MMMar, 2021

使用迁移学习生成逼真的云访问时间，用于移动应用测试

PDF
TL;DR本论文提出一种基于转移学习的测量驱动方法，使用 LSTM 神经网络，通过相对较短的样本将传统模型适应于新环境，简化了合成轨迹生成，并生成了适用于多样化目标环境的 WiFi 和 LTE 云存取时间模型的特征，演示了由这些模型生成的合成轨迹可以准确地复制应用程序 QoE 指标分布，包括它们的异常值。
quality of servicemobile applicationsnetwork loadsynthetic traceslong short term memory (lstm) neural nets
发现论文，激发创造
  • 基于数据的 5G 预测延迟：基于网络测量的理论和实验分析

    本研究旨在利用移动网络运营商可获得的真实网络数据，对 5G 网络中的预测延迟进行彻底分析，并利用机器学习中的贝叶斯学习和图学习技术进行概率回归、异常检测和预测预测框架测试，并使用来自车辆移动、城市交通等场景的数据进行验证，结果为预测算法在实际应用中的有效性提供了有价值的见解。

    Jul, 2023

  • 用于 WLAN 干扰估计的跨网络可转移神经模型

    本文采用基于实际数据的方法，研究 WLAN 中的干扰估计问题。并通过分析各种深度学习体系结构在准确性、泛化性和对异常数据的鲁棒性方面的控制比较，结论是图卷积网络（GCN）表现最佳，但如果不得不给出节点索引，则无法学习特定节点的行为。同时，还验证了 GCN 模型的泛化能力。

    Nov, 2022

  • 针对 5G 不同服务质量需求的无线资源分配的深度学习

    本文提出了一种基于深度学习的资源分配策略，通过优化带宽和传输功率来最小化基站的总功耗，并使用级联结构的神经网络和深度迁移学习来应对无线网络中的非平稳性。实验结果表明，相对于全连接神经网络，在 QoS 保证方面，级联神经网络的性能更好。

    Mar, 2020

  • 卷积长短时记忆多业务移动流量预测

    本文提出了一种基于序列到序列学习（S2S）和卷积长短时记忆（ConvLSTMs）的方法，用于解决多服务移动流量预测问题，实验表明该方法能够准确地预测不同服务在城市层面上未来一小时的需求量，其平均绝对误差低于 13KBps，并且优于其他深度学习方法高达 31.2%。

    May, 2019

  • 移动网络 VoIP 流量的多元时间序列特征和预测

    本文针对移动情况下 VoIP 流量的关键 QoS/QoE 描述符进行预测分析，运用多元时间序列分析、自回归模型和基于机器学习的方法，探索序列之间的时序关系和未来行为。通过真实 LTE-Advanced 环境下的试验数据验证该模型的实际效果。

    Jul, 2023

  • 实用的商业化 5G 独立（SA）上行吞吐量预测

    基于过去的上行吞吐量和射频参数，我们提出使用基于 ConvLSTM 的神经网络来预测未来的上行吞吐量，该网络使用了在商业 5G SA 网络上的真实行车测试数据进行训练，通过限制只使用 Android API 可获取的信息并使用乘坐通勤列车和其他交通方式的数据进行评估，结果显示我们的模型在所有未知评估场景中达到平均 98.9% 的预测准确率和 1.80 Mbps 的平均 RMSE。

    Jul, 2023

  • 走向更精确的移动蜂窝流量预测之路

    本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

    May, 2023

  • 基于数据驱动的无线网络延迟概率预测：关注尾部概率

    使用数据驱动的方法，预测网络参数条件下稀有延迟的概率分布尾部，以实现对无线传输中的网络延迟的更精确控制。

    Jul, 2023

  • 无线车联网环境中基于先前用户信息的服务质量预测

    通过评估 ML 树集成方法来预测无线通信质量，并利用车辆之间的相关性和无线环境特征改进预测性能，支持商业网络中的 ML 应用。

    Feb, 2024

  • 大规模机器类通信中的 RACH 流量预测

    通过使用机器学习网络，本文针对多信道随机接入网络中的突发流量，提出了一种轻量级灵活的框架，并通过在线预测算法实时更新网络状态，实现了对突发流量的准确预测，提高了长期预测精度达到 52%。

    May, 2024