用于蜂窝流量预测的自适应混合时空图神经网络
网络与互联网体系结构
2023-03-02 v1 人工智能
机器学习
摘要
蜂窝流量预测是智能电信网络不可或缺的一部分。然而，由于频繁的用户移动性与复杂的网络调度机制，蜂窝流量常具有复杂的时空模式，使预测极具挑战性。尽管近期已提出基于图的预测方法等先进算法，它们常基于静态或动态图建模空间依赖，却忽视了流量生成所引发的共存多重空间关联。同时，部分工作缺乏对多样化蜂窝流量模式的考量，导致次优预测结果。本文提出一种新颖的深度学习网络架构——自适应混合时空图神经网络（AHSTGNN），以解决蜂窝流量预测问题。首先，我们应用自适应混合图学习来学习基站塔之间的复合空间关联。其次，我们实现具有多周期时序数据输入的时间卷积模块，以捕获非线性时间依赖。此外，我们引入额外的时空自适应模块以克服基站塔中存在的异质性。在两个真实世界蜂窝流量数据集上的实验表明，AHSTGNN 以显著优势超越 SOTA，说明了我们的方法在时空蜂窝流量预测上的优越可扩展性。
引用
@article{arxiv.2303.00498,
title = {Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction},
author = {Xing Wang and Kexin Yang and Zhendong Wang and Junlan Feng and Lin Zhu and Juan Zhao and Chao Deng},
journal= {arXiv preprint arXiv:2303.00498},
year = {2023}
}
备注
To be published in IEEE International Conference on Communications (ICC)