面向网络流量预测的生物启发模型在不同学习环境下的评估：能源效率

细胞流量预测是关键任务，使网络运营商能够高效分配资源并应对快速变化的环境中的异常。来自基站的数据收集呈指数级增长，给处理和分析带来重大挑战。虽然机器学习（ML）算法已成为处理大数据集并提供准确预测的强大工具，但其环境影响——尤其是能源消耗——往往被忽视。本研究探讨了两种生物启发模型：脉冲神经网络（SNNs）和通过回响状态网络（ESNs）的储备计算，用于细胞流量预测。评估侧重点在于其预测性能和能源效率。这些模型在集中式和联邦设置中实现，以分析其在分散系统中的效果和能源消耗。我们将生物启发模型与传统架构（如卷积神经网络（CNNs）和多层感知器（MLPs））进行比较，以提供全面的评估。使用来自西班牙巴塞罗那三个不同地点的数据，我们检讨这些方法之间在预测准确性和能源需求之间的权衡。结果表明，生物启发模型，如SNNs和ESNs，能够在保持与传统架构相当的预测准确性的同时实现显著的能源节省。此外，测试了联邦实现，以评估其在分散环境中（尤其是与生物启发模型结合）的能源效率。这些发现为生物启发模型在可持续和隐私保护的细胞流量预测中提供了宝贵的见解。