On the use of Probabilistic Forecasting for Network Analysis in Open RAN

要約

長短期記憶 (LSTM) などの他のシングルポイント人工知能 (AI) ベースの予測手法とは異なり、確率的予測手法 (DeepAR や Transformer など) は、考えられるさまざまな結果と関連する確率を提供し、意思決定者が次のことを行うことを可能にします。
より多くの情報に基づいた確実な意思決定を行うことができます。
同時に、Open RAN のアーキテクチャは、RAN のエコシステムにおけるオープン性、相互運用性、革新を目的とした、モバイル ネットワークの革新的なアプローチとして登場しました。
この論文では、オープン RAN アーキテクチャ内の無線アプリ (rApp) として確率的予測技術の使用を提案します。
私たちは、携帯電話基地局の物理リソース ブロック (PRB) の使用率とリソース需要を推定するために、さまざまな確率的単一点予測方法とアルゴリズムを調査および比較します。
私たちの評価を通じて、従来の単一点予測手法に対する確率的予測手法の数値的利点を実証し、より正確で信頼性の高い推定値を提供できることを示しました。
特に、DeepAR は、LSTM や Seasonal-Naive (SN) ベースラインなどの単一点予測手法や、Simple-Feed-Forward (SFF) や Transformer ニューラル ネットワークなどの他の確率的予測手法よりも明らかに優れています。

要約(オリジナル)

Unlike other single-point Artificial Intelligence (AI)-based prediction techniques, such as Long-Short Term Memory (LSTM), probabilistic forecasting techniques (e.g., DeepAR and Transformer) provide a range of possible outcomes and associated probabilities that enable decision makers to make more informed and robust decisions. At the same time, the architecture of Open RAN has emerged as a revolutionary approach for mobile networks, aiming at openness, interoperability and innovation in the ecosystem of RAN. In this paper, we propose the use of probabilistic forecasting techniques as a radio App (rApp) within the Open RAN architecture. We investigate and compare different probabilistic and single-point forecasting methods and algorithms to estimate the utilization and resource demands of Physical Resource Blocks (PRBs) of cellular base stations. Through our evaluations, we demonstrate the numerical advantages of probabilistic forecasting techniques over traditional single-point forecasting methods and show that they are capable of providing more accurate and reliable estimates. In particular, DeepAR clearly outperforms single-point forecasting techniques such as LSTM and Seasonal-Naive (SN) baselines and other probabilistic forecasting techniques such as Simple-Feed-Forward (SFF) and Transformer neural networks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google