[发明专利]雾无线接入网中基于贝叶斯学习的内容流行度预测方法

权利要求书

1.一种雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，包括以下步骤：

步骤1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布并建立多层的概率模型，其中表示第f个内容在第n个时隙的请求数，λ_f(x_f)表示所服从泊松分布的到达率是Q维内容特征向量x_f的函数；

步骤2、记录内容库里已有内容的每个历史时隙的请求数量及对应的Q维内容特征向量[x₁，x₂，…，x_f]^T；

步骤3、根据多层概率模型和获得的统计数据，通过应用贝叶斯公式，得到非归一化的参数后验分布函数其中，λ和β是所有模型参数的集合；

步骤4、利用基于随机方差减小梯度的哈密顿蒙特卡洛方法对后验分布进行采样，得到平稳分布的样本

步骤5、根据要预测流行度的内容是否存在于内容库内进行分类，对于已存在于内容库中的内容，计算其流行度表示在给定内容观察的情况下，计算内容库中所有内容在下一时隙的流行度的期望，其中，对于不存在于内容库当中的、即将到来的新内容，计算其流行度E(r_F+1[N+1]|x_F+1)，表示基于其Q维内容特征向量，计算该内容在下一时隙流行度的期望。

2.根据权利要求1所述的雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，所述步骤1具体包括以下步骤：

步骤1.1、根据内容请求的到达方式，第f个内容在第n个时隙的请求数满足泊松分布其中，泊松分布的到达率是内容特征x_f的函数；

步骤1.2、对于到达率，为了允许具有相同特征的内容有不同的流行度，每个内容的到达率满足高斯分布λ_f(x_f)|g(x_f)，其中，高斯分布的均值g(x_f)是内容特征x_f的函数，β₀是高斯分布的方差；

步骤1.3、对于高斯分布的均值，每个g(x_f)都是高斯过程的一个实现，其中，K(x_i，x_j)代表高斯过程的核函数：

步骤1.4、高斯过程中的核函数的参数β_q满足Gamma分布：

3.根据权利要求2所述的雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，所述步骤3具体包括以下步骤：

步骤3.1、根据贝叶斯公式，推导出模型中未知参数的后验分布：

其中，H是归一化常数；

步骤3.2、作对数变换ρ_q＝log(β_q)使β_q从大于0的变量变为无约束变量，定义τ＝[λ^T，ρ₀，…，ρ_Q+1]^T，其中，λ^T＝[λ₁(x₁)，λ₂(x₂)，…，λ_f(x_f)]^T为泊松分布到达率的集合；基于已构建的概率模型和已知的内容请求先验知识，得出具体的模型中未知参数的后验分布φ(τ)。

4.根据权利要求3所述的雾无线接入网中基于贝叶斯学习的内容流行度预测方法，其特征在于，所述步骤4具体包括以下步骤：

步骤4.1、分别计算出φ(τ)对每个未知参数的偏导数和从而构成梯度向量，其中λ_f是简化之后的λ_f(x_f)；

步骤4.2、用随机方差减少梯度方法来对梯度进行更新；

步骤4.3、把计算后的梯度应用在哈密顿蒙特卡洛采样方法中，得到S个平稳分布的样本