[论文解读] Deep Learning in Beyond 5G Networks with Image-based Time-Series Representation

Lucas Fernando Alvarenga e Silva, Bruno Yuji Lino Kimura+1 more|arXiv (Cornell University)|Apr 17, 2021

Wireless Signal Modulation Classification参考文献 8被引用 4

一句话总结

本文提出了一种新颖的深度学习方法，用于在后5G（B5G）网络中预测5G无线信号质量指标，通过使用递归图（Recurrence Plots）、马尔可夫转移场（Markov Transition Fields）和格米安角场（Gramian Angular Fields）等技术将一维时间序列数据转换为图像表示。这些图像随后由卷积神经网络（CNN）处理，在5G传输数据集上实现了平均归一化均方根误差（NRMSE）为3.43%，预测精度比基于LSTM的模型高出近四倍，同时参数量显著减少。

ABSTRACT

Towards the network innovation, the Beyond Five-Generation (B5G) networks envision the use of machine learning (ML) methods to predict the network conditions and performance indicators in order to best make decisions and allocate resources. In this paper, we propose a new ML approach to accomplish predictions in B5G networks. Instead of handling the time-series in the network domain of values, we transform them into image thus allowing to apply advanced ML methods of Computer Vision field to reach better predictions in B5G networks. Particularly, we analyze different techniques to transform time-series of network measures into image representation, e.g., Recurrence Plots, Markov Transition Fields, and Gramian Angular Fields. Then, we apply deep neural networks with convolutional layers to predict different 5G radio signal quality indicators. When comparing with other ML-based solutions, experimental results from 5G transmission datasets showed the feasibility and small prediction errors of the proposed approach.

研究动机与目标

• 提升动态B5G网络中5G无线信号质量指标（如CQI、SNR、RSRP）的预测精度。
• 通过机器学习实现主动决策，解决高移动性、高频段5G场景下传统网络管理的被动性问题。
• 评估将一维网络时间序列转换为二维图像表示以增强基于深度学习的预测性能的可行性与效果。
• 在预测精度与计算效率方面，对比所提出的基于图像的方法与成熟的1D-CNN和LSTM模型。

提出的方法

• 使用三种技术将一维5G网络时间序列（CQI、SNR、RSRQ、RSRP、RSSI）转换为二维图像表示：递归图（RP）、马尔可夫转移场（MTF）和格米安角场（GAF）。
• 将生成的图像输入预训练的二维卷积神经网络（CNN）进行回归任务，以预测未来的信号质量指标。
• 使用均方误差（MSE）和分位数损失函数优化模型性能及预测不确定性。
• 在移动运营商提供的83个真实5G数据集上进行模型训练与评估，涵盖静态与车载移动场景，以及文件下载与视频流媒体服务。
• 与1D-CNN和LSTM基线模型使用相同数据集进行对比，评估指标包括NRMSE以及模型复杂度（参数量与MAC操作数）。
• 采用早停策略与Adam优化器，学习率为0.001，以提升训练收敛性与泛化能力。

实验结果

研究问题

• RQ1 将一维网络时间序列转换为二维图像表示是否能提升B5G网络中5G无线信号质量指标的预测精度？
• RQ2 不同基于图像的时间序列编码技术（RP、MTF、GAF）在保留时间动态特性以支持下游CNN回归任务方面表现如何？
• RQ3 在静态与车载移动条件下，所提出的基于图像的CNN方法在预测5G信号质量方面相较于成熟的1D-CNN和LSTM模型有多大的性能优势？
• RQ4 与传统时间序列模型相比，所提出方法在预测精度与模型复杂度（如参数量、MAC操作数）之间存在何种权衡？

主要发现

• 所提出的基于图像的深度学习方法在所有测试场景中实现了平均NRMSE为3.43%，标准偏差为0.0139，表明预测结果高度一致且误差极低。
• 该方法在预测精度上比LSTM基线模型高出近四倍，平均NRMSE为12.3%对比3.43%。
• 该方法在精度上与1D-CNN模型相当（NRMSE: 2.17%），但参数量仅约为其1/29，显著提升了计算效率。
• 不同图像转换技术（RP、MTF、GAF）的性能高度相似，其中MTF-based CNN实现了最佳平均NRMSE（3.43%）。
• 对长距离指标（SNR、RSRP、RSRQ、RSSI）的预测误差始终低于10%，表明在多种信号质量指标下均具有强鲁棒性。
• 该方法在不同移动模式（静态与车载）及应用类型（文件下载与视频流媒体）下均表现出良好泛化能力，证实了其在真实场景中的适用性。