1_文献阅读_Assisting Intelligent Wireless Networks with Traffic Prediction

郭小儒

已于 2023-11-13 16:47:13 修改

阅读量50

点赞数

分类专栏： # 流量预测文献阅读文章标签：论文阅读

于 2023-11-13 14:50:52 首次发布

本文链接：https://blog.csdn.net/qq_43403653/article/details/134377380

版权

流量预测文献阅读专栏收录该内容

6 篇文章 0 订阅

订阅专栏

Assisting Intelligent Wireless Networks with Traffic Prediction: Exploring and Exploiting Predictive Causality in Wireless Traffic
中文翻译：协助智能无线网络流量预测：探索和利用无线流量预测中的因果关系

J. Wen, M. Sheng, J. Li and K. Huang, “Assisting Intelligent Wireless Networks with Traffic Prediction: Exploring and Exploiting Predictive Causality in Wireless Traffic,” in IEEE Communications Magazine, vol. 58, no. 6, pp. 26-31, June 2020, doi: 10.1109/MCOM.001.1900211.
IEEE Communications Magazine if:11.2

ABSTRACT

利用流量的时spatio空temporal变化规律进行预测，可以实现无线网络中的智能资源供应和管理。

传统预测的方法： 传统的预测技术大多是基于挖掘流量时空相关性，即当前流量与单个单元(时间相关性)或相邻小区(空间相关性)中的历史数据之间的统计关系。该方法可以有效地预测流量中的规则成分。
传统预测的问题： 然而，随着流量类型的日益多样化，流量中的随机成分正变得占主导地位。这导致了基于相关的预测技术的准确性下降。
我的给出的解决方案： 鉴于现有技术的局限性，我们提出了一种新的流量预测方法，利用无线流量中可预测的因果关系，这是由特殊事件的发生和触发的流量变化之间的因果关系产生的。在此基础上，我们提出了一种新的基于相关性和因果关系的预测框架(Coca-Predict)，该框架将两种类型的预测结合起来，利用它们的互补优势，最大限度地提高预测精度。
- 将时空维度和其他维度的流量信息输入到correlation sub-predictors和causality sub-predictors，分别预测流量的正则分量 regular componet 和变化趋势 variation tendency。
- 基于特定机场真实流量数据的实验结果表明，Coca-Predict通过利用流量因果关系而优于最先进的预测技术。最后，强调了无线流量预测面临的挑战和机遇，为智能无线网络的设计指明了这一重要方向。

郭郭有话说：
综述中说明这个论文提出了一个名字叫Coca-Predict的框架，融合了两种预测：相关性correlation-和因果关系causality-，利用它们的互补优势，最大限度地提高预测精度。

