馮楠，劉賀林，周泉，楊?？。睹勰?，鐘大平

（1.中國移動通信有限公司研究院，北京 100053；2.中國移動通信集團有限公司，北京 100032）

0 引言

當前，5G商用部署持續(xù)推進，5G將步入商業(yè)化應用的快車道。具有“大帶寬、廣連接、低時延”技術特性的5G催生5G終端和新應用、新場景的涌現(xiàn)，促進超高清視頻、云游戲、VR/AR、物聯(lián)網(wǎng)、車聯(lián)網(wǎng)、工業(yè)互聯(lián)網(wǎng)等領域快速發(fā)展，從而導致來自各行各業(yè)不同領域的移動智能通信設備數(shù)量以及移動數(shù)據(jù)流量呈現(xiàn)爆炸式增長[1]。據(jù)統(tǒng)計，2021年前7個月國內(nèi)移動互聯(lián)網(wǎng)累計使用數(shù)據(jù)流量1 228億GB，同比增長38.1%[2]。在這種環(huán)境下，數(shù)據(jù)通信以及多媒體業(yè)務已遠超傳統(tǒng)業(yè)務，成為 5G移動通信網(wǎng)中最主要的承載業(yè)務。為了承載激增的數(shù)據(jù)流量，滿足數(shù)據(jù)密集型服務擴張的需求，5G網(wǎng)絡中用以承載數(shù)據(jù)業(yè)務的分組域核心網(wǎng)設備數(shù)量急劇增加，新一輪5G核心網(wǎng)建設將迎來高潮。

在核心網(wǎng)建設過程中，分組業(yè)務模型的研究是非常必要的。一方面，業(yè)務模型是形成網(wǎng)絡建設規(guī)模的基礎。5G核心網(wǎng)建設部署需要依賴國內(nèi)運營商擬定的5G網(wǎng)絡業(yè)務模型。運營商通過建立行之有效的業(yè)務模型，統(tǒng)計并預測業(yè)務量的現(xiàn)狀和未來發(fā)展方向，為后期網(wǎng)絡建設提供更好的容量規(guī)劃以及延展性，進而提升運營商的網(wǎng)絡智能化核心能力；另一方面，業(yè)務模型是影響設備硬件處理能力的重要因素之一。網(wǎng)絡功能虛擬化（network functions virtualization，NFV）是未來網(wǎng)絡發(fā)展的重要趨勢，進行NFV后，相同配置條件下的硬件處理能力主要取決于業(yè)務模型，不同的業(yè)務模型往往會導致相同配置條件下的硬件處理能力擁有較大差別[3-6]。因此，隨著5G核心網(wǎng)建設部署節(jié)奏的加快，關于5G核心網(wǎng)業(yè)務模型的研究也成為當下重中之重的課題。

針對現(xiàn)有核心網(wǎng)業(yè)務模型的建模與規(guī)劃問題，工業(yè)界主要基于國內(nèi)運營商網(wǎng)絡建設經(jīng)驗結合實驗室數(shù)據(jù)確定業(yè)務模型的關鍵參數(shù)，參數(shù)主要包括附著激活比、尋呼次數(shù)、鑒權服務器功能（authentication server function，AUSF）鑒權次數(shù)等[7-9]；學術界則通過曲線擬合法分析和預測分組域業(yè)務模型，該方法基于歷史數(shù)據(jù)，根據(jù)其發(fā)展規(guī)律構建線性曲線、二次曲線、指數(shù)曲線以及冪乘曲線等數(shù)學擬合曲線，尋求某兩個變量或多個變量之間的合理關系，進而對未來的業(yè)務趨勢和數(shù)據(jù)進行預測[10-12]。

本文認為業(yè)務模型參數(shù)的取定需要依賴于5G SA各網(wǎng)元側業(yè)務量的統(tǒng)計結果，且會根據(jù)現(xiàn)網(wǎng)業(yè)務的波動情況實時調(diào)整。這是由于業(yè)務模型各參數(shù)取值由每小時對應參數(shù)的業(yè)務量總和/注冊用戶數(shù)/3 600所得，故現(xiàn)網(wǎng)業(yè)務波動使業(yè)務模型各參數(shù)的取值不同。通過現(xiàn)有方法得到的理論業(yè)務模型是靜態(tài)不可變的，且缺乏符合各地市網(wǎng)絡特征（由于地區(qū)經(jīng)濟發(fā)展，用戶人口結構、定制功能要求、組網(wǎng)等差異造成的與移動性管理及會話管理相關的業(yè)務模型參數(shù)特征）的業(yè)務分析與預測手段，理論業(yè)務模型與實際網(wǎng)絡存在偏離，從而使5G網(wǎng)絡容量規(guī)劃與實際業(yè)務發(fā)展不匹配、規(guī)劃設備不能滿足或遠大于用戶實際業(yè)務需求，造成網(wǎng)絡負載過大或資源利用率過低。

