基于多種模型的流量預(yù)測(cè)研究

高軼 霍永華 胡曉彥

摘要：6G是下一代無線通信網(wǎng)絡(luò)的發(fā)展方向，6G網(wǎng)絡(luò)要求更高的峰值數(shù)據(jù)速率、移動(dòng)性和更無處不在的智能連接。由于不同的場(chǎng)景和業(yè)務(wù)需要不同的網(wǎng)絡(luò)切片（Network Slicing）承載，網(wǎng)絡(luò)的性能指標(biāo)各異，對(duì)各種資源的需求量也不盡相同，因此需要對(duì)網(wǎng)絡(luò)流量在時(shí)間和空間上進(jìn)行預(yù)測(cè)。對(duì)時(shí)空流量建模，并提出了3種以深度學(xué)習(xí)為基礎(chǔ)的流量預(yù)測(cè)方法：基于深度學(xué)習(xí)的時(shí)空數(shù)據(jù)預(yù)測(cè)模型（DeepST）、殘差網(wǎng)絡(luò)（ResNet）模型和卷積長(zhǎng)短期記憶網(wǎng)絡(luò)模型（ConvLSTM），針對(duì)每種模型的應(yīng)用場(chǎng)景和優(yōu)劣予以研究陳述，在此基礎(chǔ)上完成模型的有效性驗(yàn)證和比較；最后，仿真驗(yàn)證。仿真結(jié)果表明，基于ResNet的流量預(yù)測(cè)模型預(yù)測(cè)效果更佳。

關(guān)鍵詞：流量預(yù)測(cè)；深度學(xué)習(xí)；基于深度學(xué)習(xí)的時(shí)空數(shù)據(jù)預(yù)測(cè)模型；殘差網(wǎng)絡(luò)模型；卷積長(zhǎng)短期記憶網(wǎng)絡(luò)模型

中圖分類號(hào)：TP319文獻(xiàn)標(biāo)志碼：A文章編號(hào)：1008-1739（2022）16-50-5

0引言

近年來，網(wǎng)絡(luò)通信的發(fā)展越來越迅速，人們需要的服務(wù)也越來越多，網(wǎng)絡(luò)達(dá)到滿足其服務(wù)需求的標(biāo)準(zhǔn)也越來越高。因此，亟需一種無線移動(dòng)通信網(wǎng)流量需求預(yù)測(cè)方法，提前對(duì)目標(biāo)網(wǎng)絡(luò)及其上承載的各種業(yè)務(wù)進(jìn)行流量和流向分析，從而達(dá)到提高資源利用率，滿足多樣化、差異化業(yè)務(wù)需求的目標(biāo)。

流量分析預(yù)測(cè)對(duì)于精準(zhǔn)資源調(diào)控，前瞻性網(wǎng)絡(luò)管控能力提升具有重要意義。本文在大量分析已有研究方法的基礎(chǔ)上，提出了適用于典型場(chǎng)景的流量預(yù)測(cè)模型。

Hu等[1]研究了很多流量預(yù)測(cè)方法，得出的結(jié)論是：多層感知機(jī)（MLP）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）的性能優(yōu)于堆疊式自動(dòng)編碼器，適用于時(shí)間序列網(wǎng)絡(luò)流量預(yù)測(cè)。Luo等[2]分別使用長(zhǎng)短期記憶（LSTM）和深度神經(jīng)網(wǎng)絡(luò)（DNN）對(duì)網(wǎng)絡(luò)流量進(jìn)行了預(yù)測(cè)，發(fā)現(xiàn)LSTM的預(yù)測(cè)性能優(yōu)于DNN，主要原因是LSTM能夠識(shí)別流量模式。但是Oliveira等[3]和Alawe等[4]都是只基于流量數(shù)據(jù)的時(shí)間特征來預(yù)測(cè)網(wǎng)絡(luò)流量，而業(yè)務(wù)量問題有復(fù)雜的空間相關(guān)性和動(dòng)態(tài)時(shí)間相關(guān)性。一方面，業(yè)務(wù)量時(shí)間序列顯示出強(qiáng)大的時(shí)間動(dòng)態(tài)相關(guān)性，但高峰時(shí)段或事故等反復(fù)發(fā)生的事件可能導(dǎo)致形成不穩(wěn)定的時(shí)間序列，從而使預(yù)測(cè)具有挑戰(zhàn)性；另一方面，不同區(qū)域間的業(yè)務(wù)量包含復(fù)雜而獨(dú)特的空間相關(guān)性。

