基于多种模型的流量预测研究

高轶 霍永华 胡晓彦

摘要：6G是下一代无线通信网络的发展方向，6G网络要求更高的峰值数据速率、移动性和更无处不在的智能連接。由于不同的场景和业务需要不同的网络切片（Network Slicing）承载，网络的性能指标各异，对各种资源的需求量也不尽相同，因此需要对网络流量在时间和空间上进行预测。对时空流量建模，并提出了3种以深度学习为基础的流量预测方法：基于深度学习的时空数据预测模型（DeepST）、残差网络（ResNet）模型和卷积长短期记忆网络模型（ConvLSTM），针对每种模型的应用场景和优劣予以研究陈述，在此基础上完成模型的有效性验证和比较；最后，仿真验证。仿真结果表明，基于ResNet的流量预测模型预测效果更佳。

关键词：流量预测；深度学习；基于深度学习的时空数据预测模型；残差网络模型；卷积长短期记忆网络模型

中图分类号：TP319文献标志码：A文章编号：1008-1739（2022）16-50-5

0引言

近年来，网络通信的发展越来越迅速，人们需要的服务也越来越多，网络达到满足其服务需求的标准也越来越高。因此，亟需一种无线移动通信网流量需求预测方法，提前对目标网络及其上承载的各种业务进行流量和流向分析，从而达到提高资源利用率，满足多样化、差异化业务需求的目标。

流量分析预测对于精准资源调控，前瞻性网络管控能力提升具有重要意义。本文在大量分析已有研究方法的基础上，提出了适用于典型场景的流量预测模型。

Hu等[1]研究了很多流量预测方法，得出的结论是：多层感知机（MLP）和递归神经网络（RNN）的性能优于堆叠式自动编码器，适用于时间序列网络流量预测。Luo等[2]分别使用长短期记忆（LSTM）和深度神经网络（DNN）对网络流量进行了预测，发现LSTM的预测性能优于DNN，主要原因是LSTM能够识别流量模式。但是Oliveira等[3]和Alawe等[4]都是只基于流量数据的时间特征来预测网络流量，而业务量问题有复杂的空间相关性和动态时间相关性。一方面，业务量时间序列显示出强大的时间动态相关性，但高峰时段或事故等反复发生的事件可能导致形成不稳定的时间序列，从而使预测具有挑战性；另一方面，不同区域间的业务量包含复杂而独特的空间相关性。

后续研究人员加入了地理位置信息进行研究，其中Zhou等[5]分析了大型基站的数据，发现加入相邻相关小区流量的可预测性可以通过流量数据来提高，也就是说，与之相关的基站流量的信息可以反过来帮助预测该基站的流量。因此，一些研究人员考虑到流量序列的时空相关性，运用相关深度学习方法来预测网络流量。Jiang等[6]挖掘了网络基站之间的流量相关关系，其结果表明利用基站之间的流量相关关系可以帮助提高流量预测的精准度。Wang等[7]用一种混合深度学习模型来进行时空预测，基于自动编码器和LSTM分别对流量的空间和时间相关性进行建模。模型中，将全局和多个局部堆叠的自动编码器并行训练用于空间特征提取、降维，然后交给LSTM网络处理，以执行最终预测。实验表明，其性能优于SVR和自回归移动平均（ARIMA）模型，也进一步证明了增加基站之间空间关系的信息可以提高流量预测的准确性。Huang等[8]提出了卷积神经网络（CNN）和LSTM网络的混合网络模型，这里的LSTM模型与CNN模型分别用来提取序列的时空特征和空间特征；通过有效地提取时空特征，与传统方法（例如ARIMA）相比，模型获得了更高的准确性。Zhang等[9]使用密集连接的CNN[10]用于对不同小区中流量的时空依赖性进行统一建模。卷积运算可以捕获空间依赖性，再使用2个CNN对时间相关性进行建模，然后通过基于参数矩阵的方案进一步融合结果。一些作者受图像超分辨率技术启发研究了将CNN与生成式对抗网络（Generative Adversarial Networks，GAN）结合使用以通过细粒度预测全网范围移动流量消耗，结果表明，提出的模型可以减少开销并提升预测效果[11]。Zhang等[12]使用卷积长短期记忆网络（ConvLSTM）提取移动网络流量的复杂时空特征，实验发现，其表现优于基准模型。

总结上述流量预测研究成果，针对网络流量的时空预测问题，聚焦典型业务场景，分别提出改进的LSTM网络、残差网络（ResNet）、基于深度学习的时空数据预测（DeepST）模型，阐述了模型的预测流程和应用场景，同时进行流量的空间和时间预测。时间预测是对时间序列的未来某个时刻或者某段时间内的流量值的预测；空间预测是在空间上做一个分布模型，进行位置的预测；最后，针对3种算法模型分别进行仿真验证和对比分析，仿真结果表明，基于残差网络ResNet的流量方法预测效果更佳。

1基于深度学习的时空流量预测方法

1.1 DeepST模型

本节研究如何利用DeepST模型进行流量预测。

假设要预测时刻的网络流量分布，首先把网络分割成×的网格，每个时刻网络的流量分布状况可以用一个×的矩阵表示，把这个矩阵看成像素矩阵，则可以用CNN分析提取网络流量分布的特征。虽然CNN能很好地提取流量值在空间分布上的特征，但是无法分析网络流量在时间顺序上的特点，解决该问题有很多方法，本文采用多个并行卷积层进行简单拟合数据在时间上的分布方法予以解决。

3結束语

本文面向6G业务特征的流量提出了基于深度学习的DeepST，ResNet和ConvLSTM三种时空网络流量预测模型，对模型的应用场景进行对比分析，仿真结果对模型自身性能进行比较，同时对流量预测结果进行对比分析，结果表明残差网络模型的预测效果更好。流量分析预测是资源优化调控决策的重要支撑，本文所提出的模型有待于在真实网络流量中进行进一步实战验证和模型完善优化。

参考文献

[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.