據(jù)能夠?qū)r間和空間進(jìn)行卷積；CNN+RNN 為卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的組合模型，能夠獨立提取時間信息和空間信息，在時間序列預(yù)測問題上具有良好的表現(xiàn)。

采用均方誤差RMSE 和平均準(zhǔn)確度MA 作為評價指標(biāo)，用M 表示輸出序列數(shù)目，yi，y?i分別為預(yù)測值和真實值。利用RMSE 和MA 參數(shù)，可以衡量預(yù)測值和實際流量數(shù)值的差異。

3.3 試驗結(jié)果

試驗結(jié)果對比見表1。試驗對流量數(shù)據(jù)進(jìn)行建模和預(yù)測，然后用RMSE 和MA 進(jìn)行CL-FCCNet 與5 個基線模型之間的性能比較。

表1 試驗結(jié)果對比Table 1 Test results

從表1 的試驗結(jié)果中能夠明顯看出，提出的試驗?zāi)Ｐ驮跓o線網(wǎng)絡(luò)流量預(yù)測中具有一定的優(yōu)勢，在所有基礎(chǔ)模型中RMSE 最大的提升幅度為ARIMA，相比為39.85%，最低的RMSE 優(yōu)化幅度為3DCNN，相對提升4.38%。正如相關(guān)工作所分析的內(nèi)容，傳統(tǒng)的時間序列預(yù)測方法具有自身的局限性。ARIMA 模型無法綜合考慮流量變化的相關(guān)影響因素，雖具有一定的適用性但流量變化預(yù)測準(zhǔn)確性最低。在本次的試驗條件下，ARIMA 模型的預(yù)測RMSE 為7.98，預(yù)測準(zhǔn)確度為80.21%。采用深度神經(jīng)網(wǎng)絡(luò)的預(yù)測模型在預(yù)測結(jié)果上均具有一定的優(yōu)勢，其中循環(huán)神經(jīng)網(wǎng)絡(luò)模型能夠?qū)α髁孔兓瘮?shù)據(jù)進(jìn)行線性建模的同時綜合考慮流量變化的相關(guān)影響因素，在本次試驗結(jié)果中，LSTM 模型和GRU 模型的RMSE 分別為6.12和6.48，MA 分別為86.65%和85.97%。LSTM 和GRU 均采用對輸入數(shù)據(jù)線性處理的方式進(jìn)行預(yù)測建模，LSTM 結(jié)構(gòu)相對復(fù)雜需要訓(xùn)練更多的參數(shù)，GRU 簡化了模型結(jié)構(gòu)在保留模型功能的基礎(chǔ)上減少訓(xùn)練參數(shù)，進(jìn)一步了減少訓(xùn)練量。但二者作為循環(huán)神經(jīng)網(wǎng)絡(luò)的發(fā)展模型，還是存在循環(huán)神經(jīng)網(wǎng)絡(luò)存在的普遍問題，即在訓(xùn)練長序列數(shù)據(jù)時由于數(shù)據(jù)量較大而記憶單元容量有限，模型不可避免的需要丟失一部分預(yù)測相關(guān)數(shù)據(jù)造成預(yù)測的精度下降。三維卷積神經(jīng)網(wǎng)絡(luò)（3DCNN）在本次試驗中的預(yù)測結(jié)果為RMSE 的5.02 和MA 的89.64%。此次預(yù)測結(jié)果相對于僅考慮時間相關(guān)性進(jìn)行建模的循環(huán)神經(jīng)網(wǎng)絡(luò)（LSTM 和GRU）的預(yù)測結(jié)果有一定的提升，說明在進(jìn)行無線網(wǎng)絡(luò)流量預(yù)測時將無線網(wǎng)絡(luò)流量變化點之間的相關(guān)性納入模型預(yù)測影響因素中有助于提高流量預(yù)測的準(zhǔn)確性。同時，在本次試驗中卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)的組合模型所取得的預(yù)測結(jié)果為RMSE 的11.03 和MA 的74.87%。組合模型雖然考慮到了時間和空間上的因素對流量預(yù)測的影響，但可能是由于相關(guān)影響因素提取的不徹底或者是在相關(guān)性的傳遞過程中丟失部分?jǐn)?shù)據(jù)造成預(yù)測的準(zhǔn)確性下降。

