克服互联网流量预测中的数据局限性：结合迁移学习与小波增强的 LSTM 模型
机器学习
2025-09-22 v1
摘要
在较小的 ISP 网络中，由于数据可用性有限，有效的互联网流量预测面临挑战。本文使用迁移学习和数据增强技术结合两个基于 LSTM 的模型（LSTMSeq2Seq 和 LSTMSeq2SeqAtn）探讨了这一问题，这两个模型最初在 Juniper Networks 提供的综合数据集上训练，随后应用于较小的数据集。这些数据集代表了真实的互联网流量遥测，提供了对不同网络域中各种流量模式的洞察。我们的研究表明，虽然两个模型在单步预测中表现良好，但多步预测具有挑战性，尤其是在长期准确性方面。在较小的数据集中，LSTMSeq2Seq 通常优于 LSTMSeq2SeqAtn，表明更高的模型复杂性并不必然带来更好的性能。模型的有效性在不同网络域中存在差异，反映了不同流量特征的影响。为解决数据稀缺问题，使用离散小波变换进行数据增强，显著提升了模型性能，尤其是在短期预测中。我们的分析表明，在数据有限的情况下，数据增强至关重要。此外，研究还包括对模型变异性和一致性的分析，LSTMSeq2SeqAtn 中的注意力机制提供了更好的短期预测一致性，但在长期预测中变异性更大。结果突出了不同建模方法在流量预测中的优势与局限性。总体而言，本研究强调了迁移学习和数据增强在提升流量预测模型准确性方面的重要性，尤其是在数据可用性有限的较小 ISP 网络中。
引用
@article{arxiv.2409.13181,
title = {Overcoming Data Limitations in Internet Traffic Forecasting: LSTM Models with Transfer Learning and Wavelet Augmentation},
author = {Sajal Saha and Anwar Haque and Greg Sidebottom},
journal= {arXiv preprint arXiv:2409.13181},
year = {2025}
}
备注
16 pages, 7 Figures, Submitted to Elsevier Journal of Computer Communication