典型文献
基于改进长短时记忆神经网络的5G通信网络流量预测
文献摘要：
针对5G通信网络流量预测研究中常存在的忽略流量序列内所包含变化趋势与数据间的关联特性而导致预测结果不准确、与用户需求不符等问题,通过采用基于压缩感知的改进长短时神经网络算法,对通信数据流的采样建立具有一致收敛的约束条件稀疏矩阵,将实际流量序列与待预测的流量序列作为LSTM模型输入同时进行深度训练,实现对未来流量数据的精度预测,从而有效提高了5 G通信网络流量预测精度.经TensorFlow仿真实验显示,所提算法可以将通信网络数据流的预测误差均值控制在5％～10％,绝对误差均值为3％～8％,相较于常规LSTM通信流量算法的预测结果,平均精度提高了近5％.
文献关键词：
压缩感知;LSTM模型;5G通信网络;流量预测;神经网络;稀疏矩阵;基站;TensorFlow仿真
中图分类号：
作者姓名：
赵巍
作者机构：
华东交通大学 理工学院,南昌330100
文献出处：
引用格式：
[1]赵巍-.基于改进长短时记忆神经网络的5G通信网络流量预测)[J].沈阳工业大学学报,2022(06):672-676
A类：
B类：
长短时记忆神经网络,网络流量预测,预测研究,常存,关联特性,用户需求,压缩感知,长短时神经网络,神经网络算法,通信数据,数据流,一致收敛,稀疏矩阵,列作,模型输入,深度训练,来流,流量数据,精度预测,流量预测精,TensorFlow,通信网络数据,预测误差,误差均值,绝对误差,量算,基站
AB值：
0.346911
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
