4G/5G网络中的实时移动带宽与切换预测

移动应用日益依赖于高吞吐量和低延迟的内容分发，而无线接入链路上可用带宽本质上是时变的。由于用户移动性导致的基站与接入模式之间的切换，给提供高水平用户服务质量(QoE)带来了额外挑战。预测可用带宽和即将发生的切换的能力，将为应用提供宝贵的余地以进行主动调整，从而避免显著的QoE下降。在本文中，我们探讨了在4G/LTE和5G网络中进行实时移动带宽与切换预测的可能性和准确性。为此，我们从公共交通系统收集了包含丰富带宽、信道和上下文信息的长时段连续轨迹。我们开发了循环神经网络模型来挖掘固定路线移动场景中带宽演化的时间模式。我们的模型一致地优于传统的单变量和多变量带宽预测模型。对于4G和5G共存网络，我们提出了4G与5G之间切换预测这一新问题，这对于现实5G场景中如自动驾驶策略等低延迟应用十分重要。我们开发了基于分类和回归的预测模型，在近期的一个5G数据集中预测4G和5G切换的准确率超过80%。