Agentic AI 遇见神经架构搜索：面向 AI-RAN 的主动流量预测
信号处理
2025-10-02 v1
摘要
下一代无线网络需要智能流量预测，以实现自主资源管理并处理多样、动态的服务需求。开放无线接入网（O-RAN）框架通过其解耦架构和可编程接口，为嵌入机器学习智能提供了有前景的基础。本工作应用了基于神经架构搜索（NAS）的框架，为 O-RAN 环境中的流量预测动态选择并编排高效的 Long Short-Term Memory (LSTM) 架构。我们的方法利用 O-RAN 范式，将架构优化（通过非实时 RIC rApps）与实时推理（通过近实时 RIC xApps）分离，从而基于流量状况和资源限制实现自适应模型部署。跨越六种 LSTM 架构的实验评估表明，轻量级模型在常规流量下实现高效率并达到 --，而复杂模型在关键场景下达到近乎完美的精度（--）。与静态高性能模型相比，我们基于 NAS 的编排将计算复杂度降低了 70-75\%，同时在需要时保持高预测精度，从而能够在真实边缘环境中进行可扩展部署。
引用
@article{arxiv.2510.00851,
title = {Agentic AI meets Neural Architecture Search: Proactive Traffic Prediction for AI-RAN},
author = {Abdelaziz Salama and Mohammed M. H. Qazzaz and Zeinab Nezami and Maryam Hafeez and Syed Ali Raza Zaidi},
journal= {arXiv preprint arXiv:2510.00851},
year = {2025}
}