Räumlich-zeitliche Modellierung und Vorhersage in Mobilfunknetzen: Ein Ansatz zur tiefen Lernens, der durch Big Data ermöglicht wird

In diesem Papier schlagen wir vor, die aufkommenden Techniken des tiefen Lernens für die räumlich-zeitliche Modellierung und Vorhersage in Mobilfunknetzen zu nutzen, basierend auf großen Systemdaten. Zuerst führen wir eine vorläufige Analyse eines großen Datensatzes von China Mobile durch und verwenden das Verkehrsaufkommen als Beispiel, um nicht-null zeitliche Autokorrelation und nicht-null räumliche Korrelation unter benachbarten Basisstationen (BSs) zu zeigen, was uns motiviert, sowohl zeitliche als auch räumliche Abhängigkeiten in unserer Studie zu entdecken. Dann präsentieren wir ein hybrides tiefes Lernmodell für die räumlich-zeitliche Vorhersage, das ein neuartiges autoencoder-basiertes tiefes Modell zur räumlichen Modellierung und Long Short-Term Memory-Einheiten (LSTMs) zur zeitlichen Modellierung umfasst. Das autoencoder-basierte Modell besteht aus einem Global Stacked AutoEncoder (GSAE) und mehreren Local SAEs (LSAEs), die gute Darstellungen für Eingabedaten bieten können, die Modellgröße reduzieren und paralleles sowie anwendungsbewusstes Training unterstützen. Darüber hinaus präsentieren wir einen neuen Algorithmus zum Training des vorgeschlagenen räumlichen Modells. Wir führten umfangreiche Experimente durch, um die Leistung des vorgeschlagenen Modells mithilfe des China Mobile-Datensatzes zu bewerten. Die Ergebnisse zeigen, dass das vorgeschlagene tiefe Modell die Vorhersagegenauigkeit im Vergleich zu zwei häufig verwendeten Basislinienmethoden, ARIMA und SVR, erheblich verbessert. Wir präsentieren auch einige Ergebnisse, um die Wirksamkeit des autoencoder-basierten räumlichen Modells zu rechtfertigen.