利用循环神经网络从互联网活动预测短期移动互联网流量
网络与互联网体系结构
2020-10-13 v1
摘要
移动网络流量预测是网络容量规划与优化的重要输入。现有方法可能缺乏速度与计算效率，难以刻画移动网络时序数据中的突发、非线性模式或其他重要关联。我们比较了两种深度学习架构——长短期记忆（LSTM）与门控循环单元（GRU）——使用米兰市区两个月Telecom Italia数据预测移动互联网流量的性能。事先采用K-Means聚类基于互联网活动对小区分组，并使用网格搜索方法确定各模型的最佳配置。采用均方根误差评估模型的预测质量。两种深度学习算法均能有效地对日内与跨两个月的互联网活动及季节性建模。我们发现城市内不同聚类间性能存在差异。总体而言，LSTM在我们的实验中优于GRU。
引用
@article{arxiv.2010.05741,
title = {Predicting Short-term Mobile Internet Traffic from Internet Activity using Recurrent Neural Networks},
author = {Guto Leoni Santos and Pierangelo Rosati and Theo Lynn and Judith Kelner and Djamel Sadok and Patricia Takako Endo},
journal= {arXiv preprint arXiv:2010.05741},
year = {2020}
}