基于多種模型的流量預測研究

高軼 霍永華 胡曉彥

摘要：6G是下一代無線通信網絡的發(fā)展方向，6G網絡要求更高的峰值數(shù)據(jù)速率、移動性和更無處不在的智能連接。由于不同的場景和業(yè)務需要不同的網絡切片（Network Slicing）承載，網絡的性能指標各異，對各種資源的需求量也不盡相同，因此需要對網絡流量在時間和空間上進行預測。對時空流量建模，并提出了3種以深度學習為基礎的流量預測方法：基于深度學習的時空數(shù)據(jù)預測模型（DeepST）、殘差網絡（ResNet）模型和卷積長短期記憶網絡模型（ConvLSTM），針對每種模型的應用場景和優(yōu)劣予以研究陳述，在此基礎上完成模型的有效性驗證和比較；最后，仿真驗證。仿真結果表明，基于ResNet的流量預測模型預測效果更佳。

關鍵詞：流量預測；深度學習；基于深度學習的時空數(shù)據(jù)預測模型；殘差網絡模型；卷積長短期記憶網絡模型

中圖分類號：TP319文獻標志碼：A文章編號：1008-1739（2022）16-50-5

0引言

近年來，網絡通信的發(fā)展越來越迅速，人們需要的服務也越來越多，網絡達到滿足其服務需求的標準也越來越高。因此，亟需一種無線移動通信網流量需求預測方法，提前對目標網絡及其上承載的各種業(yè)務進行流量和流向分析，從而達到提高資源利用率，滿足多樣化、差異化業(yè)務需求的目標。

流量分析預測對于精準資源調控，前瞻性網絡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上，提出了適用于典型場景的流量預測模型。

Hu等[1]研究了很多流量預測方法，得出的結論是：多層感知機（MLP）和遞歸神經網絡（RNN）的性能優(yōu)于堆疊式自動編碼器，適用于時間序列網絡流量預測。Luo等[2]分別使用長短期記憶（LSTM）和深度神經網絡（DNN）對網絡流量進行了預測，發(fā)現(xiàn)LSTM的預測性能優(yōu)于DNN，主要原因是LSTM能夠識別流量模式。但是Oliveira等[3]和Alawe等[4]都是只基于流量數(shù)據(jù)的時間特征來預測網絡流量，而業(yè)務量問題有復雜的空間相關性和動態(tài)時間相關性。一方面，業(yè)務量時間序列顯示出強大的時間動態(tài)相關性，但高峰時段或事故等反復發(fā)生的事件可能導致形成不穩(wěn)定的時間序列，從而使預測具有挑戰(zhàn)性；另一方面，不同區(qū)域間的業(yè)務量包含復雜而獨特的空間相關性。

后續(xù)研究人員加入了地理位置信息進行研究，其中Zhou等[5]分析了大型基站的數(shù)據(jù)，發(fā)現(xiàn)加入相鄰相關小區(qū)流量的可預測性可以通過流量數(shù)據(jù)來提高，也就是說，與之相關的基站流量的信息可以反過來幫助預測該基站的流量。因此，一些研究人員考慮到流量序列的時空相關性，運用相關深度學習方法來預測網絡流量。Jiang等[6]挖掘了網絡基站之間的流量相關關系，其結果表明利用基站之間的流量相關關系可以幫助提高流量預測的精準度。Wang等[7]用一種混合深度學習模型來進行時空預測，基于自動編碼器和LSTM分別對流量的空間和時間相關性進行建模。模型中，將全局和多個局部堆疊的自動編碼器并行訓練用于空間特征提取、降維，然后交給LSTM網絡處理，以執(zhí)行最終預測。實驗表明，其性能優(yōu)于SVR和自回歸移動平均（ARIMA）模型，也進一步證明了增加基站之間空間關系的信息可以提高流量預測的準確性。Huang等[8]提出了卷積神經網絡（CNN）和LSTM網絡的混合網絡模型，這里的LSTM模型與CNN模型分別用來提取序列的時空特征和空間特征；通過有效地提取時空特征，與傳統(tǒng)方法（例如ARIMA）相比，模型獲得了更高的準確性。Zhang等[9]使用密集連接的CNN[10]用于對不同小區(qū)中流量的時空依賴性進行統(tǒng)一建模。卷積運算可以捕獲空間依賴性，再使用2個CNN對時間相關性進行建模，然后通過基于參數(shù)矩陣的方案進一步融合結果。一些作者受圖像超分辨率技術啟發(fā)研究了將CNN與生成式對抗網絡（Generative Adversarial Networks，GAN）結合使用以通過細粒度預測全網范圍移動流量消耗，結果表明，提出的模型可以減少開銷并提升預測效果[11]。Zhang等[12]使用卷積長短期記憶網絡（ConvLSTM）提取移動網絡流量的復雜時空特征，實驗發(fā)現(xiàn)，其表現(xiàn)優(yōu)于基準模型。

總結上述流量預測研究成果，針對網絡流量的時空預測問題，聚焦典型業(yè)務場景，分別提出改進的LSTM網絡、殘差網絡（ResNet）、基于深度學習的時空數(shù)據(jù)預測（DeepST）模型，闡述了模型的預測流程和應用場景，同時進行流量的空間和時間預測。時間預測是對時間序列的未來某個時刻或者某段時間內的流量值的預測；空間預測是在空間上做一個分布模型，進行位置的預測；最后，針對3種算法模型分別進行仿真驗證和對比分析，仿真結果表明，基于殘差網絡ResNet的流量方法預測效果更佳。

1基于深度學習的時空流量預測方法

1.1 DeepST模型

本節(jié)研究如何利用DeepST模型進行流量預測。

假設要預測時刻的網絡流量分布，首先把網絡分割成×的網格，每個時刻網絡的流量分布狀況可以用一個×的矩陣表示，把這個矩陣看成像素矩陣，則可以用CNN分析提取網絡流量分布的特征。雖然CNN能很好地提取流量值在空間分布上的特征，但是無法分析網絡流量在時間順序上的特點，解決該問題有很多方法，本文采用多個并行卷積層進行簡單擬合數(shù)據(jù)在時間上的分布方法予以解決。

3結束語

本文面向6G業(yè)務特征的流量提出了基于深度學習的DeepST，ResNet和ConvLSTM三種時空網絡流量預測模型，對模型的應用場景進行對比分析，仿真結果對模型自身性能進行比較，同時對流量預測結果進行對比分析，結果表明殘差網絡模型的預測效果更好。流量分析預測是資源優(yōu)化調控決策的重要支撐，本文所提出的模型有待于在真實網絡流量中進行進一步實戰(zhàn)驗證和模型完善優(yōu)化。

參考文獻

[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.