為了克服現(xiàn)有5G網(wǎng)絡業(yè)務模型與現(xiàn)網(wǎng)模型適配性較差以及規(guī)劃設備無法滿足用戶實際業(yè)務需求的痛點，及時制定網(wǎng)絡預優(yōu)化策略，確保網(wǎng)絡覆蓋以及滿足容量需求，本文提出了一種基于“AI+大數(shù)據(jù)”的5G核心網(wǎng)業(yè)務模型的動態(tài)預測方法。該方法通過現(xiàn)網(wǎng)網(wǎng)管大數(shù)據(jù)采集、數(shù)據(jù)分析、構建長短期記憶（long short-term memory，LSTM）網(wǎng)絡與卷積LSTM（convolution LSTM，ConvLSTM）網(wǎng)絡雙通道數(shù)據(jù)特征提取融合學習網(wǎng)絡，對未來網(wǎng)絡的運行參數(shù)和容量進行預測，根據(jù)預測結果進行決策反饋，以優(yōu)化網(wǎng)絡結構，實現(xiàn)網(wǎng)絡自動部署，使能5G網(wǎng)絡智能化。經(jīng)驗證，本文提出的LSTM與ConvLSTM的融合預測模型可用于15 min、1 h、1天多維度時間粒度指標數(shù)據(jù)的多步預測，且預測精度較高。

1 5G核心網(wǎng)業(yè)務模型

1.1 業(yè)務模型參數(shù)構成

當前，5G核心網(wǎng)業(yè)務模型主要由網(wǎng)元配置要求、用戶面（吞吐量）、用戶數(shù)以及控制面（信令）4類參數(shù)組成。

（1）網(wǎng)元配置要求

網(wǎng)元配置要求主要包括接入和移動性管理功能（access and mobility management function，AMF）接入的5G節(jié)點（5G node，gNode）數(shù)、每定時提前量（timing advance，TA）下的gNode數(shù)、每用戶協(xié)議數(shù)據(jù)單元（protocol data unit，PDU）會話數(shù)、每會話支持服務質(zhì)量（quality of service，QoS）流等。

（2）用戶面（吞吐量）

吞吐量參數(shù)主要包括 5G PDU會話數(shù)、N3/N6/N9接口流量等。

（3）用戶數(shù)

用戶數(shù)參數(shù)主要包括注冊用戶數(shù)、5G接入用戶數(shù)、5G手機長期演進語音（voice over long-term evolution，VoLTE）用戶簽約比等。

（4）控制面（信令）

信令參數(shù)可進一步細分為業(yè)務信令參數(shù)和移動性管理信令參數(shù)。

業(yè)務信令參數(shù)與用戶使用業(yè)務行為相關，主要包括忙時平均每用戶初始注冊/去注冊次數(shù)、鑒權次數(shù)、忙時平均每用戶PDU會話建立/修改/釋放次數(shù)、周期性注冊更新次數(shù)、忙時平均每用戶接入網(wǎng)（access network，AN）釋放/業(yè)務請求/尋呼次數(shù)等。

移動性管理信令參數(shù)與用戶移動性相關，主要包括忙時平均每用戶 AMF內(nèi)/間移動引起的注冊更新、忙時平均每用戶系統(tǒng)內(nèi)Xn接口/N2接口切換次數(shù)、忙時平均每用戶 4G/5G系統(tǒng)間基于N26接口的切換次數(shù)、忙時平均每用戶4G/5G空閑態(tài)移動切換次數(shù)。

