Cellular Traffic Prediction with Recurrent Neural Network
业务需求的自主预测将是未来蜂窝网络的关键功能。过去，研究人员使用自回归综合移动平均（ARIMA）等统计方法来提供流量预测。然而，基于ARIMA的预测不能给出一个准确和准确的预测动态输入量，如蜂窝流量。最近，研究人员开始探索深度学习技术，如递归神经网络（RNN）和长短期记忆（LSTM），以自主预测未来的蜂窝流量。在这项研究中，我们设计了一个基于LSTM的蜂窝流量预测模型。我们将基于LSTM的预测与基线ARIMA模型和香草前馈神经网络（FFNN）进行了比较。结果表明，LSTM和FFNN准确地预测了未来的蜂窝流量。然而，发现LSTM训练预测模型的时间比FFNN短得多。因此，我们得出结论，LSTM模型可以有效地使用少量的训练数据，这将允许及时预测未来的蜂窝流量。
2020-03-05 cs.NI
An Approach for Spatial-temporal Traffic Modeling in Mobile Cellular Networks
移动蜂窝网络中的业务数据的量和类型一直在持续增长。同时，交通数据在时间和空间等多个维度上动态变化。因此，流量建模是必不可少的理论分析和未来的超密集蜂窝网络的节能设计。在本文中，作者试图建立一个易于处理的和准确的模型来描述实际蜂窝网络中的单个基站的流量变化模式。首先，基于蜂窝网络中的实际数据，提出了一种描述多个基站业务量随时间变化的正弦叠加模型。结果表明，一个区域内多个基站的平均业务量呈周期性变化，并具有三个主要的频率分量。然后，对数正态分布的空间建模的实际交通数据进行了验证。分析了空闲时间和繁忙时间的空间流量分布。并给出了园区、校园和中心商务区三个典型区域的模型参数。最后，提出了一种基于多基站时空业务分布的单基站时空业务联合建模方法。通过与当前蜂窝网络中的实际数据进行比较，对这三种模型进行了评估。结果表明，这些模型能够准确地描述蜂窝网络中实际业务数据的变化规律。
2017-03-31 cs.NI
Geocast into the Past: Towards a Privacy-Preserving Spatiotemporal Multicast for Cellular Networks
本文介绍了时空多播（STM）的新概念，这是一个问题，发送消息到移动设备已经驻留在一个特定的区域在过去的某个时间跨度。可以设想这种概念的各种应用，包括犯罪调查，疾病控制和社会应用。这些应用程序的一个重要方面是需要保护其用户的隐私。在这篇文章中，我们提出了一个广泛的应用程序和目标的STM服务完成的概述。此外，我们提出了第一个基于密码的时空多播（CSTM）方法，并提供了详细的讨论其隐私功能。最后，我们评估我们的计划在大规模的模拟设置的性能。
2013-01-28 cs.CR cs.NI
Energy Efficiency Evaluation of Cellular Networks Based on Spatial Distributions of Traffic Load and Power Consumption
当服务提供商的运营成本随着蜂窝网络中快速增长的数据业务需求而增加时，能量效率变得重要。在本文中，我们提出了一个能量效率模型的泊松-沃罗诺伊镶嵌（PVT）蜂窝网络考虑空间分布的流量负载和功耗。基于Palm理论，推导出了典型PVT小区的业务负载和功率消耗的空间分布，并可直接推广到整个PVT蜂窝网络。此外，PVT蜂窝网络的能量效率进行评估，考虑到业务负载特性，无线信道的影响和干扰。数值和蒙特卡罗模拟进行评估的能量效率模型在PVT蜂窝网络的性能。这些仿真结果表明，在给定的无线信道条件和用户强度在一个小区中的PVT蜂窝网络的能量效率存在最大限度。
2014-12-17 cs.NI
Understanding Mobile Traffic Patterns of Large Scale Cellular Towers in Urban Environment
