基于深度學習的5G-A網絡流量預測方法研究

摘要：為充分應對高峰與低峰流量模式并發、業務類型多樣化以及網絡負載波動劇烈等挑戰，提出了基于深度學習的5G-A（5G Advanced）網絡流量預測方法，構建了基于Transformer的網絡流量預測模型。對不同模型在高峰時段與低峰時段的性能進行了實驗對比，結果表明，相較于自回歸積分滑動平均（autoregressive integrated moving average，ARIMA）、長短期記憶（long short-term memory，LSTM）網絡、卷積長短期記憶（convolutional long short-term memory，CNN-LSTM）網絡等傳統統計模型，Transformer模型在精度、魯棒性以及并發適應性方面均有優勢。同時，為了進一步實現端到端優化，將預測結果與網絡調度機制相結合，使得資源利用率和用戶體驗得到明顯改善。

關鍵詞：5G-A；深度學習；流量預測；資源優化

中圖分類號：TP393 文獻標識碼：A

0 引言

隨著第五代移動通信技術（5G網絡）在全球范圍內的逐步商用，其在高速率、超大帶寬及海量連接方面的優勢已初步顯現[1]。相較于傳統5G網絡，5G-A（5G Advanced）網絡致力于在頻譜利用效率、接入密度以及時延敏感業務處理等方面實現進一步突破，能夠提供更穩定、更快速、更優質的網絡支持。在5G-A網絡中，面對高度動態的業務場景與多樣化的流量需求，網絡流量預測與資源分配的精準度顯得尤為重要。

目前針對網絡流量預測的研究方法主要分為兩大類：基于時間序列分析的傳統統計方法和以深度學習為代表的機器學習方法。在高維時序預測場景下，傳統統計方法往往由于假設條件過于嚴格或數據維度過高而難以得到理想的預測效果；而深度學習方法在非線性、多元時序數據建模方面具備顯著優勢，能更好地捕捉數據的潛在規律。由于5G-A網絡流量受多種業務類型和用戶行為模式的影響，深度學習模型的設計和訓練面臨大量挑戰，如多場景融合、多尺度預測以及模型計算開銷控制等。基于此，本文針對5G-A網絡的高并發、多場景特點，提出一種基于深度學習的5G-A網絡流量預測方法，構建了基于Transformer的網絡流量預測模型，并將預測結果與資源分配機制緊密結合，形成端到端（從數據輸入到結果輸出）的優化方案。

1 關鍵技術

1.1 5G-A網絡概述

5G-A網絡在物理層和接入層實現了多種創新，包括更靈活的子載波間隔、可變長符號周期以及新一代糾錯碼和調制方式，這不僅能夠針對不同業務類型進行精細化支持，還能夠有效提升數據傳輸的可靠性與速率[2]。相較于傳統的多進多出（multiple in multiple out，MIMO）技術，5G-A網絡引入超大規模MIMO技術，通過在基站端配置成百上千根天線陣列，實現空間資源維度擴展。其利用波束成形等技術極大增強了小區容量與覆蓋效率，并且進一步優化了天線設計和波束分配策略，在高并發、多連接場景下可以保持穩定的數據傳輸質量。同時，邊緣計算的應用突破了核心網絡的時延與負載瓶頸，將計算與存儲資源前移到網絡邊緣節點，實現了本地數據的實時處理和分析，不僅減少了網絡的整體時延，還有效減輕了核心網絡的負載壓力。為了滿足車聯網、遠程手術和工業自動化等極端時延敏感業務網絡的需求，5G-A網絡在保證超大帶寬的同時將網絡時延進一步壓縮至毫秒級甚至亞毫秒級，并通過多重冗余和快速切換機制提升了網絡的可靠性，使幾乎“零中斷”的通信成為可能。最后，通過更先進的波形設計、動態頻譜共享以及人工智能（artificial intelligence，AI）調度等方式，5G-A網絡能夠支持更多用戶同時使用并提供更高的傳輸速率，為多業務場景的同步并發帶來良好的網絡保障。

