通过用户流量预测与分类实现蜂窝网络的能量与资源效率
系统与控制
2021-11-03 v1 系统与控制
摘要
关于蜂窝网络中每用户流量的分析，以推导和遵循流量感知的网络管理，目前缺乏研究。事实上，传统的设计方法——基于小区聚合流量场景进行资源供应和运行控制——在能量和成本效率方面并不理想，需要被以用户为中心的移动网络流量预测分析和主动网络资源管理所取代。本文通过设计利用标准机器学习（ML）工具（包括长短期记忆网络（LSTM）和自回归积分滑动平均模型（ARIMA））基于每用户数据的流量预测工具，阐明了这一问题。我们在真实网络流量数据集上对所设计解决方案进行了广泛的实证评估。在此分析中，研究了不同参数（如时间粒度、未来预测长度和特征选择）的影响。作为这些解决方案的一个潜在应用，我们提出了一种基于ML的非连续接收（DRX）节能方案。为此，我们利用推导出的ML模型进行动态DRX参数自适应以适应不同用户流量。性能评估结果表明，LSTM总体上优于ARIMA，尤其是当训练时间序列长度足够大，并且通过精心选择的特征集进行增强时。此外，结果表明，与传统的全小区DRX参数自适应相比，通过在线预测未来流量来调整DRX参数能够在低延迟代价下实现更大的节能效果。
引用
@article{arxiv.2111.01645,
title = {Energy and Resource Efficiency by User Traffic Prediction and Classification in Cellular Networks},
author = {Amin Azari and Fateme Salehi and Panagiotis Papapetrou and Cicek Cavdar},
journal= {arXiv preprint arXiv:2111.01645},
year = {2021}
}
备注
IEEE Transactions on Green Communications and Networking, 2021. arXiv admin note: text overlap with arXiv:1906.00939