了解城市环境中大规模蜂窝塔的移动业务模式对于现代大都市的互联网服务提供商、移动用户和政府管理者都是非常有价值的。本文的目的是提取和建模的大规模塔部署在一个大城市的交通模式。为了实现这一目标，我们需要解决几个挑战，包括缺乏适当的工具来处理大规模的交通测量数据，未知的交通模式，以及处理影响交通模式的城市生态和人类行为的复杂因素。我们的核心贡献是一个强大的模型，它结合了三维信息（时间，塔的位置和交通频谱），以提取和模拟数千个蜂窝塔的交通模式。我们的实证分析揭示了以下重要的观察结果。首先，在9，600个蜂窝塔中只存在五种基本的时域业务模式。第二，每个提取的交通模式映射到一种类型的地理位置相关的城市生态，包括居住区，商业区，交通，娱乐，综合区。第三，我们的频域流量频谱分析表明，9,600个塔中的任何塔的流量都可以使用与人类活动行为相对应的四个主要分量的线性组合来构建。我们相信，所提出的交通模式提取和建模方法，结合对移动流量的实证分析，铺平了道路，对大规模的蜂窝塔在现代大都市的交通模式的深入了解。
2015-10-14 cs.NI
Arterial Network Traffic State Prediction with Connected Vehicle Data: An Abnormality-Aware Spatiotemporal Network
University of Central Florida（中佛罗里达大学）
本文提出了一种基于连接车辆数据的动脉网络交通预测框架，通过异常感知的时空图卷积网络实现对正常和异常交通的联合建模，提升大尺度动脉网络的交通状态预测能力。
2026-02-17 cs.NI
Zen: LSTM-based generation of individual spatiotemporal cellular traffic with interactions
Inria（法国国家信息与自动化研究所）；Grenoble INP（格勒诺布尔国立理工学院）
由于其在人类存在和活动研究中的高价值而得到全领域的认可，细胞网络数据集（即，收费数据记录，命名为CdRs），然而，目前的可访问性，可用性和隐私问题，限制了他们的开发和研究reproducibility.This本文解决这些挑战，通过建模CdRs，满足现实世界的数据属性。我们设计的框架，命名为禅遵循四重方法，涉及（i）基于LTSM的建模用户的交通行为，（ii）现实和灵活的仿真时空移动性行为，（iii）逼真的蜂窝网络基础设施和社会互动的结构，以及（iv）前三个模块的组合成现实的CDR跟踪与个人的基础上，现实。结果表明，Zen的第一个和第三个模型准确地捕捉了完全匿名的真实世界Cdrs数据集的个体和全局分布，而第二个模型与文献中揭示的人类流动性特征一致。最后，我们验证Zen CDR的能力，再现日常的蜂窝行为的城市人口和它的实用性，在实际的网络应用，如动态人口跟踪，无线接入网络的节能，和异常检测相比，现实世界的CDR。
2023-01-05 cs.LG cs.NI
Forecasting Busy-Hour Downlink Traffic in Cellular Networks
蜂窝业务量的急剧增长要求蜂窝网络运营商开发策略以仔细地确定可用网络资源的尺寸并对其进行管理。预测交通量是任何主动管理战略的基本组成部分，因此在这种情况下非常感兴趣。从文献中发现的内容来看，网络流量通常是在短期内预测的，在这项工作中，我们解决了预测繁忙时间流量的问题，即，观测到的每日最大交通量的时间序列。我们专门处理预测在长期（一，两个月前），我们比较不同的方法来完成手头的任务，考虑不同的预测算法，以及依赖或不依赖于基于集群的方法，首先分组网络小区具有类似的繁忙时间流量配置文件，然后适合每个集群的预测模型来预测流量负载。一个真实的蜂窝网络数据集上的结果表明，繁忙时间的流量可以预测误差低于10%的前瞻期长达2个月的未来。此外，当集群可用时，我们分别将预测精度提高到8%和5%，分别为1个月和2个月。
2022-07-04 cs.NI
FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning
Orange Innovation（奥兰治创新公司）；Nantes University（南特大学）；École Centrale Nantes（南特中央理工学院）；IMT Atlantique（大西洋电信与技术学院）；CNRS（法国国家科学研究中心）；INRIA（法国国家信息与自动化研究所）；LS2N（南特数字科学实验室）；University of Luxembourg（卢森堡大学）；SnT（卢森堡大学安全、可靠性和信任中心）
