| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第12-17页 |
| 1.1 课题背景与研究意义 | 第12-13页 |
| 1.2 课题的研究现状 | 第13-15页 |
| 1.2.1 交通预测技术研究现状 | 第13-14页 |
| 1.2.2 异构无线网络研究现状 | 第14-15页 |
| 1.3 本文主要研究工作和结构安排 | 第15-17页 |
| 第2章 深度学习简介及异构无线网络的资源管理技术 | 第17-29页 |
| 2.1 深度学习简介 | 第17-24页 |
| 2.1.1 深度学习概念 | 第17页 |
| 2.1.2 循环神经网络基本原理 | 第17-19页 |
| 2.1.3 自编码器基本原理 | 第19-20页 |
| 2.1.4 深度学习的基本技术 | 第20-24页 |
| 2.2 异构无线网络中的资源管理技术 | 第24-28页 |
| 2.2.1 异构无线网络概述 | 第24-26页 |
| 2.2.2 无线资源管理及负载均衡技术简介 | 第26-27页 |
| 2.2.3 移动业务流量模型 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第3章 基于深度学习的短时区域交通流量预测 | 第29-48页 |
| 3.1 前期准备工作 | 第29-31页 |
| 3.1.1 数据准备 | 第29-30页 |
| 3.1.2 数据预处理 | 第30-31页 |
| 3.1.3 模型评价方法 | 第31页 |
| 3.2 三种短时交通流预测对比算法原理与实现 | 第31-39页 |
| 3.2.1 自回归移动平均模型原理与实现 | 第31-33页 |
| 3.2.2 机器学习集成模型(XGBoost)原理与实现 | 第33-36页 |
| 3.2.3 堆叠自编码器模型原理与实现 | 第36-39页 |
| 3.3 基于LSTM的短时交通流预测算法原理与实现 | 第39-47页 |
| 3.3.1 基本LSTM模型 | 第39-40页 |
| 3.3.2 基于LSTM的编码-解码模型 | 第40-41页 |
| 3.3.3 模型实现与结果分析 | 第41-43页 |
| 3.3.4 模型对比与超参数分析 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第4章 基于交通流预测的异构网络资源管理方案 | 第48-69页 |
| 4.1 系统建模 | 第48-52页 |
| 4.1.1 网络模型 | 第49-50页 |
| 4.1.2 流量模型 | 第50-51页 |
| 4.1.3 负载模型 | 第51-52页 |
| 4.2 基于网络状态预测的异构网络资源管理方案 | 第52-61页 |
| 4.2.1 基于交通流量的多参数综合决策网络状态预测算法 | 第52-55页 |
| 4.2.2 基于网络状态预测的资源管理方案设计与验证 | 第55-59页 |
| 4.2.3 改善的资源管理方案设计 | 第59-61页 |
| 4.3 仿真实验及性能分析 | 第61-68页 |
| 4.3.1 Sumo-NS3联合仿真 | 第61-62页 |
| 4.3.2 仿真场景及参数设置 | 第62-64页 |
| 4.3.3 仿真实现及结果分析 | 第64-68页 |
| 4.4 本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 本文工作总结 | 第69页 |
| 未来工作展望 | 第69-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