提出的無線網(wǎng)絡(luò)流量數(shù)據(jù)預(yù)測模型對于一般的三維卷積神經(jīng)網(wǎng)絡(luò)超過4.38%，優(yōu)于其它對比模型。模型充分利用不同深度學(xué)習(xí)模型的優(yōu)勢，采用分開建模的方式利用殘差網(wǎng)絡(luò)獲取數(shù)據(jù)中的空間相關(guān)性，利用循環(huán)神經(jīng)網(wǎng)絡(luò)建模數(shù)據(jù)中的時間依賴最終通過全連接網(wǎng)絡(luò)輸出預(yù)測數(shù)據(jù)。試驗結(jié)果表明，模型具有一定優(yōu)勢。

網(wǎng)格數(shù)目增加預(yù)測性能變化情況如圖7，每次試驗增加225 個預(yù)測區(qū)域。流量預(yù)測值與實際值對比如圖8。

圖7 網(wǎng)格數(shù)目增加預(yù)測性能變化情況Fig.7 Predicting performance changes as the number of grids increases

圖8 流量預(yù)測值與實際值對比Fig.8 Comparison of prediction and real on traffic prediction over a period of time on a grid

從圖7 可以看出，所有的模型隨著預(yù)測范圍的擴(kuò)大，預(yù)測精度呈現(xiàn)下降的趨勢。但所提出的CLFCCNet 模型相較于其它模型具有一定的優(yōu)勢。這說明，利用流量數(shù)據(jù)中存在的時空特征能夠?qū)o線網(wǎng)絡(luò)流量進(jìn)行更加精確地預(yù)測。模型使用殘差網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)能夠精確地建模無線網(wǎng)絡(luò)流量的時空特征，在輸出階段使用全連接神經(jīng)網(wǎng)絡(luò)能夠很好的融合2 個模型分別提取的特征。因而CL-FCCNet模型在預(yù)測范圍擴(kuò)大的情況下對預(yù)測精度的影響較小，從而在大范圍流量預(yù)測中也具有一定的優(yōu)勢。

從圖8 對比結(jié)果可以看出，模型能夠較為準(zhǔn)確地預(yù)測流量的變化趨勢，但是預(yù)測的細(xì)節(jié)還有待加強(qiáng)。從圖中可以看出在流量劇烈波動的細(xì)節(jié)部分預(yù)測準(zhǔn)確度較低，但能夠準(zhǔn)確的預(yù)測流量的變化趨勢。從結(jié)果來看，模型能夠較為準(zhǔn)確地預(yù)測流量的變化情況。

4 結(jié) 語

無線網(wǎng)絡(luò)流量的精確預(yù)測是構(gòu)建安全高效礦井無線網(wǎng)絡(luò)的基礎(chǔ)，結(jié)合殘差網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)模型，提出一種時空卷積（CL-FCCNet）模型。該模型利用殘差網(wǎng)絡(luò)獲取無線網(wǎng)絡(luò)流量的空間特征，基于循環(huán)神經(jīng)網(wǎng)絡(luò)獲取無線網(wǎng)絡(luò)流量時間特征，并最終利用全連接神經(jīng)網(wǎng)絡(luò)融合時空特征，增強(qiáng)模型預(yù)測的準(zhǔn)確性和穩(wěn)定性。通過在真實的無線網(wǎng)絡(luò)數(shù)據(jù)集上進(jìn)行測試，結(jié)果表明空間依賴和時間相關(guān)的相互作用在流量預(yù)測中起著重要的作用。提出的模型CL-FCCNet具有更簡單的結(jié)構(gòu)，在保證較高準(zhǔn)確率的前提下極大降低時間復(fù)雜度，使結(jié)果具有更高的時效性。未來，將收集真實的井下無線網(wǎng)絡(luò)流量數(shù)據(jù)，引入影響流量波動的其他因素進(jìn)行試驗優(yōu)化預(yù)測模型。