استفاده از الگوریتم درخت تصمیم بهبود یافته گرادیان – تقویت‌شده براساس فیلتر کالمن (‏GBDT – KF)‏در پیش‌بینی سری‌های زمانی

در این مطالعه، ما دو مجموعه داده فعالیت تلفن همراه را برای پیش‌بینی ترافیک آینده ایستگاه‌های پایه تلفن همراه در مناطق شهری تحلیل می‌کنیم. سری زمانی پیش‌بینی‌شده می‌تواند برای انعکاس روند جریان فعالیت انسان استفاده شود. اگر چه روش‌های رایج مانند شبکه عصبی بازگشتی و شبکه حافظه کوتاه‌مدت بلند مدت (‏LSTM)‏اغلب به دقت بالایی دست می‌یابند، اما آن‌ها زمان بر هستند. بنابراین، ما الگوریتم درخت تصمیم بهبود یافته گرادیان – تقویت‌شده مبتنی بر فیلتر کالمن (‏GBDT – KF)‏را به دلیل نویز در سری‌های زمانی اصلی ارائه می‌دهیم، زیرا کاهش در عملکرد GBDT معمولا به دلیل بیش برازش نویز در سیگنال است. با توجه به آزمایش‌های ما، اگرچه RMSE مقادیر پیش‌بینی‌شده GBDT – KF ما و حقیقت زمین تنها ۱۲ – ۱۴ % بدتر از مدل LSTM است، الگوریتم پیشنهادی GBDT – KF یک موازنه بین دقت و پیچیدگی زمان ایجاد می‌کند و در مقایسه با مدل LSTM به بیش از ۱۰۰ کاهش زمان آموزش می‌رسد. با اجرای نتیجه کار ما، ارائه دهندگان خدمات می‌توانستند پیش‌بینی کنند که تراکم شبکه کجا و چه زمانی اتفاق خواهد افتاد؛ بنابراین، آن‌ها می‌توانند پیش از زمان اقدام

In this study, we analyse two mobile phone activity datasets to predict the future traffic of mobile base stations in urban areas. The predicted time series can be used to reflect the trend of human activity flow. Although common methods such as recurrent neural network and long short-term memory (LSTM) network often achieve a high precision, they have the short back of time-consuming. So, we present the improved gradient-boosted decision tree algorithm based on Kalman filter (GBDT-KF) due to the noise in the original time series, because the decrease in the performance of GBDT is usually caused by overfitting the noise in the signal. According to our experiments, although the RMSE of the predicted values of our GBDT-KF and the ground truth is only 12–۱۴% worse than that of the LSTM model, the proposed GBDT-KF algorithm makes a trade-off between the precision and time complexity and achieves over 100-time training time reduction compared with the LSTM model. By implementing the result