彭鐸 周建國(guó) 羿舒文 江昊

摘 要：針對(duì)傳統(tǒng)的自回歸積分移動(dòng)平均（ARIMA）模型和長(zhǎng)短時(shí)記憶（LSTM）單元在基站流量預(yù)測(cè)中沒有利用基站（BS）間合作關(guān)系的問題，提出一種利用由用戶群體在不同基站下訪問產(chǎn)生的基站合作關(guān)系的流量預(yù)測(cè)（TPBC）算法。首先，通過基站之間的合作關(guān)系構(gòu)建基站合作網(wǎng)絡(luò)，并對(duì)此合作網(wǎng)絡(luò)進(jìn)行社區(qū)劃分得到基站社區(qū);然后，通過格蘭杰因果關(guān)系檢驗(yàn)方法尋找與目標(biāo)基站同一社區(qū)且關(guān)系最緊密的若干基站，作為目標(biāo)基站的合作基站;最后，使用LSTM和詞嵌入層（Embedding）搭建混合神經(jīng)網(wǎng)絡(luò)，并根據(jù)目標(biāo)基站和合作基站的流量信息進(jìn)行流量預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，TPBC在基站流量預(yù)測(cè)上的均方根誤差（RMSE）相比ARIMA和LSTM分別減小了29.19%和27.47%。TPBC能有效提高基站流量預(yù)測(cè)準(zhǔn)確率，在流量卸載和綠色節(jié)能等領(lǐng)域具有重要意義。

關(guān)鍵詞：蜂窩網(wǎng)絡(luò);流量預(yù)測(cè);空間合作;長(zhǎng)短時(shí)記憶;格蘭杰因果關(guān)系檢驗(yàn)

中圖分類號(hào)： TP391.4; TP18

文獻(xiàn)標(biāo)志碼：A

Abstract： Concerning the problem that AutoRegressive Integrated Moving Average （ARIMA） model and Long Short-Term Memory （LSTM） unit do not utilize the collaboration between Base Stations （BSs） in traffic prediction， a new method called Traffic Prediction based on Space Collaboration （TPBC） which uses the collaboration between BSs produced by users was proposed. Firstly， a BS cooperative network was constructed based on the collaboration between BSs and then divided into multiple communities. Next， the cooperative BSs， which have the closest relationships with the target BS in the same community， were found via Granger causality test. Finally， a hybrid neural network was constructed by LSTM and Embedding layer， and the historial traffic of target BS and each cooperative BS was utilized for traffic prediction of target BS. The experimental results show that the Root Mean Square Error （RMSE） of TPBC is reduced by 29.19% and 27.47% compared with ARIMA and LSTM respectively. It shows that TPBC has the capability of improving the accuracy of BS traffic prediction effectively， which benefits traffic offloading and energy saving.

Key words： cellular network; traffic prediction; spatial cooperation; Long Short-Term Memory （LSTM）; Granger causality test

0 引言

隨著蜂窩技術(shù)向第五代（5G）演進(jìn)，全球移動(dòng)設(shè)備數(shù)量和物聯(lián)網(wǎng)（Internet of Things， IoT）規(guī)模呈指數(shù)級(jí)增長(zhǎng)，這些設(shè)備在方便了人類生活的同時(shí)也在蜂窩網(wǎng)絡(luò)中產(chǎn)生了海量的移動(dòng)數(shù)據(jù)，對(duì)蜂窩網(wǎng)絡(luò)造成巨大的流量負(fù)載。與此同時(shí)，日益豐富的移動(dòng)數(shù)據(jù)記錄也為蜂窩網(wǎng)絡(luò)的智能管理提供了數(shù)據(jù)支撐。流量預(yù)測(cè)作為智能管理的基礎(chǔ)，被廣泛運(yùn)用于基站綠色節(jié)能[1-2]和流量卸載[3-4]等研究領(lǐng)域。目前不少的研究致力于挖掘用戶訪問行為規(guī)律和有效利用流量數(shù)據(jù)的內(nèi)在聯(lián)系上[5-6]，這些規(guī)律和信息有助于運(yùn)營(yíng)商對(duì)蜂窩網(wǎng)絡(luò)狀況的監(jiān)控和對(duì)流量的預(yù)測(cè)。

傳統(tǒng)的自回歸積分移動(dòng)平均（AutoRegressive Integrated Moving Average， ARIMA）模型被廣泛應(yīng)用在流量預(yù)測(cè)中[7-8]。ARIMA將非平穩(wěn)流量時(shí)間序列轉(zhuǎn)化為平穩(wěn)流量時(shí)間序列，然后將因變量?jī)H對(duì)它的滯后值以及隨機(jī)誤差項(xiàng)的現(xiàn)值和滯后值進(jìn)行回歸。ARIMA模型根據(jù)原序列是否平穩(wěn)以及回歸中所含部分的不同，包括移動(dòng)平均過程、自回歸過程、自回歸移動(dòng)平均過程以及自回歸積分移動(dòng)平均過程。近年來，借助著大數(shù)據(jù)的采集和計(jì)算機(jī)算力的提高，深度學(xué)習(xí)逐漸成為熱門方向并且成功解決諸多問題。循環(huán)神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network， RNN）[9]和長(zhǎng)短時(shí)記憶（Long Short-Term Memory， LSTM）單元[10-11]模型被廣泛應(yīng)用于時(shí)間序列分析和流量預(yù)測(cè)中。Zhou等[12]通過分析海量基站數(shù)據(jù)后證明相鄰小區(qū)流量的信息可以提高流量的可預(yù)測(cè)性，即關(guān)系緊密的基站流量信息有助于對(duì)目標(biāo)基站的流量預(yù)測(cè)，但ARIMA和LSTM僅使用目標(biāo)基站的歷史流量數(shù)據(jù)，而沒有利用基站之間的空間關(guān)系。文獻(xiàn)[13-14]利用了基站的空間依賴關(guān)系預(yù)測(cè)流量，文獻(xiàn)[13]中提出了卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）與RNN的混合網(wǎng)絡(luò)模型，其中CNN模型用于提取基站流量的空間特征，RNN用于提取基站流量的時(shí)間特征;文獻(xiàn)[14]中提出使用自編碼機(jī)提取基站流量的空間特征，使用LSTM提取時(shí)間特征，實(shí)驗(yàn)結(jié)果表明基站空間關(guān)系的加入使得流量預(yù)測(cè)的準(zhǔn)確性得到提升。文獻(xiàn)[15]挖掘了城市基站間的合作關(guān)系并對(duì)基站進(jìn)行社區(qū)劃分，表明了利用基站間的合作關(guān)系有助于提高流量預(yù)測(cè)的準(zhǔn)確性。