Обзор методов искусственного интеллекта для прогнозирования трафика в сетях мобильной связи
Ключевые слова:
прогнозирование трафика сотовой связи, искусственный интеллект, ИИ, глубокое обучение, рекуррентные нейронные сети, LSTM, GRU, гибридные модели, TimeGPT, N-BEATS, системная инженерия нейросетевых архитектур, временные ряды, ARIMA, AutoML, графовые нейронные сети, мобильные сети 5G, IoT-трафикАннотация
В статье анализируются современные подходы к прогнозированию трафика в беспроводных сетях связи с использованием методов искусственного интеллекта. Рассмотрены статистические методы и традиционные алгоритмы машинного обучения, включая авторегрессионную интегрированную модель скользящего среднего (ARIMA) с её усовершенствованными вариантами. Среди нейросетевых архитектур представлены рекуррентные нейронные сети (RNN), сети с долгой краткосрочной памятью (LSTM), рекуррентные блоки с затворами (GRU), свёрточные нейронные сети (CNN), глубокая модель N-BEATS для прогнозирования временных рядов, а также генеративная предобученная модель TimeGPT. Особое внимание уделено комбинированным решениям, интегрирующим выбор признаков и оптимизацию гиперпараметров. Проанализированы аспекты вычислительной нагрузки, энергоэффективности и адаптации моделей к среде периферийных вычислений (edge computing). Цель исследования – систематизировать современные тенденции для практического внедрения методик прогнозирования в телекоммуникационную инфраструктуру.
Библиографические ссылки
[1] Cisco. Cisco Annual Internet Report (2018–2023) White Paper. San Jose: Cisco Systems, 2020.
[2] Alawe I., Ksentini A., Hadjadj-Aoul Y., Bertin P. Improving Traffic Forecasting for 5G Core Network Scalability: A Machine Learning Approach // IEEE Network. – 2018. – Vol. 32. – No. 6. – P. 42–49.
[3] Zhang C., Patras P. Long-Term Mobile Traffic Forecasting Using Deep Spatio-Temporal Neural Networks // Proceedings of the 19th ACM International Symposium on Mobile Ad Hoc Networking and Computing (MobiHoc). – 2018. – P. 231-240.
[4] Анализ и прогнозирование трафика современных телекоммуникационных систем на основе методов искусственного интеллекта / Д. В. Кутузов, А. В. Осовский, Д. В. Старов [и др.] // Вестник Астраханского государственного технического университета. Сер.: Управление, вычислительная техника и информатика. – 2024. – № 1. – С. 73-87. – DOI 10.24143/2072-9502-2024-1-73-87.
[5] Свойства трафика видеоконференций 5G и его прогнозирование методами искусственного интеллекта / Д.В. Кутузов, А.В. Осовский, Н.С. Мальцева, С.В. Мартынов // Вестник Астраханского государственного технического университета. Серия: Управление, вычислительная техника и информатика. – 2025. – № 1. – С. 103-116. – DOI 10.24143/2072-9502-2025-1-103-116.
[6] Управление трафиком системы обработки данных на основе NoC для информационно-измерительной сети IoT / Д. В. Кутузов, А. В. Осовский, Д. В. Старов, С. В. Мартынов // Датчики и системы. – 2025. – № 5(283). – С. 8-14. – DOI 10.24412/1992-7185-2025-5-8-14.
[7] Zhang C., Patras P., Haddadi H. Deep Learning in Mobile and Wireless Networking: A Survey // IEEE Communications Surveys & Tutorials. – 2019. – Vol. 21. – No. 3. – P. 2224–2287.
[8] Lopez-Martin M. Novel applications of Machine Learning to Network Traffic Analysis and Prediction: PhD Thesis. – Valladolid: University of Valladolid, 2019.
[9] Hou Y., Zheng X., Han C., Wei W., Scherer R., Polap D. Deep Learning Methods in Short-Term Traffic Prediction: A Survey // Information Technology and Control. – 2022. – Vol. 51. – No. 1. – P. 139–157.
