大规模机器类通信中的 RACH 流量预测
系统与控制
2025-04-25 v2 机器学习
系统与控制
摘要
流量模式预测已成为一种极具前景的方法，用于高效管理和缓解大规模机器类通信（mMTC）网络中事件驱动的突发流量所造成的影响。然而，由于事件固有的随机性，实现对突发流量的准确预测仍是一项艰巨的任务，而这些挑战在实时网络环境中更为严峻。因此，设计一个轻量且敏捷的框架，使其能够吸收网络中持续收集的数据并准确预测 mMTC 网络中的突发流量，显得尤为迫切。本文通过提出一个基于机器学习的框架来解决这些挑战，该框架专为预测多通道时隙 ALOHA 网络中的突发流量而定制。所提出的机器学习网络包含长短期记忆网络（LSTM）和带有前馈神经网络（FFNN）层的 DenseNet，其中残差连接增强了机器学习网络捕捉复杂模式的训练能力。此外，我们开发了一种新的低复杂度在线预测算法，利用从 mMTC 网络中频繁收集的数据来更新 LSTM 网络的状态。仿真结果和复杂度分析证明了我们提出的算法在准确性和复杂度方面的优越性，使其非常适用于时间敏感的实时场景。我们在一个包含单个基站和数千个设备的网络中评估了所提出框架的性能，这些设备被组织成具有不同流量生成特征的组。综合评估和仿真表明，与传统方法相比，我们提出的机器学习方法在长期预测中的准确率提高了 ，且不会给系统增加额外的处理负荷。
引用
@article{arxiv.2405.05235,
title = {RACH Traffic Prediction in Massive Machine Type Communications},
author = {Hossein Mehri and Hao Chen and Hani Mehrpouyan},
journal= {arXiv preprint arXiv:2405.05235},
year = {2025}
}