QBSD：基于四分位数的季节性分解用于高性价比RAN KPI预测
机器学习
2024-11-05 v3 机器学习
摘要
预测时间序列模式，例如无线接入网（RAN）的小区关键性能指标（KPI），在提升服务质量与运营效率方面起着至关重要的作用。最先进的预测方法以计算性能为代价优先保障准确性，使其不太适用于包含大量时间序列变量的系统的数据密集型应用。它们也未能捕捉随时间变化的动态运行范围的影响。为解决此问题，我们引入QBSD，一种实时单步预测方法，专为优化准确性与计算复杂性之间的权衡而设计。该方法在覆盖数千个小区的真实网络RAN KPI数据集上取得了显著成功。在本文中，我们展示了QBSD与我们在公开数据集上其他预测方法的性能对比。结果表明，所提方法在运行效率上优于现有领先算法，同时保持了可与神经预测方法媲美的竞争性强预测精度。
引用
@article{arxiv.2306.05989,
title = {QBSD: Quartile-Based Seasonality Decomposition for Cost-Effective RAN KPI Forecasting},
author = {Ebenezer RHP Isaac and Bulbul Singh},
journal= {arXiv preprint arXiv:2306.05989},
year = {2024}
}