[10] Trinh H. D., Giupponi L., Dini P. Mobile Traffic Prediction from Raw Data Using LSTM Networks // IEEE 29th Annual International Symposium on Personal, Indoor and Mobile Radio Communications (PIMRC). – 2018. – P. 1827–1832.
[11] Zukerman M. Introduction to Queueing Theory and Stochastic Teletraffic Models // arXiv preprint arXiv:1307.2968. – 2013.
[12] Box G., Jenkins G., Reinsel G., Ljung G. Time Series Analysis: Forecasting and Control. 5th ed. Hoboken: Wiley, 2015.
[13] Ferreira G. O., Ravazzi C., Dabbene F., Calafiore G. C., Fiore M. Forecasting Network Traffic: A Survey and Tutorial With Open-Source Comparative Evaluation // IEEE Access. – 2023. – Vol. 11. – P. 9691–9723.
[14] Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Vol. 9. – No. 8. – P. 1735–1780.
[15] Greff K., Srivastava R. K., Koutník J., Steunebrink B. R., Schmidhuber J. LSTM: A search space odyssey // IEEE Transactions on Neural Networks and Learning Systems. – 2017. – Vol. 28. – No. 10. – P. 2222–2232.
[16] Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge: MIT Press, – 2016.
[17] Feng J., Chen X., Gao R., Zeng M., Li Y. DeepTP: An End-to-End Neural Network for Mobile Cellular Traffic Prediction // IEEE Network. – 2018. – Vol. 32. – No. 6. – P. 108–115.
[18] He X., Zhao K., Chu X. AutoML: A survey of the state-of-the-art // Knowledge-Based Systems. – 2021. – Vol. 212. – Article ID 106622.
[19] Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is all you need // Advances in Neural Information Processing Systems (NIPS). – 2017. – Vol. 30. – P. 5998–6008.
[20] Velickovic P., Cucurull G., Casanova A., Romero A., Lio P., Bengio Y. Graph attention networks // International Conference on Learning Representations (ICLR). – 2018.
[21] Goodfellow I., Pouget-Abadie J., Mirza M., Xu B., Warde-Farley D., Ozair S., Courville A., Bengio Y. Generative Adversarial Networks // Advances in Neural Information Processing Systems (NIPS). – 2014. – Vol. 27. – P. 2672–2680.
[22] Strubell E., Ganesh A., McCallum A. Energy and policy considerations for deep learning in NLP // Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics (ACL). – 2019. – P. 3645–3650.
[23] Wu Y., Dai H. N., Tang H. Graph Neural Networks for Anomaly Detection in Industrial Internet of Things // IEEE Internet of Things Journal. – 2022. – Vol. 9. – No. 12. – P. 9214–9231.
[24] Zhao Z., Chen W., Wu X., Chen P. C. Y., Liu J. LSTM network: a deep learning approach for short-term traffic forecast // IET Intelligent Transport Systems. – 2017. – Vol. 11. – No. 2. – P. 68–75.
[25] Che Z., Purushotham S., Cho K., Sontag D., Liu Y. Recurrent Neural Networks for Multivariate Time Series with Missing Values // Scientific Reports. – 2018. – Vol. 8. – Article ID 6085.
[26] Ioffe S., Szegedy C. Batch normalization: Accelerating deep network training by reducing internal covariate shift // ICML. – 2015. – P. 448–456.
[27] Chandrashekar G., Sahin F. A survey on feature selection methods // Computers & Electrical Engineering. – 2014. – Vol. 40. – No. 1. – P. 16–28.
[28] Hinton G. E., Salakhutdinov R. R. Reducing the dimensionality of data with neural networks // Science. – 2006. – Vol. 313. – №. 5786. P. 504–507.
[29] Zhang J., Zheng Y., Qi D. Deep Spatio-Temporal Residual Networks for Citywide Crowd Flows Prediction // AAAI. – 2017. – P. 1655–1661.
[30] Lai G., Chang W. C., Yang Y., Liu H. Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks // SIGIR. – 2018. – P. 95–104.