1.2 業(yè)務模型參數(shù)特征

隨著5G網(wǎng)絡建設的加速，未來5G用戶數(shù)普遍以當前LTE用戶升級而來。故而未來一段時間內(nèi)，5G用戶數(shù)呈現(xiàn)穩(wěn)步增長的趨勢。現(xiàn)網(wǎng)中A省與B省5G注冊用戶數(shù)如圖1所示。A省、B省10月5G注冊用戶數(shù)比2月分別增長242%、976%。當前工程建設和基于此開展的性能測試中，均采用單一業(yè)務模型。而核心網(wǎng)中信令參數(shù)以及吞吐量參數(shù)的產(chǎn)生，主要成因在于用戶使用業(yè)務行為、用戶移動性行為，除此之外還與網(wǎng)絡規(guī)劃組織以及簽約業(yè)務等相關，而用戶行為普遍受不同省市經(jīng)濟發(fā)展差異、用戶人口結構差異、地區(qū)組網(wǎng)差異等因素的影響。故單一業(yè)務模型難以覆蓋現(xiàn)網(wǎng)多樣差異化場景。A、B兩省部分話務模型參數(shù)對比見表1。以A、B兩省為例，B省忙時平均每用戶AMF內(nèi)N2接口切換次數(shù)比A省低60.5%，B省忙時平均每用戶AN釋放次數(shù)比A省高16.21%。結果表明各省市業(yè)務模型會呈現(xiàn)多元化差異。

表1 A、B兩省部分話務模型參數(shù)對比

圖1 現(xiàn)網(wǎng)中A省與B省5G注冊用戶數(shù)

由于用戶在一段時間內(nèi)的行程或使用移動網(wǎng)絡上網(wǎng)的行為相對規(guī)律，個人用戶行為在一段時間內(nèi)是存在規(guī)律性和延續(xù)性的，例如，一個外賣送餐小哥每日在11:00—20:00的行為可以概括為“送餐－接單－送餐－接單－……”，該行為循環(huán)往復，對網(wǎng)絡層面的觸發(fā)也存在一定的規(guī)律，即“AN釋放－業(yè)務請求－AN釋放－業(yè)務請求－……”。類似地，以上班族為例，大部分上班族在工作日的7:00—9:00、17:00—20:00（上下班路上）會打開手機流量開關瀏覽網(wǎng)頁或追劇，故而工作日該時間段用戶面吞吐量相對其他時間段偏高。所以可以認為核心網(wǎng)中的控制面信令和用戶面吞吐量也是存在同樣的規(guī)律性和延續(xù)性。而業(yè)務模型預測的前提是一段時間內(nèi)數(shù)據(jù)之間是存在時間相關性的。所以本文認為可以通過用戶行為的歷史數(shù)據(jù)分析、疊加從而對網(wǎng)絡中的業(yè)務模型參數(shù)進行一定的周期預測分析。A省單資源池7—8月忙時平均每用戶業(yè)務請求次數(shù)如圖2所示，該信令參數(shù)在時間上呈周期震蕩趨勢，具有統(tǒng)計規(guī)律。因此，業(yè)務模型預測可以看作時間序列預測任務。

圖2 A省單資源池7—8月忙時平均每用戶業(yè)務請求次數(shù)

2 5G核心網(wǎng)業(yè)務模型智能化預測時間周期

2.1 LSTM與ConvLSTM融合預測模型

由于核心網(wǎng)業(yè)務模型對應各參數(shù)在時間上具有統(tǒng)計規(guī)律，因此，核心網(wǎng)業(yè)務模型預測可以看作時間序列預測任務。在時間序列預測任務中，LSTM 擅長提取長時序特征，而卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）在短時序特征提取上更有優(yōu)勢[13-16]。本文提出使用LSTM與基于CNN的卷積LSTM模型ConvLSTM雙通道融合預測模型來對業(yè)務模型指標進行預測，通過該雙通道融合預測模型，可以盡可能挖掘時間序列中隱藏的特征信息，這些特征同時包含了長時序和短時序兩類特征。

