基于深度学习的5G-A网络流量预测方法研究

摘要：为充分应对高峰与低峰流量模式并发、业务类型多样化以及网络负载波动剧烈等挑战，提出了基于深度学习的5G-A（5G Advanced）网络流量预测方法，构建了基于Transformer的网络流量预测模型。对不同模型在高峰时段与低峰时段的性能进行了实验对比，结果表明，相较于自回归积分滑动平均（autoregressive integrated moving average，ARIMA）、长短期记忆（long short-term memory，LSTM）网络、卷积长短期记忆（convolutional long short-term memory，CNN-LSTM）网络等传统统计模型，Transformer模型在精度、鲁棒性以及并发适应性方面均有优势。（剩余5711字）