后續(xù)研究人員加入了地理位置信息進(jìn)行研究，其中Zhou等[5]分析了大型基站的數(shù)據(jù)，發(fā)現(xiàn)加入相鄰相關(guān)小區(qū)流量的可預(yù)測(cè)性可以通過流量數(shù)據(jù)來提高，也就是說，與之相關(guān)的基站流量的信息可以反過來幫助預(yù)測(cè)該基站的流量。因此，一些研究人員考慮到流量序列的時(shí)空相關(guān)性，運(yùn)用相關(guān)深度學(xué)習(xí)方法來預(yù)測(cè)網(wǎng)絡(luò)流量。Jiang等[6]挖掘了網(wǎng)絡(luò)基站之間的流量相關(guān)關(guān)系，其結(jié)果表明利用基站之間的流量相關(guān)關(guān)系可以幫助提高流量預(yù)測(cè)的精準(zhǔn)度。Wang等[7]用一種混合深度學(xué)習(xí)模型來進(jìn)行時(shí)空預(yù)測(cè)，基于自動(dòng)編碼器和LSTM分別對(duì)流量的空間和時(shí)間相關(guān)性進(jìn)行建模。模型中，將全局和多個(gè)局部堆疊的自動(dòng)編碼器并行訓(xùn)練用于空間特征提取、降維，然后交給LSTM網(wǎng)絡(luò)處理，以執(zhí)行最終預(yù)測(cè)。實(shí)驗(yàn)表明，其性能優(yōu)于SVR和自回歸移動(dòng)平均（ARIMA）模型，也進(jìn)一步證明了增加基站之間空間關(guān)系的信息可以提高流量預(yù)測(cè)的準(zhǔn)確性。Huang等[8]提出了卷積神經(jīng)網(wǎng)絡(luò)（CNN）和LSTM網(wǎng)絡(luò)的混合網(wǎng)絡(luò)模型，這里的LSTM模型與CNN模型分別用來提取序列的時(shí)空特征和空間特征；通過有效地提取時(shí)空特征，與傳統(tǒng)方法（例如ARIMA）相比，模型獲得了更高的準(zhǔn)確性。Zhang等[9]使用密集連接的CNN[10]用于對(duì)不同小區(qū)中流量的時(shí)空依賴性進(jìn)行統(tǒng)一建模。卷積運(yùn)算可以捕獲空間依賴性，再使用2個(gè)CNN對(duì)時(shí)間相關(guān)性進(jìn)行建模，然后通過基于參數(shù)矩陣的方案進(jìn)一步融合結(jié)果。一些作者受圖像超分辨率技術(shù)啟發(fā)研究了將CNN與生成式對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）結(jié)合使用以通過細(xì)粒度預(yù)測(cè)全網(wǎng)范圍移動(dòng)流量消耗，結(jié)果表明，提出的模型可以減少開銷并提升預(yù)測(cè)效果[11]。Zhang等[12]使用卷積長(zhǎng)短期記憶網(wǎng)絡(luò)（ConvLSTM）提取移動(dòng)網(wǎng)絡(luò)流量的復(fù)雜時(shí)空特征，實(shí)驗(yàn)發(fā)現(xiàn)，其表現(xiàn)優(yōu)于基準(zhǔn)模型。

總結(jié)上述流量預(yù)測(cè)研究成果，針對(duì)網(wǎng)絡(luò)流量的時(shí)空預(yù)測(cè)問題，聚焦典型業(yè)務(wù)場(chǎng)景，分別提出改進(jìn)的LSTM網(wǎng)絡(luò)、殘差網(wǎng)絡(luò)（ResNet）、基于深度學(xué)習(xí)的時(shí)空數(shù)據(jù)預(yù)測(cè)（DeepST）模型，闡述了模型的預(yù)測(cè)流程和應(yīng)用場(chǎng)景，同時(shí)進(jìn)行流量的空間和時(shí)間預(yù)測(cè)。時(shí)間預(yù)測(cè)是對(duì)時(shí)間序列的未來某個(gè)時(shí)刻或者某段時(shí)間內(nèi)的流量值的預(yù)測(cè)；空間預(yù)測(cè)是在空間上做一個(gè)分布模型，進(jìn)行位置的預(yù)測(cè)；最后，針對(duì)3種算法模型分別進(jìn)行仿真驗(yàn)證和對(duì)比分析，仿真結(jié)果表明，基于殘差網(wǎng)絡(luò)ResNet的流量方法預(yù)測(cè)效果更佳。

1基于深度學(xué)習(xí)的時(shí)空流量預(yù)測(cè)方法

1.1 DeepST模型

本節(jié)研究如何利用DeepST模型進(jìn)行流量預(yù)測(cè)。

假設(shè)要預(yù)測(cè)時(shí)刻的網(wǎng)絡(luò)流量分布，首先把網(wǎng)絡(luò)分割成×的網(wǎng)格，每個(gè)時(shí)刻網(wǎng)絡(luò)的流量分布狀況可以用一個(gè)×的矩陣表示，把這個(gè)矩陣看成像素矩陣，則可以用CNN分析提取網(wǎng)絡(luò)流量分布的特征。雖然CNN能很好地提取流量值在空間分布上的特征，但是無法分析網(wǎng)絡(luò)流量在時(shí)間順序上的特點(diǎn)，解決該問題有很多方法，本文采用多個(gè)并行卷積層進(jìn)行簡(jiǎn)單擬合數(shù)據(jù)在時(shí)間上的分布方法予以解決。

