基于卡尔曼滤波的低复杂度5G蜂窝网络吞吐量预测算法
摘要：网络吞吐量预测是许多网络感知移动应用程序，特别是视频流媒体应用程序无间断运行的主要前提之一。最近的研究提倡使用机器学习（ML）和深度学习（DL）来进行蜂窝网络吞吐量预测。与此相反，本文提出了一种低计算复杂度的简单解决方案，将未来吞吐量建模为多元线性回归，其中包括几个当前网络参数和当前吞吐量。然后，将测量误差和预测误差的方差（这是任何测量设置中固有的，但在现有研究中未考虑）输入到基于卡尔曼滤波的预测-校正方法，以获得未来吞吐量的最佳估计结果。通过对七个公开可用的5G吞吐量数据集进行的大量实验证明，所提出的方法在不同的预测窗口长度下比基准的ML和DL算法表现更好，能够在更短的时间内提供更准确的推理和重新训练结果。此外，与其ML和DL对应方法相比，所提出的吞吐量预测方法在与流行的基于模型预测控制（MPC）的自适应码率流媒体算法结合使用时，也能为流媒体和直播视频用户提供更高的用户体验（QoE）。
作者：Mayukh Biswas, Ayan Chakraborty, Basabdatta Palit
论文ID：2307.04819
分类：Networking and Internet Architecture
分类简称：cs.NI
提交时间：2023-07-12