2.1.1 LSTM網(wǎng)絡模型

早期，時間序列建模主要采用回歸模型、自回歸滑動平均模型（auto-regressive moving average model，ARMA）、差分自回歸滑動平均模型（auto-regressive integrated moving average model，ARIMA）。ARMA和ARIMA常用于周期性平穩(wěn)序列預測，對歷史數(shù)據(jù)要求較高[17-19]。隨著深度學習的發(fā)展，大部分研究人員通過循環(huán)神經(jīng)網(wǎng)絡（recurrent neural network，RNN）對時間序列建模，以提高在數(shù)據(jù)趨勢預測中的準確性。RNN在許多領域都有較好的表現(xiàn)[20]。但RNN每一個輸入值均只與其自身的路線建立權連接，不會與其他的神經(jīng)元連接，這樣的結構缺陷會導致歷史信息在反向傳播中丟失，導致梯度消失和梯度爆炸現(xiàn)象的出現(xiàn)。為了解決 RNN的弊端，LSTM 被提出。LSTM和RNN的不同之處在于，LSTM在隱藏層中使用了3個門控單元，分別為輸入門、遺忘門和輸出門，用來更新或丟棄歷史信息，以控制歷史信息的流動，這也使LSTM更擅長應對時間序列預測任務[21-22]。LSTM網(wǎng)絡結構如圖3所示。其中，σ、?、⊕分別表示sigmoid函數(shù)、兩個相同維度對應元素的乘積組成新的向量、兩個相同維度對應元素求和組成新的向量，對數(shù)據(jù)信息進行過濾運算和疊加運算。

圖3 LSTM網(wǎng)絡結構

假設一個時間序列X= {x1,x2,x3,…,xn}，x1,x2,x3,… ,xn表示每一個時間點，其中包含該時間點的特征信息。

對于LSTM塊中遺忘門ft，通過Sigmoid函數(shù)激活上一層隱狀態(tài)ht?1和當前輸入狀態(tài)xt，該激活值在[0,1]。遺忘門計算式如式（1）所示。

對于 LSTM 塊中的輸入門it，則是控制當前層哪些信息作為新增記憶C~加入當前記憶狀態(tài)Ct，it同樣由Sigmoid函數(shù)激活上一層隱狀態(tài)ht?1和當前輸入狀態(tài)xt生成，但權重與ft的權重不同。輸入門計算式如式（2）、式（3）所示。

記憶狀態(tài)更新是通過ft控制的上一層歷史記憶狀態(tài)Ct?1與it控制的新增記憶C~共同生成當前記憶狀態(tài)Ct，如式（4）所示。

對于LSTM塊中輸出門οt，則是輸出當前層的隱狀態(tài)ht，該隱狀態(tài)由tanh函數(shù)激活記憶狀態(tài)Ct生成。輸出門計算式如式（5）、式（6）所示。

在模型訓練結束后，除了隱藏狀態(tài)會記憶一部分歷史信息，記憶狀態(tài)還會記憶整個序列的高維隱信息，如序列的變化率、衰減率等信息。

2.1.2 ConvLSTM網(wǎng)絡模型

ConvLSTM 網(wǎng)絡可以較好地提取時間序列任務中的短時序特征。ConvLSTM 網(wǎng)絡模型主要通過卷積層對時序中的權值進行計算，將時序圖中的特征提取出來，并且通過將上一層的輸出當作下一層LSTM層的輸入提取靜態(tài)時序圖的短時序特征。ConvLSTM網(wǎng)絡的主要計算式如式（7）～式（11）所示。

其中，?表示卷積運算，?表示Hadamard乘積。

2.1.3 雙通道融合

針對LSTM以及ConvLSTM模型在時間序列提取方面的特點，本文提出了使用 LSTM 與ConvLSTM 雙通道融合預測模型來對業(yè)務模型指標進行預測。ConvLSTM與LSTM雙通道融合網(wǎng)絡結構如圖4所示。LSTM與ConvLSTM輸入相同的數(shù)據(jù)源，但LSTM通道提取時間序列的長時序特征，輸出長時序特征張量P1={h1,h2,… ,hk}；ConvLSTM 通道提取時間序列的短時序特征，輸出短時序特征張量P2= {h1′ ,h2′ ,… ,hk′}。其中，為了平衡兩通道所提取特征對最終測試結果的影響，需要保證P1與P2的維度相同，均為k，最后將兩通道經(jīng)提取的時間特征張量拼接，得到一個維度為2k的張量P，如式（12）所示。

圖4 ConvLSTM與LSTM雙通道融合網(wǎng)絡結構

最后將張量P輸入全連接網(wǎng)絡層（Dense），將張量進行維度變換，從而得到預測結果。

與上述提到的LSTM與ConvLSTM神經(jīng)網(wǎng)絡不同的是，LSTM與ConvLSTM雙通道融合預測模型分別通過LSTM模型提取時間序列的長時序特征，通過ConvLSTM提供時間序列的短時序特征，將兩通道提取的特征進行向量拼接融合作為一個整體再輸入全連接網(wǎng)絡層中，而 LSTM 或ConvLSTM均通過對應模型提取時間序列特征，隨后將特征直接輸入全連接網(wǎng)絡層進行輸出。

