基于多种模型的流量预测研究

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。