【基于深度学习的无线网络数据时空建模和预测研究】主要探讨了如何运用深度学习技术对无线网络数据进行时空建模和预测。随着无线网络的发展，移动设备产生的大量数据为互联网服务提供商提供了深入理解用户需求和系统功能的机会，从而优化资源分配。本文作者李莉贞通过对互联网服务提供商获取的无线网络数据（特别是蜂窝移动网络数据）进行初步分析，揭示了相邻基站数据之间的时间和空间相关性。
文章提出了一种时空预测的混合深度学习模型，该模型由三个关键部分组成：本地栈式自动编码器（LSAE）、全局栈式自动编码器（GSAE）和长短时记忆网络（LSTM）。这种模型旨在利用目标网格及其邻近网格的历史数据，对每个网格进行时空建模和预测。GSAE接收数据补丁作为输入，生成全局编码表示；然后，LSAE处理局部信息，捕获局部特征；LSTM网络利用其对序列数据的强大建模能力，捕捉时间序列中的动态变化，进行预测。
在实验部分，使用来自中国电信某分公司的大型无线网络数据集，包含了2844个基站从2017年8月1日至12月30日每小时流量负荷的平均值。通过对数据集进行初步分析，发现数据集在时间和空间上都存在非零的相关性，这证明了采用深度学习模型进行时空建模的必要性。实验结果显示，提出的深度学习模型显著提高了预测精度，验证了该模型的有效性。
该研究对无线网络数据的时空特性进行了深入研究，并提出了一种创新的预测方法，对于无线网络管理和优化具有实际应用价值。通过利用深度学习的强大学习能力，该模型可以更准确地预测网络流量，有助于网络资源的高效配置和管理，对提升无线网络服务质量具有重要意义。此外，此研究也为其他领域的大数据时空预测提供了一种可能的解决方案。
