[论文解读] DeepAuto: A Hierarchical Deep Learning Framework for Real-Time Prediction in Cellular Networks

Abhijeet Bhorkar, Ke Zhang+1 more|arXiv (Cornell University)|Dec 12, 2019

Advanced MIMO Systems Optimization参考文献 9被引用 4

一句话总结

DeepAuto 是一种分层深度学习框架，采用堆叠的 LSTM 和前馈网络，实现实时预测 4G/5G 无线网络的关键性能指标（KPI），能够捕捉时空模式及外部因素。与基线方法相比，其在长期小区负载预测中 RMSE 最低降低 32%，在无线质量预测中 KL 散度降低 75%。

ABSTRACT

Accurate real-time forecasting of key performance indicators (KPIs) is an essential requirement for various LTE/5G radio access network (RAN) automation. However, an accurate prediction can be very challenging in large-scale cellular environments due to complex spatio-temporal dynamics, network configuration changes and unavailability of real-time network data. In this work, we introduce a reusable analytics framework that enables real-time KPI prediction using a hierarchical deep learning architecture. Our prediction approach, namely DeepAuto, stacks multiple long short-term memory (LSTM) networks horizontally to capture instantaneous, periodic and seasonal patterns in KPI time-series. It further merge with feed-forward networks to learn the impact of network configurations and other external factors. We validate the approach by predicting two important KPIs, including cell load and radio channel quality, using large-scale real network streaming measurement data from the operator. For cell load prediction, DeepAuto model showed up to 15% improvement in Root Mean Square Error (RMSE) compared to naive method of using recent measurements for short-term horizon and up to 32% improvement for longer-term prediction.

研究动机与目标

• 解决大规模、动态的 LTE/5G 无线接入网络中关键性能指标（KPI）准确实时预测的挑战。
• 克服传统时间序列和机器学习模型在处理多尺度时间动态、空间相关性以及网络配置和事件等外部因素方面的局限性。
• 开发一种可扩展、可重用的框架，实现在无需每小区单独训练模型的前提下，对所有小区实现低延迟、高精度的预测。
• 将全国范围 eNB 的实时流数据以最小延迟集成，以支持主动网络优化与自动化。
• 在两个关键 KPI 上验证该框架：小区负载和无线信号质量（RSRQ），证明其性能优于基线方法。

提出的方法

• 采用分层深度学习架构，通过水平堆叠的长短期记忆（LSTM）网络，对 KPI 时间序列中的瞬时、周期性（日/周）和季节性（月/年）时间模式进行建模。
• 集成前馈神经网络，以编码外部因素，如网络配置、星期几、一天中的小时和分钟。
• 使用实时 Apache Kafka 流，从全国范围的 eNodeB 低延迟摄入数据，数据在靠近网络管理系统区域中心进行处理。
• 使用基于 Kullback-Leibler（KL）散度的损失函数进行 RSRQ 的分布预测，使用 RMSE/MAE/MAPE 进行小区负载预测。
• 每个 NMS 仅部署一个全局模型，而非每簇或每小区模型，以保持低延迟和可扩展性。
• 定期重新训练模型，以适应不断变化的流量趋势和网络变更，确保预测精度持续稳定。

实验结果

研究问题

• RQ1 统一的深度学习框架能否有效捕捉无线网络 KPI 中的多尺度时间动态（瞬时、周期性、季节性）？
• RQ2 在小区负载和 RSRQ 预测中，引入网络配置、一天中时间、节假日等外部因素在多大程度上提升预测精度？
• RQ3 在大规模网络中，小区之间的空间相关性在多大程度上提升预测性能？
• RQ4 与传统时间序列模型（如 ARIMA）和监督学习基线方法相比，所提出的分层深度学习模型在实时 KPI 预测中的表现如何？
• RQ5 单个全局模型能否在无需每小区单独训练的前提下，实现所有小区的低延迟、高精度预测？

主要发现

• 与仅使用最近测量值作为基线的方法相比，DeepAuto 在短期（1 分钟）小区负载预测中 RMSE 最低降低 15%，在长期（1 小时）预测中 RMSE 最低降低 32%。
• 在无线信号质量（RSRQ）预测中，DeepAuto 实现 KL 散度为 0.0353，相比使用前一时刻值的基线方法（KL = 0.14）提升 75%。
• 在模型中引入周期性和季节性模式后，RSRQ 预测精度得到提升，当所有时间成分均包含时，KL 散度从 0.038 降低至 0.0353。
• 利用小区之间的空间关系并未始终提升性能，因此决定在每个 NMS 部署单个全局模型，以兼顾可扩展性和延迟控制。
• 该框架成功处理了高维输入数据，并利用来自 1,500 多个小区的实时流数据，保持了低延迟预测。
• 性能指标（RMSE、MAE、MAPE）在不同预测时延下保持稳定，小区负载的 RMSE 分别为 0.083（1 分钟）、0.066（15 分钟）和 0.067（1 小时）。