基于多种模型的流量预测研究  

Research on Traffic Prediction Algorithms Based on Multiple Models

作　　者：高轶 霍永华[2] 胡晓彦 GAO Yi;HUO Yonghua;HU Xiaoyan(Navy Equipment Project Management Center,Beijing 100071,China;The 54th Research Institute of CETC,Shijiazhuang 050081,China;Hebei Branch,China Communications System Co.,Ltd.,Shijiazhuang 050002,China)

机构地区：[1]海装装备项目管理中心,北京100071 [2]中国电子科技集团公司第五十四研究所,河北石家庄050081 [3]中华通信系统有限责任公司河北分公司,河北石家庄050002

出　　处：《计算机与网络》2022年第16期50-54,共5页Computer & Network

摘　　要：6G是下一代无线通信网络的发展方向,6G网络要求更高的峰值数据速率、移动性和更无处不在的智能连接。由于不同的场景和业务需要不同的网络切片(Network Slicing)承载,网络的性能指标各异,对各种资源的需求量也不尽相同,因此需要对网络流量在时间和空间上进行预测。对时空流量建模,并提出了3种以深度学习为基础的流量预测方法:基于深度学习的时空数据预测模型(DeepST)、残差网络(ResNet)模型和卷积长短期记忆网络模型(ConvLSTM),针对每种模型的应用场景和优劣予以研究陈述,在此基础上完成模型的有效性验证和比较;最后,仿真验证。仿真结果表明,基于ResNet的流量预测模型预测效果更佳。6G is the development direction of the next generation wireless communications network,which requires higher peak data rates,mobility and more ubiquitous intelligent connections.Since different scenarios and services need different network slicing,the performance indices of the network are different,and the demands for various resources are not quite the same.Therefore,the network traffic should be predicted from the perspectives of time and space.

关 键 词：流量预测 深度学习 基于深度学习的时空数据预测模型 残差网络模型 卷积长短期记忆网络模型 

分 类 号：TP319[自动化与计算机技术—计算机软件与理论]