概率预测在开放无线接入网网络分析中的应用
网络与互联网体系结构
2024-07-22 v1 人工智能
分布式、并行与集群计算
信息论
机器学习
math.IT
摘要
与长短期记忆（LSTM）等单点人工智能（AI）预测技术不同，概率预测技术（如DeepAR和Transformer）提供了一系列可能的结果及其相关概率，使决策者能够做出更明智、更稳健的决策。与此同时，开放无线接入网（Open RAN）架构已成为移动网络的一种革命性方法，旨在实现RAN生态系统的开放性、互操作性和创新。本文提出将概率预测技术作为开放RAN架构中的无线应用（rApp）来使用。我们研究并比较了不同的概率和单点预测方法及算法，以估计蜂窝基站物理资源块（PRB）的利用率和资源需求。通过评估，我们证明了概率预测技术相对于传统单点预测方法的数值优势，并表明它们能够提供更准确、更可靠的估计。特别是，DeepAR明显优于LSTM和季节性朴素（SN）基线等单点预测技术，以及简单前馈（SFF）和Transformer神经网络等其他概率预测技术。
引用
@article{arxiv.2407.14375,
title = {On the use of Probabilistic Forecasting for Network Analysis in Open RAN},
author = {Vaishnavi Kasuluru and Luis Blanco and Engin Zeydan},
journal= {arXiv preprint arXiv:2407.14375},
year = {2024}
}