针对现有蜂窝流量图预测方法未考虑基站动态变化的问题，本研究提出FLEXIBLE归纳式图学习方案与泛化GNN预测模型，支持一次训练适配多图且易迁移，较SOTA最高提升9.8%，小样本场景优势显著。
2024-05-14 cs.AI cs.LG cs.NI
Characterizing Delay and Control Traffic of the Cellular MME with IoT Support
高级蜂窝网络的主要用例之一由大规模物联网（MIoT）表示，即，大量物联网设备向蜂窝网络基础设施传输数据。为了使蜂窝MIoT成为现实，需要专门为支持物联网而设计的数据传输和控制程序。出于这个原因，3GPP引入了控制平面蜂窝物联网优化，该优化预见了简化的承载实例化，其中移动性管理实体（MME）处理控制和数据流量。因此，MME的性能变得至关重要，适当扩展其计算能力可以决定整个网络有效解决MIoT的能力。特别地，考虑到虚拟化网络和对计算资源的有效分配的需求，随着MIoT业务负载的变化，表征MME性能是至关重要的。我们通过呈现将物联网源的数量与请求承载的速率联系起来的紧凑、封闭形式的表达式，以及这种速率与物联网数据引起的延迟来解决这一需求。我们表明，我们的分析，通过测试台实验的支持和验证，通过大规模的模拟，是一个有价值的工具，使有效的扩展决策，在虚拟化的蜂窝核心网络。
2020-01-01 cs.NI
A method based on hierarchical spatiotemporal features for trojan traffic detection
针对HTTP木马流量检测难题，提出基于分层时空特征的神经网络模型HSTF-Model，融合深度学习与专家知识，在真实流量中F1达99.4%，并发布数据集BTHT。
2023-09-03 cs.NI
Performance Comparison of Packet Scheduling Algorithms for Video Traffic in LTE Cellular Network
在本文中，我们研究了下行链路分组调度算法提出的LTE蜂窝网络。本文重点研究了三种最有前途的调度算法：FLS算法、EXP算法和EXP算法。这三种算法的性能进行了视频流量在车载环境中使用LTE-Sim模拟器。在半径为1 km的固定有界区域中，设置了不同数量的用户，从10 - 60。本研究的主要目标是提供有助于LTE蜂窝网络分组调度器设计过程的结果，旨在获得更好的整体性能用户。仿真结果表明，FLS方案在平均系统吞吐量、平均分组时延、PLR等方面都优于传统的FLS方案，并且具有令人满意的公平性指标。
2013-07-11 cs.NI
Understanding and Partitioning Mobile Traffic using Internet Activity Records Data -- A Spatiotemporal Approach
University of Science and Technology Beijing（北京科技大学）；COMSATS University Islamabad（伊斯兰堡COMSATS大学）；University of Engineering and Technology Lahore（拉合尔工程技术大学）
移动蜂窝网络的互联网活动记录（IAR）包含了重要的信息，可以用来识别网络的功效和移动用户的行为。在这项工作中，我们从IAR数据中提取有用的信息，并确定一个健康的可预测性的时空模式内的网络流量。所提取的信息有助于网络运营商规划有效的网络配置并执行网络资源的管理和优化。我们报告的IAR数据的意大利电信的时空分析实验。在此基础上，提出了移动业务划分方案。该模型的实验结果有助于网络流量模式的建模和划分。
2019-07-30 cs.LG cs.NI eess.SP
The Learning and Prediction of Application-level Traffic Data in Cellular Networks
Zhejiang University（浙江大学）；PLA University of Science and Technology（解放军理工大学）；China Telecom Technology Innovation Center（中国电信技术创新中心）
