Машинное обучение для прогнозирования трафика в сети LTE

Прогнозирование сетевого трафика играет ключевую роль в организации управления ресурсами и планировании развития современных телекоммуникационных сетей. Традиционно прогнозирование трафика строилось на основе статистических авторегрессионных моделей, которые устанавливали корреляционные связи между текущими объемами трафика и его возможными будущими значениями. Однако данные модели имеют сущест венные ограничения, в частности, большинство из них применимы только к стационарным статистическим данным, что сужает их область применения до сетей простой структуры со стабильными во времени объемами потребляемого трафика. Большинство современных сетей имеют сложную структуру и подвержены быстрым изменениям потоков трафика. Для преодоления ограничений традиционных моделей и улучшения прогнозирования в последнее время предпринимаются активные усилия по использованию технологий машинного обучения. В статье рассмотрены основные методы машинного обучения на основе искусственных нейронных сетей в сравнении с традиционными статистическими подходами, а также их практическое применение для прогнозирования трафика в LTE-сети.