蜂窝流量预测与分类：LSTM 与 ARIMA 的比较评估
网络与互联网体系结构
2019-06-04 v1 机器学习
信号处理
机器学习
摘要
蜂窝网络中用户流量的预测因提升资源利用率而受到深切关注。本文中，我们研究网络流量预测与分类问题，采用标准机器学习与统计学习时间序列预测方法，分别为长短期记忆（LSTM）与自回归积分滑动平均（ARIMA）。我们基于真实网络流量数据集对所设计工具进行了广泛实验评估。在该分析中，我们探究不同参数对预测有效性的影响。我们进一步将分析扩展到网络流量分类与流量突发预测问题。结果一方面展示了 LSTM 相对 ARIMA 的总体优越性能，尤其在训练时间序列长度足够高且由明智选择的特征集增强时；另一方面，结果阐明了 ARIMA 以更低复杂度接近最优表现的情境。
引用
@article{arxiv.1906.00939,
title = {Cellular Traffic Prediction and Classification: a comparative evaluation of LSTM and ARIMA},
author = {Amin Azari and Panagiotis Papapetrou and Stojan Denic and Gunnar Peters},
journal= {arXiv preprint arXiv:1906.00939},
year = {2019}
}
备注
arXiv admin note: text overlap with arXiv:1906.00951