Cellular Traffic Prediction Using Online Prediction Algorithms

要約

5G テクノロジーの出現は、通信分野におけるパラダイムシフトを約束し、前例のない速度と接続性を提供します。
ただし、5G ネットワークにおけるトラフィックの効率的な管理は依然として重要な課題です。
これは、ネットワーク トラフィックの動的で異質な性質、さまざまなユーザー行動、拡張されたネットワーク サイズ、および多様なアプリケーションによるものであり、これらすべてがネットワーク リソースの割り当てと管理を最適化するための高精度で適応性のある予測モデルを必要とします。
この論文では、リアルタイム シナリオで携帯電話ネットワーク トラフィックを予測するためのライブ予測アルゴリズムの有効性を調査します。
機械学習モデルに 2 つのライブ予測アルゴリズムを適用します。そのうちの 1 つは、最近提案された Fast LiveStream Prediction (FLSP) アルゴリズムです。
これらのアルゴリズムのパフォーマンスを、すべてのネットワーク セルが同時に統計を報告する同期と、連続するタイム スロットにわたって報告が行われる非同期の 2 つの異なるデータ収集方法で検証します。
私たちの研究では、これらの収集シナリオが交通モデルの予測パフォーマンスに及ぼす影響を詳しく調査しています。
私たちの研究により、FLSP アルゴリズムは、従来のオンライン予測アルゴリズムと比較して、非同期データ レポートに必要な帯域幅を半分にできると同時に、予測精度を向上させ、処理負荷を軽減できることが明らかになりました。
さらに、さまざまな機械学習モデルにわたるアルゴリズムの複雑さとメモリ要件の徹底的な分析を実施します。
実証的な評価を通じて、さまざまな予測戦略に固有のトレードオフについての洞察を提供し、動的環境におけるネットワークの最適化とリソース割り当てのための貴重なガイダンスを提供します。

要約(オリジナル)

The advent of 5G technology promises a paradigm shift in the realm of telecommunications, offering unprecedented speeds and connectivity. However, the efficient management of traffic in 5G networks remains a critical challenge. It is due to the dynamic and heterogeneous nature of network traffic, varying user behaviors, extended network size, and diverse applications, all of which demand highly accurate and adaptable prediction models to optimize network resource allocation and management. This paper investigates the efficacy of live prediction algorithms for forecasting cellular network traffic in real-time scenarios. We apply two live prediction algorithms on machine learning models, one of which is recently proposed Fast LiveStream Prediction (FLSP) algorithm. We examine the performance of these algorithms under two distinct data gathering methodologies: synchronous, where all network cells report statistics simultaneously, and asynchronous, where reporting occurs across consecutive time slots. Our study delves into the impact of these gathering scenarios on the predictive performance of traffic models. Our study reveals that the FLSP algorithm can halve the required bandwidth for asynchronous data reporting compared to conventional online prediction algorithms, while simultaneously enhancing prediction accuracy and reducing processing load. Additionally, we conduct a thorough analysis of algorithmic complexity and memory requirements across various machine learning models. Through empirical evaluation, we provide insights into the trade-offs inherent in different prediction strategies, offering valuable guidance for network optimization and resource allocation in dynamic environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google