基于深度学习的移动流量测量收集与分析

建模动态流量模式，尤其是不同基站之间持续变化的依赖关系，这是以往研究所忽视的挑战。传统算法在处理大规模数据方面困难，无法提炼出足以阐明移动流量需求的深层见解，尤其是这些需求如何演化。因此，本文利用深度学习（DL）在空间和时间域中强大的层次化特征学习能力，开发解决方案，用于精准的城市规模移动流量分析与预测。首先，我们设计Spider—a款移动流量测量收集与重构框架，旨在降低测量收集成本，并能在信息稀疏的情况下高精度推断流量消耗。具体而言，我们训练一个强化学习智能体来有选择地采样目标移动覆盖区域，解决该场景下大规模动作空间的问题。随后，我们引入轻量级神经网络模型，基于历史稀疏测量重构流量消耗。我们的方法在真实世界的移动流量数据集上优于现有解决方案。其次，我们设计SDGNet—a款面向长期移动流量预测的手接触感知图神经网络模型。我们将细胞网络建模为图结构，利用手接触频率捕捉基站之间跨时间的依赖关系。手接触信息反映用户移动行为，如日常通勤，有助于提高预测准确性。我们提出的框架在由主要网络运营商收集的移动流量数据集上优于其他基准图模型。