移动宽带网络在移动性下的长短期记忆网络带宽预测
网络与互联网体系结构
2020-11-23 v1 机器学习
摘要
移动宽带（MBB）网络中的带宽预测是一项具有挑战性的任务，尤其在具有一定移动性时。本工作中，我们介绍 HINDSIGHT++，一个基于 R 语言的开源框架，用于利用长短期记忆（LSTM）网络进行 MBB 网络带宽预测实验。我们遵循自动机器学习（AutoML）范式构建 HINDSIGHT++，以首先减轻数据预处理负担，其次提升性能相关方面。我们主要关注第五代（5G）网络的带宽预测。特别地，我们利用 5Gophers，即美国首个测量运营 5G 网络性能的开源尝试。我们进一步使用 NYU-METS（一个包含数百条跨越不同移动性场景的带宽轨迹的开源数据集）探索 LSTM 在第四代（4G）商业环境中的性能边界。我们的研究旨在考察超参数优化对实现最先进性能及超越的影响。结果突显了其在 5G 场景下的重要性，与先前最先进值相比平均绝对误差（MAE）降低近 30%。由于其通用设计，我们认为 HINDSIGHT++ 可作为便捷软件工具服务于其他科学领域的多种应用。
引用
@article{arxiv.2011.10563,
title = {Long Short Term Memory Networks for Bandwidth Forecasting in Mobile Broadband Networks under Mobility},
author = {Konstantinos Kousias and Apostolos Pappas and Ozgu Alay and Antonios Argyriou and Michael Riegler},
journal= {arXiv preprint arXiv:2011.10563},
year = {2020}
}