2.2 實驗分析

2.2.1 數(shù)據(jù)集

通過采集現(xiàn)網(wǎng)業(yè)務統(tǒng)計數(shù)據(jù)得到原始性能數(shù)據(jù)，包含5G SA網(wǎng)元（AMF、SMF、PCF、UDM、NRF、UPF、CHF等）各項性能統(tǒng)計指標及虛擬池位置信息，單網(wǎng)元相關性能統(tǒng)計存為單個數(shù)據(jù)表，數(shù)據(jù)周期為2021年1月—8月的8個月，采樣的時間間隔為15 s，其中，前80%的數(shù)據(jù)序列用于訓練數(shù)據(jù)，后20%的數(shù)據(jù)用于測試數(shù)據(jù)。本文使用平均絕對百分比誤差（mean absolute percent error，MAPE）衡量模型的優(yōu)劣[23]。MAPE用來衡量評估預測值的準確程度，MAPE是相對值，不是絕對值，MAPE越小，說明模型預測準確度越高。

2.2.2 實驗配置

本文提出的LSTM與ConvLSTM融合預測模型經(jīng)多次實驗驗證，LSTM與ConvLSTM融合預測模型配置見表2。LSTM通道與ConvLSTM通道中的LSTM層互相獨立，且兩通道的輸出維度相同，以平衡兩通道所提取特征對最終測試結果的影響。

表2 LSTM與ConvLSTM融合預測模型配置

2.2.3 實驗結果

基準算法結果對比如圖5所示，對比了15 min粒度下，傳統(tǒng)時間序列模型S-ARIMA、LSTM與本文提出的LSTM與ConvLSTM融合預測模型的初始注冊（amf_attinitreg）、尋呼（amf_pagatt）、鑒權（amf_auth）、周期性注冊更新（amf_regupdreq）、服務請求（amf_attservicereq）多個業(yè)務指標單步預測的MAPE值。一般而言，本文認為當MAPE＜10%時，該預測模型質(zhì)量較高，可利用該模型進行具體應用場景和具體數(shù)據(jù)集的后續(xù)預測。由圖5可知，針對15 min小顆粒度業(yè)務指標，3種模型均可達到較好的業(yè)務模型指標預測效果，但融合預測模型由于LSTM通道與 ConvLSTM 通道在數(shù)據(jù)特征提取方面的優(yōu)勢互補，因此，融合預測模型在整體業(yè)務指標的預測上更穩(wěn)定、更準確，多指標的MAPE值均保持在5%以下。

圖5 基準算法結果對比

1 h粒度各指標預測值所屬區(qū)間統(tǒng)計見表2，其為1 h粒度下，5G SA網(wǎng)元的共計22個業(yè)務模型對應信令指標單步預測的MAPE值所屬范圍區(qū)間個數(shù)統(tǒng)計。22個指標通過使用融合預測模型進行預測，可達到100%數(shù)量的6%以下精度的預測。1 h粒度數(shù)據(jù)由4個15 min粒度疊加生成，所以1 h粒度的數(shù)據(jù)對應波動性更大，S-ARIMA適用于周期性明顯的數(shù)據(jù)，對數(shù)據(jù)本身周期性特征要求較高，因此，S-ARIMA僅適用于小顆粒度業(yè)務模型指標預測；而LSTM擅長提取長時序特征，對短期波動劇烈的業(yè)務指標預測精度較差，因此，S-ARIMA、LSTM模型在預測時，分別有68.18%、45.45%數(shù)量的指標預測精度大于10%。

表2 1 h粒度各指標預測值所屬區(qū)間統(tǒng)計

兩模型多時間粒度下的對比如圖6所示，對比了15 min、1 h、1天3種時間粒度下LSTM與LSTM& ConvLSTM 模型基于 Xn接口的切換（amf_attintraamfxn）指標多步預測的MAPE值，與LSTM相比，LSTM & ConvLSTM可實現(xiàn)多時間粒度下該指標的高精度預測，且預測準確度更高。在1 h粒度下，LSTM&ConvLSTM 模型的預測精度可達4.8%，相較于LSTM，該融合模型將預測準確率提高了55%。

