[发明专利]基于变分自编码器估计无线局域网络接入点吞吐量的方法

说明书

本发明公开一种基于变分自编码器估计无线局域网络接入点吞吐量的方法，该方法包括如下步骤：(1)获取无线局域网络中AP端的吞吐量作为样本，对吞吐量数据做预处理，制作数据集X；(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；(3)根据基于变分自编码器网络(VAE)的异常值检测方法，对数据集X进行全网AP吞吐量数据异常值过滤，制作新的数据集Xsupgt;1/supgt;；(4)根据数据集Xsupgt;1/supgt;，采用传统时间序列预测算法对AP吞吐量进行预测。本发明提高了无线局域网络接入点吞吐量预测的准确度，克服了因为吞吐量异常值带来预测不准确的问题，实现85％以上的无线局域网络吞吐量预测准确率，提高了无线局域网络调优效果。

技术领域：

本发明涉及一种基于变分自编码器估计无线局域网络接入点吞吐量的方法，属于深度学习、时间序列预测领域，尤其涉及无线局域网络中接入点(AP)吞吐量预测的方法。

背景技术：

随着通信技术的进一步发展，无线局域网络已经覆盖到了人类生活的每个角落。现阶段，在公司、学校、商场各个角落都有着自己的无线局域网络，人们对于无线局域网络的依赖与日倍增。此外，随着5G技术的蓬勃发展，无线局域网络对于无人驾驶、无人机、智慧医疗、工业互联网等领域的发展也有着重大的促进作用，工业界对于无线局域网络通信的实时性、可靠性也提出了更高的要求。然而无线通信信道资源是有限的，随着无线局域网络接入点(AP)数量的增加，AP之间的相互干扰也日益严重，这极大地影响了用户体验，对工业界的影响更加严重。因此很多大型互联网公司或IT设备服务提供商会采用优化无线局域网络参数配置的方法来提升网络性能与终端用户体验。

传统无线局域网络调优算法大部分是基于AP之间的邻居干扰进行调优，每个AP赋予相同的权值，通过分配网络参数降低无线局域网络干扰。但是，在实际应用中，每个AP权值是不一样的，这将极大的浪费无线频谱资源。若能够通过建立数学模型，有效预测每个AP的实际吞吐量，基于AP的实际吞吐量进行信道分配与带宽选择，即可以极大提升无线局域网络性能，提高无线频谱资源的利用率。

吞吐量序列预测，本质上是一种复杂的时间序列预测模型，目前已有的吞吐量预测方法有：状态空间模型(SSMs)、α滤波等算法，但这些算法通常适用于简单的时间序列预测，面对复杂时间序列预测，该类算法预测精度与准确性难以得到保障，因此较难适用于吞吐量时间序列预测。近几年来学术界、工业界逐步有人提出用高斯过程回归预测模型(GPR)与XGBoost算法进行时间序列预测，这类算法在时间序列预测的准确性与实时性方面，都有着很好的效果。在直接采用GPR、XGBoost进行吞吐量预测时，因为时间序列具有一定的波动性，且样本中常含有异常值，这对无线局域网络AP吞吐量的预测带来了极大的挑战。

发明内容：

本发明的目的是克服现有技术不足，本发明的目的在于设计一种基于变分自编码器估计无线局域网络接入点吞吐量的方法，通过基于深度学习的VAE-GPR网络对无线局域网络AP端吞吐量数据进行异常检测、过滤、预测，提高AP端吞吐量预测的准确度和效率。

上述目的通过以下技术方案来实现：

基于变分自编码器估计无线局域网络接入点吞吐量的方法，该方法包括如下步骤：

(1)获取无线局域网络中AP端的吞吐量作为样本，对吞吐量数据做预处理，制作数据集X；

(2)根据基于变分自编码器网络(VAE)的异常值检测方法，训练数据集X，获得异常值检测模型；

(3)根据基于变分自编码器网络(VAE)的异常值检测方法，对数据集X进行全网AP吞吐量数据异常值过滤，制作新的数据集X¹；

(4)根据数据集X¹，采用传统时间序列预测算法对AP吞吐量进行预测。

所述的基于变分自编码器估计无线局域网络接入点吞吐量的方法，步骤(1)中所述制作数据集X的具体方法包括：