流量学习和预测是电信网络性能评估的核心，在有线宽带网络中引起了广泛的关注。现在，受益于蜂窝网络中的大数据，可以使分析进一步进入应用层面。在本文中，我们首先从蜂窝网络运营商收集了大量的应用级流量数据。然后，借助流量“大数据”，对蜂窝网络流量建模和预测框架进行了全面的研究。我们的研究结果表明，普遍存在的一些交通统计建模特性，包括在时域上的ALPHA稳定的建模特性和在空间域的稀疏性。同时，研究结果也表明了不同服务类型的应用程序的独特性所产生的差异。在此基础上，提出了一种新的流量预测框架，并提出了一种基于字典学习的交替方向方法来解决该问题，通过大量的仿真实验验证了该框架的预测精度和鲁棒性。
2017-03-28 cs.LG cs.NI
A Multi-traffic Inter-cell Interference Coordination Scheme in Dense Cellular Networks
本文提出了一种新的半分布式和实用的ICIC方案的基础上几乎空白子帧（ABSF）的方法，由3GPP。我们定义了两个数学规划问题的情况下，保证和尽力而为的流量，并使用博弈论来研究衍生的ICIC分布式计划，这是比较详细的对负担不起的集中式计划的属性。基于对所提出的模型的分析，我们定义了分布式多业务调度（DMS），一个统一的分布式框架自适应干扰感知调度的基站在未来的蜂窝网络，占保证和尽力而为的流量。DMS遵循两层方法，由本地ABSF调度器和轻量级本地管理器组成，本地ABSF调度器在保证流量和尽力而为流量之间执行资源分配，本地管理器协调ABSF本地决策。由于这种双层设计，DMS需要非常轻的信令来驱动本地路由器到全局有效的操作点。如通过数值结果所示，DMS允许（i）最大化无线电资源重用，（ii）为保证的业务提供所请求的质量，（iii）最小化专用于保证的业务的时间以为尽力而为业务留下空间，以及（iv）最大化尽力而为业务的资源利用效率。
2017-08-24 cs.NI
Optimal Radio Resource Allocation for Hybrid Traffic in Cellular Networks: Traffic Analysis and Implementation
在本文的第一部分，一个分布式和集中式的架构，最佳的无线电资源分配知道的流量延迟容忍的性质，用户订阅类型，和应用程序的使用变化。在当前的文章中，上述分布式和集中式架构的传输开销分析进行了研究，并证明了集中式方案比分布式方法具有更低的传输开销。此外，集中式和分布式架构的传输开销的下限推导。此外，上述集中式和分布式架构的资源分配过程的敏感性分析，在系统中的用户数量的变化。此外，集中式和分布式方法的应用程序使用的时间变化的敏感性分析进行了研究。最后，通过适当的仿真验证了传输开销和灵敏度相关的声明。最后但并非最不重要的是，提供了第一部分中开发的资源分配方法的实际实现。
2014-11-12 cs.NI
Data Matters: The Case of Predicting Mobile Cellular Traffic
Department of Mathematics and Systems Analysis（数学与系统分析系）
本文针对智能道路场景，提出利用道路交通流量和速度等人口动态数据辅助蜂窝网络指标进行基站负载预测，实验证明预测误差最多可降低56.5%。
2025-07-07 cs.LG cs.NI
Offloading Cellular Traffic through Opportunistic Communications: Analysis and Optimization
最近已经提出通过机会性通信来卸载业务作为减轻蜂窝网络的当前过载的方式。当移动终端用户（临时）彼此接近时，可能发生竞争性通信，使得设备可以建立本地对等连接（例如，通过蓝牙）。由于机会主义通信是基于参与者的自发移动性，它本质上是不可靠的。这对必须满足应用要求的任何蜂窝卸载解决方案的设计提出了严峻的挑战。在本文中，我们解决这个挑战，从优化分析的角度来看，与现有的启发式解决方案。我们首先建模的内容传播（通过蜂窝接口注入）在一个机会网络与异构节点的移动性。然后，基于该模型，我们推导出最优的内容注入策略，该策略在满足应用约束的同时使蜂窝网络的负载最小化。最后，我们提出了一个自适应算法的控制理论的基础上，实现这种最优策略，而不需要任何数据的移动模式或移动节点的接触率。所提出的方法进行了广泛的评估与异构移动模型以及现实世界的接触痕迹，表明它大大优于以前的方法在文献中提出的。
