基于ML的MTC流量模式预测器性能分析
信号处理
2023-04-06 v1
摘要
延长海量机器类通信（MTC）网络的寿命是实现可持续数字化社会的关键。通过准确预测MTC流量并配合合理设计的资源分配机制，可实现巨大的节能。然而，选择合适的MTC流量预测器并非易事，其取决于精度/复杂度权衡以及具体的MTC应用与网络特征。值得注意的是，相关最先进文献仍缺乏此类探讨。在此，我们评估了若干机器学习（ML）方法在预测泊松与准周期MTC流量时的精度与计算成本表现。结果表明，时序卷积网络（TCN）依次优于长短期记忆（LSTM）、门控循环单元（GRU）和循环神经网络（RNN）。对于泊松流量，各预测器间的精度差距大于准周期流量情形。最后，我们展示运行TCN预测器的成本约为其他方法的3倍，而训练/推理时间分别为最长/最短。
引用
@article{arxiv.2304.02100,
title = {Performance Analysis of ML-based MTC Traffic Pattern Predictors},
author = {David E. Ruiz-Guirola and Onel L. A. Lopez and Samuel Montejo-Sanchez and Richard Demo Souza and Mehdi Bennis},
journal= {arXiv preprint arXiv:2304.02100},
year = {2023}
}
备注
IEEE Wireless Communications Letters Print ISSN: 2162-2337 Online ISSN: 2162-2345