基于树型学习算法的短期流量预测研究

李笑雪，张思凝，王娅娅，苗梦凡

(沈阳航空航天大学电子信息工程学院,辽宁沈阳，110136)

0 引言

移动互联网飞速发展，移动流量呈现爆炸式增长，基站的流量预测问题变得越来越重要。为了改善这个问题，需要给基站增加载频的数量来扩容，使基站可以承载更多的流量；另一方面，基站存在潮汐现象，使得在某些时段，用户数量会大幅降低。由于基站数量巨大，无法通过人工实时关注每个基站的流量变化，故需要利用模型对基站流量随时间变化的情况进行预测[1-3]。

目前已有大量研究将树型算法应用于预测领域。极端随机树（Extratrees）模型处理非线性相关数据效果好,在预测超短时负荷过程中应用该模型取得了较好的效果[4]。文献[5]应用了梯度提升树预测写字楼月度用电量，并与差分整合移动平均自回归模型ARIMA、神经网络模型LSTM 进行效果对比，取得了最佳效果。[6]利用装袋算法将弱预测模型训练成强预测模型序列,将Bagging 算法与FNN 算法结合，对日负荷进行预测。实验结果表明模型可以有效地预测96 点日负荷数据,具有工程实用价值。Bagging 集成算法与指数平滑方法相结合的Bagging 指数平滑方法可以准确预测航空客运需求。模型评估结果表明,该方法优于其他传统的时间序列预测方法[7-8]。为了提高模型的预测精度,采用Bagging算法对多个基学习器进行GPR 集成,最大限度地降低了噪声信号的影响，并通过对比分析实验,验证了该方法较之人工神经网络和支持向量机,预测精度更好。……