基于时间序列分析的5G流量预测

在当今时代，手机已成为任何人赖以发展的基本需求。随着蜂窝流量需求急剧增长，准确预测蜂窝网络中的用户流量以提升资源分配与利用性能变得十分必要。由于流量学习与预测是一个经典且引人关注的领域，仍产生许多有意义的结果，利用机器学习工具分析给定区域服务的总流量以优化网络运行正引起越来越多的兴趣。借助本项目，我们力求利用流量历史来预测未来流量的性质与发生。此外，我们将流量分类为特定应用类型，以增进对流量性质的理解。通过利用机器学习的力量并确认其在蜂窝网络领域的效用，我们试图实现三个主要目标——生成流量的应用分类、包到达强度预测与突发发生预测。预测与分类系统的设计采用长短期记忆（LSTM）模型。本实验中开发的LSTM预测器将返回上行链路包的数量，并估计指定未来时间间隔内突发发生的概率。为分类目的，我们LSTM预测模型中的回归层被替换为softmax分类器，用于将生成蜂窝流量的应用分类为四种应用之一，包括浏览、视频通话、语音通话和视频流。