数学家比较预测 5G 和 6G 流量的机器学习模型

5G和6G网络必须考虑每时每刻的负载并适应资源消耗。为此，他们需要跟踪当前指标并能够预测它们。这就是服务如何决定将网络划分为切片并平衡负载。通常，机器学习模型用于预测。

俄罗斯人民友谊大学的数学家比较了两种预测模型，并指出了它们的优缺点。他们的研究发表在《未来互联网》杂志上。

“5G和6G网络将支持无人机、虚拟现实和增强现实。此外，如果连接的设备数量增加，流量急剧增加，网络拥塞发生。从而导致服务质量下降、网络延迟和数据丢失增加因此，网络架构必须适应流量，并考虑到具有不同要求的多种类型的流量。”俄罗斯人民友谊大学计算机科学与电信研究所副教授 Irina Kochetkova 博士说。

数学家比较了两种时间序列分析模型：季节综合自回归移动平均 (SARIMA) 模型和 Holt-Winter 模型。为了构建模型，他们使用了葡萄牙移动运营商提供的有关固定时间段(一小时)下载和上传流量的数据。

研究发现这两种模型都适合预测未来一小时的交通流量。然而，SARIMA更适合预测从用户到基站的流量——平均误差为11.2%，比第二个模型低4%。 Holt-Winter 模型可以更好地预测从基站到用户的流量，误差为 4.17%，而不是 9.9%。

“这两种模型在预测流量平均值方面都很有效。但是，Holt-Winters 模型更适合预测基站到用户的流量，而 SARIMA 更适合用户到基站的流量。不存在一种统一的模型。 “这里有适合所有人的解决方案，因为每个数据集都需要其方法。未来的研究将侧重于将统计模型与机器学习方法相结合，以实现更准确的预测和异常检测。”Kochetkova 副教授说道。