【目的】为了更精准地预测5G基站的流量，分析潮汐现象，提出一种优化的生成对抗网络(generative adversarial network, GAN)模型流量预测方法，并将其用于实际基站的定时控制中。【方法】GAN的生成器利用差分演化灰狼算法优化长短时记忆网络(long short term memory networks, LSTM),判别器使用门控循环神经网络(gated recurrent unit, GRU)进行判别，生成器和判别器利用不断地对抗训练达到均衡从而提高了5G基站流量的预测精度；其次，利用改进人工蜂群优化k-means++算法，将其用于输出最优基站定时时间，达到最大限度节能的目的。【结果】实验结果表明，与现有模型相比，所提预测模型有更高的预测精度，定时控制功能可极大地节约能耗。

国家自然科学基金资助项目(12004275)；ShanxiScholarshipCouncilofChina(2020-042)；山西省自然科学基金资助项目(20210302123186)；

1 用DE-GWO优化LSTM的GAN模型基站流量预测
1.1 GAN模型构建
1.2 生成器模型构建
1.2.1 GWO灰狼算法
1) 包围猎物。
2) 追捕猎物。
3) 攻击猎物。
1.2.2 DE-GWO优化LSTM算法
1.3 判别器模型构建
2 基于改进ABC的k-means++定时算法
2.1 基于改进ABC的k-means++聚类算法
2.2 流量预测在定时中的应用模型结构流程
3 实验结果与分析
4 结论

[1]王素英,贾海蓉,申陈宁,等.改进GAN模型在基站流量预测及5G节能中的应用[J].太原理工大学学报,2024,55(04):743-750.