針對(duì)傳統(tǒng)的自回歸積分移動(dòng)平均（ARIMA）模型和長(zhǎng)短時(shí)記憶（LSTM）單元在基站流量預(yù)測(cè)中沒有利用基站（BS）間合作關(guān)系的問題，提出一種利用由用戶群體在不同基站下訪問產(chǎn)生的基站合作關(guān)系的流量預(yù)測(cè)（ TPBC）算法。首先，通過基站之間的合作關(guān)系構(gòu)建基站合作網(wǎng)絡(luò)，并對(duì)此合作網(wǎng)絡(luò)進(jìn)行社區(qū)劃分得到基站社區(qū);然后，通過格蘭杰因果關(guān)系檢驗(yàn)方法尋找與目標(biāo)基站同一社區(qū)且關(guān)系最緊密的若干基站，作為目標(biāo)基站的合作基站;最后，使用LSTM和詞嵌入層（Embedding）搭建混合神經(jīng)網(wǎng)絡(luò)，并根據(jù)目標(biāo)基站和合作基站的流量信息進(jìn)行流量預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，TPBC在基站流量預(yù)測(cè)上的均方根誤差（RMSE）相比ARIMA和LSTM分別減小了29.19%和27.47%。TPBC能有效提高基站流量預(yù)測(cè)準(zhǔn)確率，在流量卸載和綠色節(jié)能等領(lǐng)域具有重要意義。

　　隨著蜂窩技術(shù)向第五代（5G）演進(jìn)，全球移動(dòng)設(shè)備數(shù)量和物聯(lián)網(wǎng)（ Internet of Things， loT）規(guī)模呈指數(shù)級(jí)增長(zhǎng)，這些設(shè)備在方便了人類生活的同時(shí)也在蜂窩網(wǎng)絡(luò)中產(chǎn)生了海量的移動(dòng)數(shù)據(jù)，對(duì)蜂窩網(wǎng)絡(luò)造成巨大的流量負(fù)載。與此同時(shí)，日益豐富的移動(dòng)數(shù)據(jù)記錄也為蜂窩網(wǎng)絡(luò)的智能管理提供了數(shù)據(jù)支撐。流量預(yù)測(cè)作為智能管理的基礎(chǔ)，被廣泛運(yùn)用于基站綠色節(jié)能和流量卸載等研究領(lǐng)域。 目前不少的研究致力于挖掘用戶訪問行為規(guī)律和有效利用流量數(shù)據(jù)的內(nèi)在聯(lián)系上，這些規(guī)律和信息有助于運(yùn)營(yíng)商對(duì)蜂窩網(wǎng)絡(luò)狀況的監(jiān)控和對(duì)流量的預(yù)測(cè)。