INTRODUCTION

先说明无线流量预测的重要性： 无线网络管理正从依赖人工操作向智能自优化发展。预计下一代智能网络将能够自动分配网络资源，实时响应用户的动态需求[1]。其中，无线流量的高精度预测将是实现这一愿景的关键因素，这也是文章[2]的主题。
现有流量预测技术（相关性预测）存在问题： 流量数据可以分成regular components and random components，因为规则和不规则的人类活动。传统的基于相关性的预测技术只能预测regular components。随着无线网络成为支持我们生活和社会运作的基本平台，从云会议到网上购物再到自动驾驶，流量出现了高度的多样性。多样性导致流量的随机性增加，使得使用基于相关性的技术准确预测流量变得越来越困难。
因果关系预测：
- 因果关系是指变量之间的因果关系
- 现有的相关论文主要关注因果关系的发现和因果的特征选择
- 已经开发了一个名为CausalFS的开源包来实现基于因果关系的特征选择算法[6]
无线网络环境的相关性和因果关系：
- 数据流量不仅存在相关性，而且存在因果关系。
- 流量的时空变化是由人类的移动性和人类触发的程序激活或使用（与移动无关）导致的
- 举个栗子：当有演讲、运动比赛或频繁的航班时，学校建筑、体育场或机场会产生更多的数据流量。讲座、体育比赛和频繁的航班是造成上述区域流量激增的主要原因。
- 从活动开始到结束的时间、受欢迎程度、日期(节假日或工作日)、天气和流量也会影响流量的变化。这些因素通过复杂的关系相互关联。因此，通常很难衡量流量因果关系。
Granger causality test： 通过回答一个时间序列是否对预测另一个时间序列有用的问题，来确定可预测的因果关系。
- 如果时间序列 $X$ 的过去包含了在已知 $Y$ 的过去的情况下有助于预测 $Y$ 的未来的信息，那么时间序列 $X$ 被称为 $G r an g er - c a u se Y$ （笑死，根本看不懂，阿巴阿巴）
- 举个例子（chatgpt给出）：
  - 使用Granger因果检验来确定过去的无线流量数据能够帮助我们更好地预测未来的温度变化。
  - 假设时间序列 $X$ 表示某个城市每小时的无线流量数据（以兆字节为单位）。
  - 假设时间序列 $Y$ 表示城市的每小时温度变化数据。
  - 如果根据历史数据的分析，我们发现过去的无线流量数据（ $X$ ）对预测未来的温度值（ $Y$ ）有帮助，那么可以说流量数据是温度的Granger-cause
由于超高速的动态资源分配(在分钟级别)可能不实用，并且可能导致过多的开销或网络不稳定，因此本文主要关注较慢的流量预测(以小时为单位)。

correlation and causality in wireless traffic

1. correlation

无线流量存在时空相关性： 在同一个小区的时域上流量之间存在依赖关系，在不同的小区的空域上也存在依赖关系。
- correlation coefficient相关性系数：相同或不同小区内流量数据的协方差除以它们的标准差的乘积
  - 取值范围： $[- 1, 1]$
  - 其中1为全正相关，-1为全负相关，0为无相关。
- 通过对现实无线流量的相关系数分析可知：
  - 当滞后时间等于或接近24小时的倍数时，时间相关系数相对较高。说明不同天的同一时间或相邻时间内的流量数据具有较高的依赖性。
  - 空间相关性高度依赖于位置(即不同小区的相关性差异很大)

2.Granger causality

在这里插入图片描述

图2说明了两个相邻小区中无线流量的预测因果关系。
- 具体来说，图2的底部显示了体育场中一个小区的下行吞吐量及regular component，而顶部显示了体育场附近相应的流量。
- 结果表明，体育场内流量是大尺度变化的，其正则分量较低，说明其随机分量占主导地位。此外，计算得到时间相关系数接近于0，这意味着根据时间相关很难准确预测体育场的流量。
- 此外，可以观察到，在一段时间滞后后，顶部的图案在底部近似重复。基于格兰杰因果检验，图2上方的时间序列就是图2下方时间序列的格兰杰因果关系。此外，根据日历，我们发现当有活动时，体育场会产生更多的流量。因此，利用邻近小区的活动信息和流量过去值可以提高预测精度。

overview of traffic prediction techiques

预测技术分为模型驱动和数据驱动。前者首先将流量建模为一个典型的统计过程，然后根据相应的分布对流量进行预测，而后者则直接根据收集到的流量数据集进行流量预测。表1列出了具有代表性的预测技术及其优缺点。

model-driven

1. statistical-model-based 基于统计模型

从采集的数据来看，真实的无线网络流量在时间上具有自相似性和空间上的非均匀性，但也存在相关性。因此，具有上述特性的统计分布，如ON-OFF、FARIMA和a-stable模型，适合于对无线流量进行建模，并根据相应的统计分布预测流量。我们称这种预测技术为基于统计模型的流量预测。

例如，在[8]中，作者将无线流量视为一个稳定的过程，并从交叉共变cross-covariation矩阵预测它们。研究表明，基于 $\alpha -stable$ 过程的方法能够预测自相似流量的变化，特别是在突发变化存在的情况下。然而，基于统计模型的预测方案面临的挑战是如何证明数据集遵循特定的分布。