2014-05-14 cs.NI
Group-based Delivery of Critical Traffic in Cellular IoT Networks
预计第五代（5G）网络将在许多使用场景中连接大量物联网（IoT）设备。具有零星和短分组上行链路传输的典型大规模物联网应用的挑战得到了很好的研究，而对新兴点对多点场景中向物联网设备交付共同感兴趣的内容（例如软件/固件更新和远程控制）的关注不够。此外，延迟敏感的物联网流量的交付在文献中没有得到充分解决。在这项工作中，我们（i）确定了当前用于蜂窝物联网（cIoT）网络中计划外关键业务交付的单小区点到多点（SC-PTM）解决方案的缺点，以及（ii）提出了用于在例如，bug修复或系统故障。我们基准性能的建议寻呼计划对类似的解决方案，在文献中。我们的扩展SC-PTM框架是节能的，并保证低服务延迟，无论是分析和模拟证明。
2021-10-16 cs.NI
WT-CFormer: High-Performance Web Traffic Anomaly Detection Based on Spatiotemporal Analysis
针对Web流量来源分布差异与类别不平衡导致的异常检测难题，提出融合Transformer与CNN的WT-CFormer模型，可高效捕获时空特征，在多项指标上优于现有方法且收敛更快。
2024-12-12 cs.NI
On the road to more accurate mobile cellular traffic predictions
Aalto University School of Science（阿尔托大学理学院）
本文提出利用免费道路指标结合蜂窝网络流量，在轻量学习结构中实现高速公路小区短期负载的准确预测，并支持联邦与集中式学习。
2023-05-24 cs.LG cs.NI
What Can Wireless Cellular Technologies Do about the Upcoming Smart Metering Traffic?
具有蜂窝无线电接口的智能电表的引入给无线蜂窝网络带来了额外的负载。目前，这些仪表设计用于低占空比计费和偶尔的系统检查，这会产生低速率的零星流量。随着分布式能源数量的增加，家庭电力将变得更加多变，因此从配电系统运营商（DSO）的角度来看是不可预测的。因此，预计在不久的将来，在配电网中具有增加数量的具有类似相量测量单元（PMU）的能力的广域测量系统（WAMS）设备，从而允许公用事业监测低压电网质量，同时提供更严格的电网控制所需的信息。从通信的角度来看，流量概况将朝着更高的数据量和每设备更高的速率急剧变化。在本文中，我们描述了智能电表产生的当前流量，并补充了引入增强型智能电表所带来的潜在流量需求，即，具有类似PMU功能的仪表。我们的研究显示了GSM/GPRS和LTE蜂窝系统的性能如何与当前和下一代智能电表流量，其中可以清楚地看到，PMU数据将严重挑战这些无线系统。最后，我们强调了升级蜂窝标准的可能解决方案，以应对即将到来的智能计量流量。
2015-07-01 cs.IT cs.NI math.IT
Spatial Traffic Shaping in Heterogeneous Cellular Networks with Energy Harvesting
能量收集（EH）探索可再生能源作为补充电源，是一种有前途的5G技术，可支持异构蜂窝网络（HCN）的巨大能源需求。然而，可再生能源的随机到来给网络管理带来了巨大的挑战。通过调整业务负载在空间域的分布，业务整形有助于平衡小区级的功率需求和供应，从而提高可再生能源的利用率。在本文中，我们研究了业务整形的节能性能的分析方法，基于能量到达和业务负载的统计信息。具体而言，能量最优业务整形方案（EOTS）的设计与EH的HCN，从而离网小小区的开关状态和卸载业务量动态调整的能量变化，以最大限度地减少上网功耗。数值结果表明，在日流量和太阳能分布情况下，EOTS方案与贪婪算法相比，能显著降低能量消耗，且用户总是优先卸载到离网小电池上.