[31] Мартынов С., Осовский А., Кутузов Д. Стандарты сетей связи 5G/5G-Abvanced для цифровой трансформации железных дорог и развития интеллектуальных транспортных систем //Системная инженерия и инфокоммуникации. – 2026. – №. 1. – С. 40-51.
[32] Bergstra J., Bengio Y. Random search for hyper-parameter optimization // Journal of Machine Learning Research. – 2012. – Vol. 13. – P. 281–305.
[33] Стукач О., Ершов И., Кутузов Д. LSTM-модель потребления тепловой энергии в многоэтажном жилом здании //Системная инженерия и инфокоммуникации. – 2025. – №. 4. – С. 11-14.
[34] Zhang J., Zheng Y., Qi D., Li R., Yi X. DNN-Based Prediction Model for Spatio-Temporal Data // Proceedings of the 24th ACM SIGSPATIAL International Conference on Advances in Geographic Information Systems. – 2016. – Article No. 92.
[35] Oreshkin B.N., Carpov D., Chapados N., Bengio Y. N-BEATS: Neural basis expansion analysis for interpretable time series forecasting // ICLR. 2020.
[36] Lim W. Y. B., Luong N. C., Hoang D. T., Jiao Y., Liang Y. C., Yang Q., Niyato D., Miao C. Federated Learning in Mobile Edge Networks: A Comprehensive Survey // IEEE Communications Surveys & Tutorials. – 2020. – Vol. 22. – №. 3. – P. 2031–2063.
[37] Oliveira J. F. L., Silva E. G., Mattos Neto P. S. G. A Hybrid System Based on Dynamic Selection for Time Series Forecasting // IEEE Transactions on Neural Networks and Learning Systems. – 2022. – Vol. 33. – №. 8. – P. 3251–3263.
[38] Bandara K., Bergmeir C., Hewamalage H. LSTM-MSNet: leveraging forecasts on sets of related time series with multiple seasonal patterns // IEEE Transactions on Neural Networks and Learning Systems. – 2021. – Vol. 32. – №. 4. – P. 1586–1599.
[39] Song J., Meng C., Ermon S. Denoising diffusion implicit models // ICLR. 2021.
[40] Kingma D. P., Welling M. Auto-Encoding Variational Bayes // International Conference on Learning Representations (ICLR). 2014.
[41] Pan S. J., Yang Q. A Survey on Transfer Learning // IEEE Transactions on Knowledge and Data Engineering. – 2010. – Vol. 22. – №. 10. – P. 1345–1359.
[42] Jacob B., Kligys S., Chen B., Zhu M., Tang M., Howard A., Adam H., Kalenichenko D. Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference // CVPR. – 2018. – P. 2704–2713.
[43] Hasani R. M., Lechner M., Amini A., Rus D., Grosu R. Liquid time-constant networks // AAAI. – 2021. – Vol. 35. – No. 9. – P. 7657-7666.
[44] Raissi M., Perdikaris P., Karniadakis G. E. Physics-informed neural networks: A deep learning framework for solving forward and inverse problems involving nonlinear partial differential equations // Journal of Computational Physics. – 2019. – Vol. 378. – P. 686–707.
[45] Fu M., Wang P., Wang Z., Li Z. Deep Learning for Network Traffic Prediction: An Overview // IEEE International Conference on Dependable, Autonomic and Secure Computing (DASC). – 2023. – P. 665–671.
[46] Осовский, А. В. Анализ и расчёт трафика в телекоммуникационных системах : учебное пособие / А. В. Осовский, Н. С. Мальцева, Д. В. Кутузов ; ФГБОУ ВО «Астраханский государственный технический университет». – Астрахань : Астраханский государственный технический университет, 2022. – 164 с. – ISBN 978-5-89154-739-1.
Загрузки
Опубликован
Выпуск
Раздел
Лицензия
Copyright (c) 2026 Системная инженерия и инфокоммуникации
Это произведение доступно по лицензии Creative Commons «Attribution-ShareAlike» («Атрибуция — На тех же условиях») 4.0 Всемирная.