23、蜂窝网络的预测分析与深度学习应用

蜂窝网络的预测分析与深度学习应用

1. 异常检测模型

提出了一类神经网络（OC - NN）模型来检测复杂数据集中的异常。该模型将深度网络逐步提取丰富数据表示的能力与一类目标相结合，即使用 OC - NN 在正常数据周围创建一个紧密的包络。一类支持向量机（SVM）用于驱动神经网络的训练。实验结果表明，OC - NN 在异常检测方面优于其他最先进的深度学习方法。

2. 预测分析的应用领域

2.1 资源分配

资源分配（RA）的目标是根据移动网络用户的密度和使用模式分配基站（BS）带宽和功率。为应对突发的重大流量波动，需要预测移动用户使用网络的时间和地点。预测未来几小时的流量负载有助于关闭轻载的基站，从而降低能耗。可以使用各种预测算法来预测用户轨迹和流量负载，通过预测移动用户可能进入的下一个小区，可通过预期切换（HO）提高用户的服务质量（QoS）。一些方法包括：
- 使用隐马尔可夫模型（HMM）和分析用户轨迹来预测下一个 eNodeB。
- 基于用户速率预测的预测资源分配（PRA）框架可提高网络和用户的 QoS。
- 使用概率模型预测信道条件，并相应地配置资源分配向量。
- 结合聚类和打包算法的方法比其他算法提供了 34.8% 更好的 QoS。

2.2 切换管理

切换（HO）确保为移动用户提供连续的服务，但未来网络中的切换方案可能会因用户流量的时空变化而面临诸多挑战。用户移动性可能导致频繁切换，从而增加切换延迟，严重降低网络性能。传统的切换方法较为被动，因为它们缺乏用户移动性的信息，这会导致切换过程中额外的信号开销，并且可能出现服务中断。预测分析可以提供有关用户和用户移动性的上