[论文解读] Spatio-Temporal Hybrid Graph Convolutional Network for Traffic Forecasting in Telecommunication Networks

Marcus Kalander, Min Zhou+3 more|arXiv (Cornell University)|Sep 17, 2020

Traffic Prediction and Management Techniques参考文献 35被引用 7

一句话总结

该论文提出 STHGCN，一种时空混合图卷积网络，通过三种图类型——空间邻近性、功能相似性和近期趋势相似性——建模动态与静态空间依赖关系，同时利用门控循环单元（GRUs）捕捉多尺度时间模式。在真实电信流量数据集上的评估表明，STHGCN 在 RMSE 和 MAE 上均持续优于最先进模型，展现出在 5G 时代流量预测中更优的准确性、鲁棒性和稳定性。

ABSTRACT

Telecommunication networks play a critical role in modern society. With the arrival of 5G networks, these systems are becoming even more diversified, integrated, and intelligent. Traffic forecasting is one of the key components in such a system, however, it is particularly challenging due to the complex spatial-temporal dependency. In this work, we consider this problem from the aspect of a cellular network and the interactions among its base stations. We thoroughly investigate the characteristics of cellular network traffic and shed light on the dependency complexities based on data collected from a densely populated metropolis area. Specifically, we observe that the traffic shows both dynamic and static spatial dependencies as well as diverse cyclic temporal patterns. To address these complexities, we propose an effective deep-learning-based approach, namely, Spatio-Temporal Hybrid Graph Convolutional Network (STHGCN). It employs GRUs to model the temporal dependency, while capturing the complex spatial dependency through a hybrid-GCN from three perspectives: spatial proximity, functional similarity, and recent trend similarity. We conduct extensive experiments on real-world traffic datasets collected from telecommunication networks. Our experimental results demonstrate the superiority of the proposed model in that it consistently outperforms both classical methods and state-of-the-art deep learning models, while being more robust and stable.

研究动机与目标

• 研究蜂窝网络流量中的复杂时空依赖关系，特别是在高密度城市区域中的表现。
• 解决现有模型中常被忽视的基站之间静态与动态空间相关性建模挑战。
• 开发统一的深度学习框架，同时捕捉多尺度时间模式（近期、每日、每周）和多样化空间依赖关系。
• 提升 5G 网络规划与资源分配中流量预测的准确性与鲁棒性。

提出的方法

• 该模型采用门控循环单元（GRUs）学习三种不同时间分量的时间依赖关系：近期、每日周期性和每周周期性模式。
• 混合图卷积网络（GCN）整合三种空间图类型：空间邻近性、功能相似性和近期趋势相似性，以捕捉静态与动态空间相关性。
• 三种图类型从历史流量数据中学习，并在统一架构中融合，以增强空间特征表示。
• 模型采用多头损失函数进行端到端训练，优化多个预测时延下的 RMSE 和 MAE。
• 对输入序列应用时间切片，以保留周期性时间模式，提升模型学习周期行为的能力。
• 将外部特征（如一天中的时间、星期几）作为辅助输入以提升泛化能力，尽管在稳定数据集上其影响较小。

实验结果

研究问题

• RQ1 蜂窝网络流量中的时间模式在不同时间尺度（近期、每日、每周）下如何变化？
• RQ2 基站之间的空间依赖关系在时间上表现出多大程度的动态变化？如何有效建模？
• RQ3 结合多种空间关系类型（邻近性、功能、趋势）的混合 GCN 架构，是否能优于静态或单一类型图模型，从而提升预测性能？
• RQ4 与经典及最先进深度学习模型相比，GRUs 与混合 GCN 的集成在准确性、鲁棒性和稳定性方面表现如何？

主要发现

• 在 CellularHZ 和 Abilene 数据集上，STHGCN 在所有指标和预测时延下均表现最佳，尤其在 CellularHZ 的 4 步预测任务中，RMSE 比第二名模型低 15%，MAE 低 7%。
• 与仅使用空间邻近性图相比，同时引入功能相似性和近期趋势相似性图后，RMSE 降低 3%，MAE 降低 9%。
• 移除时间切片会显著降低性能，证实保留输入数据中周期性时间模式的重要性。
• 模型在重复实验中表现出更低的标准差，表明其相比基线深度学习模型具有更高的鲁棒性和稳定性。
• 添加外部特征仅带来微小改进，表明核心架构已非常高效，对辅助输入的依赖程度较低。
• STHGCN 始终优于单变量时间序列模型，后者因无法捕捉空间依赖关系，导致在时空流量预测任务中表现较差。