利用高斯过程中特征嵌入预测含极值的无线需求
信号处理
2019-11-04 v2 机器学习
机器学习
摘要
无线流量预测是超越 5G 中主动网络优化的基本使能技术。预测由流量移动性引起的极端需求峰值与谷值，对于避免中断和提升能效至关重要。当前最先进的深度学习预测方法主要关注整体预测性能，且不提供概率不确定性量化(UQ)。虽然高斯过程(GP)模型具备 UQ 能力，但其不能很好地预测极值。在此，我们为 GP 模型设计了一种特征嵌入(FE)核，以预测含极值的流量需求。利用真实 4G 基站数据，我们将 FE-GP 的性能与常规朴素 GP、ARIMA 模型进行比较，并展示了 UQ 输出。对于短期极值预测，我们展示了相较 S-ARIMA 降低 32%、相较 Naive-GP 降低 17%。对于长期均值预测，我们展示了相较 S-ARIMA 降低 21%、相较 Naive-GP 降低 12%。该 FE 核还使我们能够在整体预测精度与峰谷精度之间建立灵活权衡。相较神经网络(如 CNN、LSTM)的优势在于，概率预测不确定性可告知我们预测的风险以及预测的完整后验分布。
引用
@article{arxiv.1905.06744,
title = {Forecasting Wireless Demand with Extreme Values using Feature Embedding in Gaussian Processes},
author = {Chengyao Sun and Weisi Guo},
journal= {arXiv preprint arXiv:1905.06744},
year = {2019}
}