基于空间合作关系的基站流量预测模型

彭铎 周建国 羿舒文 江昊

摘 要：针对传统的自回归积分移动平均（ARIMA）模型和长短时记忆（LSTM）单元在基站流量预测中没有利用基站（BS）间合作关系的问题，提出一种利用由用户群体在不同基站下访问产生的基站合作关系的流量预测（TPBC）算法。首先，通过基站之间的合作关系构建基站合作网络，并对此合作网络进行社区划分得到基站社区;然后，通过格兰杰因果关系检验方法寻找与目标基站同一社区且关系最紧密的若干基站，作为目标基站的合作基站;最后，使用LSTM和词嵌入层（Embedding）搭建混合神经网络，并根据目标基站和合作基站的流量信息进行流量预测。实验结果表明，TPBC在基站流量预测上的均方根误差（RMSE）相比ARIMA和LSTM分别减小了29.19%和27.47%。TPBC能有效提高基站流量预测准确率，在流量卸载和绿色节能等领域具有重要意义。

关键词：蜂窝网络;流量预测;空间合作;长短时记忆;格兰杰因果关系检验

中图分类号： TP391.4; TP18

文献标志码：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

隨着蜂窝技术向第五代（5G）演进，全球移动设备数量和物联网（Internet of Things， IoT）规模呈指数级增长，这些设备在方便了人类生活的同时也在蜂窝网络中产生了海量的移动数据，对蜂窝网络造成巨大的流量负载。与此同时，日益丰富的移动数据记录也为蜂窝网络的智能管理提供了数据支撑。流量预测作为智能管理的基础，被广泛运用于基站绿色节能[1-2]和流量卸载[3-4]等研究领域。目前不少的研究致力于挖掘用户访问行为规律和有效利用流量数据的内在联系上[5-6]，这些规律和信息有助于运营商对蜂窝网络状况的监控和对流量的预测。

传统的自回归积分移动平均（AutoRegressive Integrated Moving Average， ARIMA）模型被广泛应用在流量预测中[7-8]。ARIMA将非平稳流量时间序列转化为平稳流量时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归。ARIMA模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程、自回归过程、自回归移动平均过程以及自回归积分移动平均过程。近年来，借助着大数据的采集和计算机算力的提高，深度学习逐渐成为热门方向并且成功解决诸多问题。循环神经网络（Recurrent Neural Network， RNN）[9]和长短时记忆（Long Short-Term Memory， LSTM）单元[10-11]模型被广泛应用于时间序列分析和流量预测中。Zhou等[12]通过分析海量基站数据后证明相邻小区流量的信息可以提高流量的可预测性，即关系紧密的基站流量信息有助于对目标基站的流量预测，但ARIMA和LSTM仅使用目标基站的历史流量数据，而没有利用基站之间的空间关系。文献[13-14]利用了基站的空间依赖关系预测流量，文献[13]中提出了卷积神经网络（Convolutional Neural Network， CNN）与RNN的混合网络模型，其中CNN模型用于提取基站流量的空间特征，RNN用于提取基站流量的时间特征;文献[14]中提出使用自编码机提取基站流量的空间特征，使用LSTM提取时间特征，实验结果表明基站空间关系的加入使得流量预测的准确性得到提升。文献[15]挖掘了城市基站间的合作关系并对基站进行社区划分，表明了利用基站间的合作关系有助于提高流量预测的准确性。