面向5G网络中动态PRB分配的目标导向概率预测
Goal-oriented probabilistic forecasting for dynamic PRB allocation in 5G networks
- Ericsson（爱立信）
机构由 AI 辅助整理，请以论文原文为准。
AI总结：
针对5G网络PRB分配中传统对称误差预测忽视成本不对称的问题，提出目标导向概率预测框架，用Pinball Loss训练DeepAR和TFT模型并优化分位数，在真实数据上降低运营成本并保持校准的不确定性。
AI中文摘要：
在5G网络中，高效的物理资源块（PRB）分配需要准确的流量需求预测。传统方法最小化对称误差指标（如MAE、RMSE），却忽略了运营成本的不对称性——资源供给不足（导致服务降级）的代价远高于资源过度供给（造成容量浪费）。我们提出了一种目标导向的概率预测框架，将模型训练与运营商的决策目标对齐。具体而言，我们使用分位数损失（Pinball Loss）函数训练DeepAR和时序融合Transformer（TFT）模型，并从运营商的成本矩阵中推导出最优分配分位数。在真实的波束级5G流量数据集上的评估表明，与基于MSE训练的基线相比，所提出的方法在降低运营成本的同时，保持了校准的不确定性估计。该框架实现了动态PRB分配，明确地在服务可靠性与资源效率之间进行平衡。
英文摘要：
Efficient physical resource block (PRB) allocation in 5G networks requires accurate demand forecasting. Conventional methods minimize symmetric error metrics (MAE, RMSE), ignoring the operational cost asymmetry where under-provisioning (service degradation) is far costlier than over-provisioning (wasted capacity). We propose a goal-oriented probabilistic forecasting framework that aligns model training with the operator's decision-making objectives. Specifically, we train DeepAR and Temporal Fusion Transformer (TFT) models using the Pinball Loss function and derive the optimal allocation quantile from the operator's cost matrix. Evaluation on a real beam-level 5G traffic dataset shows that the proposed approach reduces operational cost compared to MSE-trained baselines while maintaining calibrated uncertainty estimates. The framework enables dynamic PRB allocation that explicitly balances service reliability against resource efficiency.
