DeepAuto：一种用于蜂窝网络实时预测的层次化深度学习框架
信号处理
2020-01-07 v1 网络与互联网体系结构
摘要
关键性能指标（KPI）的准确实时预测是各类 LTE/5G 无线接入网（RAN）自动化的基本需求。然而，在大规模蜂窝环境中，由于复杂的时空动态、网络配置变更以及实时网络数据的不可得，准确预测极具挑战。本工作中，我们引入一种可复用的分析框架，利用层次化深度学习架构实现实时 KPI 预测。我们的预测方法即 DeepAuto，水平堆叠多个长短期记忆（LSTM）网络以捕捉 KPI 时间序列中的瞬时、周期与季节模式，并进一步与前馈网络融合以学习网络配置及其他外部因素的影响。我们利用运营商的大规模真实网络流式测量数据，通过预测小区负载与无线信道质量这两个重要 KPI 对该方法进行验证。在小区负载预测中，相较于使用近期测量值的朴素短期预测方法，DeepAuto 模型在均方根误差（RMSE）上最高改善15%，而在更长期预测中改善最高达32%。
引用
@article{arxiv.2001.01553,
title = {DeepAuto: A Hierarchical Deep Learning Framework for Real-Time Prediction in Cellular Networks},
author = {Abhijeet Bhorkar and Ke Zhang and Jin Wang},
journal= {arXiv preprint arXiv:2001.01553},
year = {2020}
}