基于輕量化卷積神經網絡的蜂窩流量低復雜度預測方法

摘 要：隨著蜂窩網絡數據流量需求的高速增長，對于未來時刻蜂窩流量情況的精準預測，可以幫助改善網絡資源分配、實現流量負載均衡，并部署基站節能與休眠策略。基于輕量化線性瓶頸結構，提出了一個具有多個并列分支結構的空時預測模型，分別提取近期歷史數據和周期性歷史數據中的空時特征。對于網格化空時數據中的空間依賴性，額外通過Ｋ-Ｍｅａｎｓ 算法對網格高維特征進行聚類，并提取網格基站密度信息作為跨域特征輸入到模型中，實現了使用低復雜度、低算力需求模型對研究范圍全域流量的精準預測。

關鍵詞：空時流量預測；輕量化模型；卷積神經網絡；深度學習；蜂窩網絡

中圖分類號：ＴＮ９１５． ０８；ＴＰ１８ 文獻標志碼：Ａ

文章編號：１００３－３１１４（２０２４）０５－０９２１－１１

０ 引言

５Ｇ 網絡的成功商業化為６Ｇ 網絡的發展愿景及下一步演變［１］指明了方向，未來６Ｇ 網絡下各類設備產生的移動數據流量也將隨之爆炸式增長。據統計，２０１０ 年全球移動數據流量為每月７． ４６２ ＥＢ，而到２０３０ 年這一數字預計將達到每月５ ０１６ ＥＢ［２］，這對巨量移動數據流量的管理提出了更高的要求。在此情況下，提前了解蜂窩網絡的未來流量趨勢，可預判流量激增及網絡擁塞，制定應急預案并進行網絡擴容［３］、調整和優化，從而保證重點區域的服務質量（Ｑｕａｌｉｔｙ ｏｆ Ｓｅｒｖｉｃｅ，ＱｏＳ）不大幅下降；同時得以在網絡過載前完成流量負載均衡，提高系統容量和可靠性，實現對于蜂窩網絡資源的最大化利用［４］；另外也得以能在夜間等低流量需求時段暫時關閉部分低負載基站，或使其低功率運行并動態調整其覆蓋范圍［５］，從而實現網絡資源的彈性分配，達到節能的目的。然而，單個蜂窩基站的流量數據在時域呈現出的高突發性、用戶生活習慣導致的短時依賴性與周期性、用戶移動性與城市交通和城市功能［６－７］等導致的空間依賴性等因素，都使蜂窩流量模式難以捕捉，同時蜂窩網絡預測問題也較常規的時間序列預測問題更為復雜。