面向电信网络流量预测的时空混合图卷积网络
机器学习
2020-09-22 v1 信号处理
机器学习
摘要
电信网络在现代社会中扮演着关键角色。随着5G网络的到来，这些系统变得更加多样化、集成化和智能化。流量预测是此类系统中的关键组成部分之一，然而，由于复杂的时空依赖性，它尤其具有挑战性。在本工作中，我们从蜂窝网络及其基站之间相互作用的角度考虑这一问题。我们深入研究了蜂窝网络流量的特征，并基于从人口稠密的大都市区收集的数据揭示了依赖关系的复杂性。具体而言，我们观察到流量既表现出动态和静态的空间依赖性，也表现出多样化的周期性时间模式。为解决这些复杂性，我们提出了一种有效的基于深度学习的方法，即时空混合图卷积网络（STHGCN）。它采用GRU对时间依赖性进行建模，同时通过混合图卷积网络从空间邻近性、功能相似性和近期趋势相似性三个角度捕获复杂的空间依赖性。我们在电信网络收集的真实世界流量数据集上进行了大量实验。我们的实验结果表明，所提出的模型具有优越性，因为它始终优于经典方法和最先进的深度学习模型，同时更加鲁棒和稳定。
引用
@article{arxiv.2009.09849,
title = {Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks},
author = {Marcus Kalander and Min Zhou and Chengzhi Zhang and Hanling Yi and Lujia Pan},
journal= {arXiv preprint arXiv:2009.09849},
year = {2020}
}