使用在线预测算法的蜂窝流量预测
系统与控制
2024-05-09 v1 机器学习
系统与控制
摘要
5G 技术的出现有望在电信领域带来范式转变，提供前所未有的速度和连接性。然而，5G 网络中流量的高效管理仍然是一项关键挑战。这是由于网络流量的动态和异构性、多变的用户行为、扩大的网络规模以及多样化的应用，所有这些都要求高度准确和适应性强的预测模型来优化网络资源分配和管理。本文研究了实时预测算法在实时场景下预测蜂窝网络流量的效能。我们在机器学习模型上应用了两种实时预测算法，其中一种是最近提出的快速实时流预测（FLSP）算法。我们在两种不同的数据收集方法下检验了这些算法的性能：同步方法，即所有网络小区同时报告统计数据；以及异步方法，即在连续时隙中进行报告。我们的研究深入探讨了这些收集场景对流量模型预测性能的影响。我们的研究表明，与传统的在线预测算法相比，FLSP 算法可以将异步数据报告所需的带宽减半，同时提高预测准确性并降低处理负荷。此外，我们对各种机器学习模型的算法复杂度和内存需求进行了全面分析。通过实证评估，我们深入了解了不同预测策略中固有的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。
引用
@article{arxiv.2405.05239,
title = {Cellular Traffic Prediction Using Online Prediction Algorithms},
author = {Hossein Mehri and Hao Chen and Hani Mehrpouyan},
journal= {arXiv preprint arXiv:2405.05239},
year = {2024}
}