3結(jié)束語

本文面向6G業(yè)務(wù)特征的流量提出了基于深度學(xué)習(xí)的DeepST，ResNet和ConvLSTM三種時(shí)空網(wǎng)絡(luò)流量預(yù)測(cè)模型，對(duì)模型的應(yīng)用場(chǎng)景進(jìn)行對(duì)比分析，仿真結(jié)果對(duì)模型自身性能進(jìn)行比較，同時(shí)對(duì)流量預(yù)測(cè)結(jié)果進(jìn)行對(duì)比分析，結(jié)果表明殘差網(wǎng)絡(luò)模型的預(yù)測(cè)效果更好。流量分析預(yù)測(cè)是資源優(yōu)化調(diào)控決策的重要支撐，本文所提出的模型有待于在真實(shí)網(wǎng)絡(luò)流量中進(jìn)行進(jìn)一步實(shí)戰(zhàn)驗(yàn)證和模型完善優(yōu)化。

參考文獻(xiàn)

[1] HU Y C， PATEL M， SABELLA D， et al. Mobile Edge Computing：A Key Technology Towards 5G[J].ETSI White Paper， 2015， 11（11）： 1-16.

[2] LUO C Q， JI J L， WANG Q L， et al.Channel State Information Prediction for 5G Wireless Communications： A Deep Larning Aproach[J]. IEEE Transactions on Network Science and Engineering， 2020，7（1）：227-263.

[3] OLIVEIRA T P， BARBAR J S， SOARCS A S. Computer Network Traffic Prediction： A Comparison Between Traditional and Deep Learning Neural Networks[J]. International Journal of Big Data Intelligence， 2016， 3（1）： 28-37.

[4] ALAWE I， KSENTINI A， HADJADJ-AOUL Y， et al. Improving Traffic Forecasting for 5G Core Network Scalability： A Machine Learning Approach[J]. IEEE Network， 2018， 32（6）：42-49.

[5] ZHOU X， ZHAO Z F， LI R P， et al. The Predictability of Cellular Networks Traffic[C]//International Symposium on Communications & Information Technologies. Gold Coast： IEEE， 2012：973-978.

[6] JIANG H， YI S W， WU L H，et al. Data-driven Cell Zooming for Largescale Mobile Networks[J].IEEE Transactions on Network & Service Management， 2018， 15 （1）：156-168.

[7] WANG J， TANG J， XU Z Y， et al. Spatiotemporal Modeling and Prediction in Cellular Networks： A Big Data Enabled Deep Learning Approach[C]// IEEE Conference on Computer Communications. Atlanta ： IEEE， 2017：1-9.

[8] HUANG C W， CHIANG C T， LI Q H. A Study of Deep Learning Networks on Mobile Traffic Forecasting[C]//IEEE 28th Annual International Symposium on Personal， Indoor， and Mobile Radio Communications （PIMRC）. Montreal ： IEEE， 2017：1-6.

[9] ZHANG C T，ZHANG H X，YUAN D F， et al. Citywide Cellular Traffic Prediction Based on Densely Connected Convolutional Neural Networks[J]. IEEE Communications Letters， 2018，22（8）：1656-1659.

[10] HUANG G， LIU Z， MAATEN L V D， et al. Densely Connected Convolutional Networks[C]//IEEE Conference on Computer Vision and Pattern Recognition.Honolulu： IEEE， 2018：2261-2269.

[11] ZHANG C Y， OUYANG X， PATRAS P. ZipNet-GAN： Inferring Fine-grained Mobile Traffic Patterns via a Generative Adversarial Neural Network[J/OL].[2022-03-10].https：//arxiv.org/abs/1711.02413.

[12] ZHANG C Y， FIORE M， PATRAS P. Multi-service Mobile Traffic Forecasting via Convolutional Long Short-term Memories[C]//IEEE International Symposium on Measurements &Networking.Catania：IEEE， 2019：1-6.

[13] ZHYANG J， YU Z， QI D. DNN-based Prediction Model for Spatio-temporal Data[C]//24th ACM SIGSPATIAL International Conference on Advances in Geographic Information System.New York： ACM， 2016：1-4.

[14] ALEX K， ILYA S， GEOFFREY E .ImageNet Classification with Deep Convolutional Neural Networks[J].Commun. ACM，2017，60（6）：84-90.

[15] HE K M， ZHANG X Y， REN S Q， et al.Deep Residual Learning for Image Recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition.LasVegas：IEEE， 2016：770-778.