2015-08-20 cs.IT cs.NI math.IT
Multivariate, Multi-step, and Spatiotemporal Traffic Prediction for NextG Network Slicing under SLA Constraints
本研究提出一种面向NextG网络切片的多变量、多步时空流量预测方法，利用RAN特征和移动性聚类设计基于SLA的参数化损失函数，实验表明单小区和基于切片的模型显著优于多小区及基线模型。
2023-09-07 cs.IT cs.NI eess.SP
Forecasting Mobile Traffic with Spatiotemporal correlation using Deep Regression
University of Catania（卡塔尼亚大学）
移动性预测的概念代表了未来蜂窝网络的有效管理的关键使能因素之一，由于多种技术的聚合，未来蜂窝网络趋于逐渐变得更加精细和密集。在这封信中，我们的目标是调查在大都市地区的蜂窝流量预测的问题，并提出了一个深度回归（DR）的方法来模拟其复杂的时空动态。DR是通过解决图像到图像回归问题来捕获移动数据的多尺度和多域依赖性的工具。输入和预期输出之间的参数关系被定义，网格搜索被放置到位，以隔离和优化性能。实验结果表明，该方法实现了较低的预测误差对国家的最先进的算法。我们通过使用欧洲供应商的大型公共数据集来验证预测性能和稳定性。
2019-07-25 cs.LG cs.NI eess.SP
Cellular Traffic Prediction and Classification: a comparative evaluation of LSTM and ARIMA
Stockholm University（斯德哥尔摩大学）；Huawei（华为）
为了提高资源利用率，蜂窝网络中的用户流量预测引起了广泛的关注。在本文中，我们研究了网络流量的预测和分类问题，分别采用标准的机器学习和统计学习时间序列预测方法，包括长短期记忆（LSTM）和自回归积分移动平均（ARIMA）。我们提出了一个广泛的实验评估的设计工具在一个真正的网络流量数据集。在此分析中，我们探讨了不同参数对预测有效性的影响。我们进一步扩展我们的分析问题的网络流量分类和预测的流量突发。一方面，结果表明LSTM的性能一般优于ARIMA，特别是当训练时间序列的长度足够长时，并且通过明智选择的特征集进行增强。另一方面，结果揭示的情况下，ARIMA执行接近最优的复杂性较低。
2019-06-03 cs.LG cs.NI eess.SP
Traffic Convexity Aware Cellular Networks: A Vehicular Heavy User Perspective
在现代蜂窝网络中，移动业务的迅猛增长主要是由大尺寸的多媒体内容引起的。智能设备以及无线电接入技术的最新进展促进了大容量内容的消费，即使对于移动车辆中的人（被称为车辆重度用户）也是如此。在这篇文章中，通过2012年和2015年在韩国首尔进行的现场实验观察到了车辆大量用户流量的出现。实验表明，这样的流量正在成为主导，捕获的车辆重用户流量增加了8.62倍，而总流量增加了3.04倍。为了解决这个所谓的车辆重用户问题（VHP），我们提出了一个小区关联算法，利用不同的速度用户需求的多样性。这种用户流量模式首先通过我们的现场试验发现，其在速度上是凸形的，即步行用户流量小于静止或车辆用户流量。当VHP变得严重时，数值评估验证了所提出的用户凸性感知关联在实践中优于众所周知的负载均衡关联，小区范围扩展（CRE）。除了小区关联之外，还提出了几种符合5G技术趋势的补充技术。
