基于BiLSTM与Attention机制的深度学习在5G网络流量预测中的应用研究  

作　　者：唐双林 卓蔚 周志洪[3,4] 侍国亮 

机构地区：[1]中国移动上海产业研究院,上海200031 [2]上海烟草集团有限责任公司,上海200082 [3]上海交通大学网络安全技术研究院,上海200240 [4]上海市信息安全综合管理技术研究重点实验室,上海200240

出　　处：《电脑知识与技术》2024年第19期20-22,共3页Computer Knowledge and Technology

摘　　要：随着5G技术的快速发展和广泛部署,准确预测网络流量成为确保网络稳定性和优化资源分配的关键任务。本研究提出了一种结合卷积神经网络(CNN)、双向长短期记忆网络(BiLSTM)和注意力机制(Attention)的深度学习模型,旨在提高5G网络流量的预测准确性和效率。首先,利用CNN对5G流量数据进行空间特征提取,捕捉流量模式和趋势;其次,通过BiLSTM模型分析时间序列数据中的长期依赖关系,同时考虑过去和未来的信息;最后,引入注意力机制,使模型能够聚焦于对预测任务最关键的信息。模型在多个真实世界的5G流量数据集上进行了实验,结果表明,该模型在流量预测的准确性和响应速度方面均优于现有的几种流行模型。本研究不仅为5G流量管理提供了一种有效的工具,也为未来网络技术的研究提供了新的视角和方法论。

关 键 词：5G网络 流量预测 深度学习 卷积神经网络 双向长短期记忆网络 注意力机制 

分 类 号：TP311[自动化与计算机技术—计算机软件与理论]