基于GPR模型的用户量预测优化方法

TP391.7; 高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点.针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法.在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估.实验结果表明,相比于采用训练集中输出数据方差的50％作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(ro...

Full description

Saved in:
Bibliographic Details
Published in系统工程与电子技术 Vol. 46; no. 8; pp. 2721 - 2729
Main Authors 刘学浩, 刘文学, 杨超三, 祝文晶, 宋玉, 李金海
Format Journal Article
LanguageChinese
Published 中国科学院大学集成电路学院,北京 100049%中国科学院微电子研究所通信与信息工程研发中心,北京 100029 01.08.2024
中国科学院微电子研究所通信与信息工程研发中心,北京 100029
Subjects
高斯过程回归
Gaussian process regression(GPR)
user quantity prediction
滑动窗口
交叉验证
用户量预测
cross-validation
超参数优化
sliding window
hyperparameter optimization
Online AccessGet full text
ISSN1001-506X
DOI10.12305/j.issn.1001-506X.2024.08.19

Cover

More Information
Summary:TP391.7; 高斯过程回归(Gaussian process regression,GPR)是一种基于高斯过程的非参数化贝叶斯回归方法,其可以灵活适应不同类型数据,用于建模和预测数据之间的复杂关系,具有拟合能力强、泛化能力好等特点.针对海量用户场景下用户量实时预测问题,提出一种基于GPR的用户量预测优化方法.在滑动窗口方法处理数据的基础上,选择合适的核函数,基于k折交叉验证得到最佳超参数组合以实现GPR模型训练,完成在线用户量的实时预测并进行性能评估.实验结果表明,相比于采用训练集中输出数据方差的50％作为信号噪声估计量的传统方案,所提方法具有较高的预测准确度,并且在测试集均方根误差(root mean square,RMS)、平均绝对误差(mean absolute error,MAE)、平均偏差(mean bias error,MBE)和决定系数R2这4个评估指标方面均有提升,其中MBE至少提升了 43.3％.
ISSN:1001-506X
DOI:10.12305/j.issn.1001-506X.2024.08.19