基于卷积长短期记忆的多业务移动流量预测
机器学习
2019-05-24 v1 网络与互联网体系结构
信号处理
摘要
网络切片正日益用于将网络基础设施划分给不同的移动业务。在此背景下，精确的业务级移动流量预测变得至关重要，因为移动运营商希望提前为每个切片预分配资源，以满足各业务的差异化需求。本文采用序列到序列（S2S）学习范式与卷积长短期记忆（ConvLSTM）来解决多业务移动流量预测问题。所提架构旨在有效提取移动网络流量的复杂时空特征，并在城市尺度上高精度预测各业务的未来需求。我们在一个欧洲大都市采集的移动流量数据集上开展实验，表明所提 S2S-ConvLSTM 仅利用过去一小时的测量值，便可提前至多一小时预测数十种不同业务产生的移动流量。具体而言，我们的方案在天线级取得低于 13KBps 的平均绝对误差（MAE），优于其他深度学习方法达 31.2%。
引用
@article{arxiv.1905.09771,
title = {Multi-Service Mobile Traffic Forecasting via Convolutional Long Short-Term Memories},
author = {Chaoyun Zhang and Marco Fiore and Paul Patras},
journal= {arXiv preprint arXiv:1905.09771},
year = {2019}
}