邢旭东 高晖 顾军

摘要：提出一个基于机器学习的无线网络流量预测及流量增长潜力评估方案。该方案分析蜂窝网络中的实际业务流量数据在时间维度上的变化规律，并借助高斯过程的机器学习方法来预测业务变化趋势，从短期角度为运营商的網络优化部署提供指导。基于极限梯度提升（XGBoost）机器学习框架，建立网络中其他运营数据与业务流量的多维映射关系，应用改进的量子粒子群算法进一步寻找蜂窝小区所能承载的流量上限，从长期角度为网络优化部署提供指导，提升网络流量水平、释放流量增长潜力。

关键词：机器学习；移动网络数据分析；流量预测；流量增长潜力评估

Abstract： A wireless network traffic prediction and traffic growth potential evaluation scheme based on machine learning is proposed. Based on the actual traffic data in the cellular network， this scheme analyzes the change rule in the time dimension and uses the machine learning method of Gaussian process to predict the trend of traffic， which provides guidance for the network optimization deployment of operators in the short term. Based on the eXtreme Gradient Boosting （XGBoost） machine learning framework， the multi-dimensional mapping relationship between other operation data and traffic in the network is established， and the revised quantum particle swarm optimization algorithm is applied to further find the upper limit of traffic that the cellular cell can carry， so as to provide guidance for network optimization deployment from a long-term perspective， improve the network traffic level， and release the traffic growth potential.

Keywords： machine learning； mobile network data analysis； traffic prediction； traffic growth potential evaluation

随着无线设备数量的飞速增长，移动用户对更高性能无线服务的需求正在逐年上升。在这样的背景下，5G应运而生。更密集的组网、更快的速率、更低的时延和更可靠的移动性保障是5G的特点[1]。随着5G商业化进程的逐步推进，物联网、云计算、大数据等领域将呈现裂变式发展态势，逐步形成5G产业生态，为行业升级提供强劲动力。

近年来，在无线网络流量预测和流量增长潜力挖掘等领域中，基于人工智能和机器学习等方法的研究引起了学术界和产业界的极大关注[2]。无线网络流量预测方法是指，将网络流量随时间的变化视作一个时间序列，根据过往的流量变化规律来预测未来的变化趋势，并将预测流量与当前流量之间的差异作为流量增长潜力的量化结果[3-4]。……