圖6 兩模型多時間粒度下的對比

1 h粒度下兩模型不同輸出步長的MAPE對比如圖7所示，1 h粒度下，對于多步預測，相較于LSTM，LSTM&ConvLSTM的平均MAPE更小，預測結果更好，當輸出步長大于 6時，對應LSTM&ConvLSTM預測精度明顯下降，故在1 h粒度下，LSTM&ConvLSTM可用于預測未來最多6個顆粒度輸出的預測。

圖7 1 h粒度下兩模型不同輸出步長的MAPE對比

不同時間顆粒度下 LSTM&ConvLSTM 輸出步長結果見表3，LSTM&ConvLSTM模型可實現(xiàn)未來4天指標容量的高精度預測。可根據(jù)輸出的預測值，及時制定網(wǎng)絡預優(yōu)化策略，確保網(wǎng)絡覆蓋以及容量需求。

表3 不同時間顆粒度下LSTM&ConvLSTM輸出步長結果

3 智能化預測的應用建議

當前，5G、NFV迎來大規(guī)模部署期，網(wǎng)絡云化重構、網(wǎng)絡切片等技術創(chuàng)新的加速發(fā)展促使一張網(wǎng)絡賦能千行百業(yè)，網(wǎng)絡帶寬、連接規(guī)模、傳輸時延等關鍵性能指標大幅度提升，網(wǎng)絡性能和靈活性發(fā)生了根本性改變[24-25]。與此同時，5G網(wǎng)絡的靈活性和復雜性給網(wǎng)絡的運營、運維帶來了前所未有的挑戰(zhàn)，傳統(tǒng)運維模式已無法滿足成本和效率的需求，采用人工智能技術實現(xiàn)網(wǎng)絡智能化成為必然趨勢。

核心網(wǎng)業(yè)務模型是5G網(wǎng)絡容量規(guī)劃和網(wǎng)絡建設的基礎。業(yè)務模型各參數(shù)的預測結果可使維護人員迅速掌握網(wǎng)絡流量的規(guī)律、趨勢以便及時調(diào)控網(wǎng)絡資源。具體而言，業(yè)務模型智能化預測可考慮應用于網(wǎng)管監(jiān)測系統(tǒng)中。利用長期（季度、年度）業(yè)務模型智能化預測，對網(wǎng)絡建設方案進行精準規(guī)劃，利用短期（分、時）業(yè)務模型智能化預測，實現(xiàn)網(wǎng)絡的自動化彈性擴縮容。具體實現(xiàn)方法為：通過采集北向網(wǎng)管各網(wǎng)元側的數(shù)據(jù)，對數(shù)據(jù)進行異常識別、丟棄、異常處理，生成訓練數(shù)據(jù)，根據(jù)需求將數(shù)據(jù)進行拆分，將數(shù)據(jù)進行資源池維度、省份維度、單網(wǎng)元維度、時間粒度/維度進行劃分，訓練對應維度數(shù)據(jù)，構建基于AI的多時間維度預測模型，將預測值上報給網(wǎng)管系統(tǒng)，基于預測值，網(wǎng)絡進行決策判定，將實際業(yè)務與5G網(wǎng)絡容量規(guī)劃匹配，執(zhí)行彈性擴縮容操作，實現(xiàn)網(wǎng)絡自動部署，以避免網(wǎng)絡負載過大或資源利用率過低情況的發(fā)生，保證系統(tǒng)運行效率。

4 結束語

5G時代需要一個高度智能化的網(wǎng)絡，將 AI引入通信網(wǎng)絡將是5G網(wǎng)絡規(guī)劃、建設、維護、優(yōu)化、運營的必然選擇。本文提出使用 LSTM 與ConvLSTM 雙通道融合預測模型來對業(yè)務模型指標進行預測。該方法通過現(xiàn)網(wǎng)網(wǎng)管大數(shù)據(jù)采集、數(shù)據(jù)分析、構建LSTM與ConvLSTM雙通道數(shù)據(jù)特征提取融合學習網(wǎng)絡，對未來網(wǎng)絡的運行參數(shù)和容量進行預測，根據(jù)預測結果提供更加智慧、靈活的網(wǎng)絡策略，進而實現(xiàn)人工智能賦能通信網(wǎng)絡，推動網(wǎng)絡智能化持續(xù)演進。結果表明，本文提出的LSTM與ConvLSTM的融合預測模型可用于15 min、1 h、1天多維度時間粒度指標數(shù)據(jù)的多步預測，預測精度可達4.8%。相較于傳統(tǒng)時間序列S-ARIMA模型以及LSTM模型，該模型的預測準確度更高。