2015-08-22 cs.IT cs.NI math.IT
Fair distributed user-traffic association in cache equipped cellular networks
最近提出了在无线节点上缓存流行内容作为减少蜂窝网络骨干中的拥塞并提高服务质量的手段。从网络的角度来看，目标是尽可能多的用户从骨干网卸载到无线缓存，同时为缓存无关的用户提供良好的服务。积极的卸载可能会导致不平衡的用户关联。一些无线节点可能因高速缓存相关业务而过载，而其他无线节点的资源仍然未得到充分利用。给定一个固定的内容放置，这项工作提出了一个有效的分布式算法来控制和平衡蜂窝缓存存储器之间的缓存相关的流量的关联。该算法允许网络实现全局最优解，并且可以在基站上使用它们之间的有限量的信息交换来执行。它基于一种我们称之为桶填充的新算法。该解决方案通过公平地平衡节点间的总负载来限制每个节点的缓存用户数。的改进相比，常见的用户分配政策突出的单层以及多层随机网络。
2017-02-10 cs.NI math.OC
When Cellular Meets WiFi in Wireless Small Cell Networks
覆盖在现有宏蜂窝系统上的小小区基站（SCBS）的部署被视为用于卸载业务、优化覆盖和提高未来蜂窝无线系统的容量的关键解决方案。设想下一代SCBS是多模的，即，其能够在许可和未许可频带上同时发送。这构成了WiFi和蜂窝无线电接入技术（RAT）的具有成本效益的集成，可以有效地应对峰值无线数据流量和异构服务质量要求。为了利用这种多模式SCBS的优势，我们讨论了新提出的跨系统学习的范例，SCBS通过该范例自组织并自主地引导其跨不同RAT的流量。跨系统学习允许SCBS利用WiFi和蜂窝世界的优势。例如，SCBS可以将延迟容忍数据业务卸载到WiFi，同时学习它们在授权蜂窝频带上的传输策略的概率分布函数。本文将首先介绍跨系统学习的基本构建块，然后在覆盖WiFi热点的长期演进（LTE）模拟器中提供初步的性能评估。值得注意的是，它表明，所提出的跨系统学习方法显着优于一些基准流量导向政策。
2013-03-22 cs.IT cs.NI math.IT
Traffic Prediction in Cellular Networks using Graph Neural Networks
蜂窝网络是在全世界提供主要通信手段的无处不在的实体。蜂窝网络中的一个主要挑战是用户数量及其对电信服务的使用的动态变化，这导致某些基站处的过载。处理这种过载问题的一类解决方案是部署无人机，其可以充当临时基站并从过载的基站卸载流量。在开发这个解决方案的过程中有两个主要挑战。首先，预计无人机将出现在基站周围，其中未来将发生过载，因此需要预测业务过载。其次，无人机资源高度受限，只能飞行几分钟。如果受影响的基站真的很远，无人机永远无法到达那里。这需要将无人机初始放置在可能发生过载的扇区中，因此再次需要交通预报，但在不同的空间尺度上。必须指出的是，该问题所造成的区域的空间范围和可供无人机使用的极其有限的电力资源构成了一个巨大的挑战，如果不将无人机部署在战略位置以减少飞行到所需高需求区域的时间，就很难克服这个挑战。此外，由于无人机以有限的速度飞行，因此采用可以预测交通激增的预测解决方案非常重要，以便无人机可以在实际发生之前卸载过载。这两个目标都需要对蜂窝网络流量进行分析和预测，这是本项目的主要目标
2023-01-30 cs.LG cs.NE cs.NI
