对流媒体传输关键指标作简单预测

发表于 2019-04-01 更新于 2023-10-24 分类于 2-深度学习阅读次数：本文字数： 3.3k 阅读时长 ≈ 3 分钟

本文使用LSTM对流媒体的6个关键指标进行预测

现收集有流媒体传输过程中的６个指标，这些指标分别是：

PDCCH信道CCE可用个数 AvaPdcch
PDCCH信道CCE占用个数 OccPdcch
RRC连接最大数 ConRrc
上行PRB平均利用率 UpPrb
下行PRB平均利用率 DownPrb
有效RRC连接最大数 EffConRrc

1.数据情况

每个指标的数据格式为：Data-Time-Value，本文首先对数据进行预处理，然后使用LSTM对这６个指标作简单预测。

import pandas as pd
import numpy as np

filenames=['AvaPdcch','OccPdcch','ConRrc','UpPrb','DownPrb','EffConRrc']  #属性列表

#读取数据
dataset=[]
for filename in filenames:
    df=pd.read_csv(filename+'.csv',delimiter=',')
    partfea=np.array(df)[:,-1]
    dataset.append(partfea)

dataset=np.array(dataset)
dataset=dataset.T

print(dataset.shape,dataset[1302])

输出：

(1378, 6) [nan nan 18.0 nan nan 8.0]

从这输出可以看出，数据量就是1378个，每个数据量是前文的６个指标。并且数据中包含缺失值，为了简单，这里使用均值进行填充，实际上还可以更加灵活处理缺失值，比如整行/列去掉，进行插值等。

2.数据预处理

缺失值填充

from sklearn import preprocessing

impute = preprocessing.Imputer()
dataset = impute.fit_transform(dataset)

print(dataset.shape,dataset[1302])

输出：

(1378, 6) [ 7.31026325e+07 9.40476974e+06 1.80000000e+01 3.38872727e-02
1.92543953e-01 8.00000000e+00]

数据归一化

from sklearn.preprocessing import MinMaxScaler

scaler = MinMaxScaler(feature_range=(0, 1))
dataset = scaler.fit_transform(dataset)

print(dataset.shape,dataset[1302])

输出：

(1378, 6) [ 0.5072962 0.23767169 0.22222222 0.17733455 0.21859107 0.23809524]

3.样本划分及标签处理

后一个数据作为前一个数据的标签，模型最终是基于当前的数据预测下一状态数据。

train_size=int(0.8*len(dataset))
#训练集
train_X=dataset[0:train_size,:]
train_y=dataset[1:train_size+1,:]
#验证集
vali_X=dataset[train_size:,:]
vali_y=dataset[train_size+1:,:]
 
train_X=train_X.reshape(train_X.shape[0],1,train_X.shape[1])
vali_X=vali_X.reshape(vali_X.shape[0],1,vali_X.shape[1])

print(train_X.shape,train_y.shape,vali_X.shape,vali_y.shape)

输出：

(1102, 1, 6) (1102, 6) (276, 1, 6) (275, 6)

4.模型训练

import keras
from keras.models import Sequential
from keras.layers import Dense
from keras.layers import LSTM
from keras.utils import plot_model
from IPython.display import SVG

from keras.utils.vis_utils import model_to_dot

#构建LSTM网络
model=Sequential()
model.add(LSTM(32,input_shape=(1,6)))
model.add(Dense(6))

#编译模型
model.compile(loss='mean_squared_error', optimizer='adam')

#打印模型
model.summary()

#保存模型
SVG(model_to_dot(model,show_shapes=True).create(prog='dot', format='svg'))

#训练LSTM网络
model.fit(train_X, train_y, epochs=10, batch_size=1, verbose=1)

5.模型评估

1
2
3

#预测数据
valipredict=model.predict(vali_X)
print(valipredict.shape,vali_y.shape)

#画图模型预测显示
finalypredict=[]
#归一化后的数据画图,有6列
plt.subplots(2,3,figsize=(18,6)) 
for ind in range(6):
    #归一化数据转换为真实数据
    valipredict_real=valipredict[:,ind]*(scaler.data_max_[ind]-scaler.data_min_[ind])+scaler.data_min_[ind]
    vali_y_real=vali_y[:,ind]*(scaler.data_max_[ind]-scaler.data_min_[ind])+scaler.data_min_[ind]
    
    #未来的6个真实值
    finalypredict.append(valipredict_real[-1])
    
    plt.subplot(2, 3,ind+1)
    plt.title(filenames[ind]) 
    plt.plot(valipredict_real,color='red',label='valipredict')
    plt.plot(vali_y_real,color='green',label='vali_y')

plt.show()

由图可以看出，６个指标基本的趋势被正确预测，但是某个时刻的准确度不是很高，我认为原因有几个：

数据量太少，导致模型无法学习足够的特征
特征太简单，某个指标的预测仅仅依赖于包括自身在内的历史时刻的６个值，这明显不够，可以考虑加入更多特征。比如这几个值明显对”时间“敏感，不同的时间区间内，流媒体的传输需要不同，将时间考虑进去将使得模型学习到更加丰富的特征
模型太简单，在数据量少，特征不多的情况下，我只用了一层的LSTM。