Vorhersage des zellularen Verkehrs mit Online-Vorhersagealgorithmen

Die Einführung der 5G-Technologie verspricht einen Paradigmenwechsel im Bereich der Telekommunikation und bietet unerreichte Geschwindigkeiten und Konnektivität. Allerdings bleibt das effiziente Management des Verkehrs in 5G-Netzen eine kritische Herausforderung. Dies liegt an der dynamischen und heterogenen Natur des Netzwerkverkehrs, den variierenden Nutzerverhalten, der erweiterten Netzgröße und den vielfältigen Anwendungen, die alle hochpräzise und anpassungsfähige Vorhersagemodelle erfordern, um die Zuteilung und Verwaltung der Netzwerkressourcen zu optimieren. Dieses Papier untersucht die Wirksamkeit von Live-Vorhersagealgorithmen zur Vorhersage des zellularen Netzwerkverkehrs in Echtzeitszenarien. Wir wenden zwei Live-Vorhersagealgorithmen auf Maschinenlernmodelle an, einer davon ist der kürzlich vorgeschlagene Fast LiveStream Prediction (FLSP) Algorithmus. Wir untersuchen die Leistung dieser Algorithmen unter zwei unterschiedlichen Datenerfassungsmethoden: synchron, wo alle Netzwerkzellen gleichzeitig Statistiken melden, und asynchron, wo die Meldung über aufeinanderfolgende Zeitabschnitte erfolgt. Unsere Studie beleuchtet die Auswirkungen dieser Erfassungsszenarien auf die prädiktive Leistung von Verkehrsmodellen. Unsere Untersuchung zeigt, dass der FLSP-Algorithmus die erforderliche Bandbreite für asynchrone Datenberichterstattung im Vergleich zu herkömmlichen Online-Vorhersagealgorithmen halbieren kann, während gleichzeitig die Vorhersagegenauigkeit verbessert und die Prozesslast verringert wird. Darüber hinaus führen wir eine gründliche Analyse der algorithmischen Komplexität und der Speicheranforderungen verschiedener Maschinenlernmodelle durch. Durch empirische Bewertungen geben wir Einblicke in die Kompromisse, die in verschiedenen Vorhersagestrategien inherent sind, und bieten wertvolle Hinweise zur Netzwerkoptimierung und Ressourcenallokation in dynamischen Umgebungen.