1.2 面向5G-A網絡流量預測的Transformer

Transformer是一種基于多頭自注意力（multi-head self-attention，MHSA）機制的深度學習架構，因其在捕捉長距離依賴和并行化處理序列數據方面的卓越性能，被廣泛應用于時序預測任務。Transformer在5G-A網絡流量預測中具有較好的適用性，主要得益于其具有以下關鍵特征：首先，模型采用MHSA機制，在不同子空間下并行計算序列內部任意位置的相關性（任意兩個時間步或數據點之間的依賴關系），能夠靈活地捕捉長距離依賴與復雜時空動態[3-4]；其次，通過位置編碼向輸入序列注入位置信息，彌補模型并行處理造成的時序缺失，使其在學習周期性或突發性流量處理方面更具優勢；再次，在位置編碼的基礎上，前饋網絡與殘差連接的結合可以為特征提取提供非線性映射能力，同時確保了深度結構在訓練過程中保持穩定的梯度傳播，降低了梯度消失或梯度爆炸的風險；最后，由于不依賴遞歸或卷積操作，Transformer能夠實現并行化計算，極大提升了在大規模數據上的訓練與推斷速度。對于5G-A網絡高并發、多業務異構流量場景，Transformer能在捕捉多尺度、復雜依賴關系的同時保證良好的可擴展性與實時性，從而更有效地支持資源分配和網絡優化決策。

2 基于Transformer的網絡流量預測模型

2.1 模型總體架構

在針對5G-A網絡高并發、多業務異構流量的預測任務中，深度學習模型的設計需要兼顧對多維時序特征的有效提取與高并行計算需求。為此，本文構建了一個以Transformer為核心的端到端網絡流量預測模型，其總體架構主要由輸入層、Transformer主干及輸出層3個部分構成，如圖1所示。首先，輸入層負責對從基站或邊緣節點采集的多源流量信息進行特征整合與預處理，并將其轉換為模型可識別的張量格式；其次，Transformer主干利用MHSA機制和位置編碼等關鍵技術挖掘流量數據在時間和空間維度上的深層規律；最后，輸出層基于Transformer的編碼結果生成對未來若干時間窗口的流量預測值。

在具體的系統流程上，整個框架可分為4個主要階段：①數據采集。通過5G-A網絡中的基站、移動邊緣計算（mobile edge computing，MEC）節點等獲取實時或歷史流量數據，同時收集相關上下文信息；②數據預處理。對原始數據進行噪聲過濾、缺失值填補和歸一化等處理，確保模型輸入的有效性和一致性；③模型預測。將預處理后的數據輸入Transformer主干進行前向計算，結合MHSA機制和前饋網絡提取關鍵時序特征并輸出預測結果；④結果輸出。將預測值與實時監測數據進行對比分析，為后續網絡管理和優化提供參考。

2.2 模型改進與適配

5G-A網絡在實際應用中呈現出多元化與高度動態的流量模式。為應對不同場景以及多種業務類型所對應的流量特征差異，本文從特征提取和Transformer網絡結構兩個方面對基于Transformer的網絡流量預測模型進行了改進與適配，以滿足相關需求。

一是多場景、多業務負載的特征提取。數據層面按照增強移動寬帶（enhanced mobile broadband，eMBB）、超可靠低時延通信（ultra-reliable low-latency communication，URLLC）和大規模機器類通信（massive machine type communications，mMTC）等不同業務場景分別進行特征工程。采用差異化的時間窗口對具有周期性和突發性的流量進行統計與平滑處理，擴展模型在多尺度范圍內的可視化能力。

二是對Transformer網絡結構的改進。依據各業務類型的數據維度和時序跨度，分別配置相應的多頭自注意力層的頭數（4、8、16等）與堆疊層數（2～6），以實現模型容量與計算代價之間的均衡；在高并發場景下的劇烈流量波動中，通過強化殘差連接與正則化策略，避免模型出現過擬合。在URLLC場景中，利用注意力掩碼提高對極端或突發流量的關注度，保障對低時延需求的精確捕捉；在eMBB場景中，通過提升網絡輸入層或中間層的并行度增強對大規模數據的處理能力，提升整體運算效率；在mMTC場景中，引入稀疏注意力機制以提升模型對海量低頻異構設備接入模式的建模能力，增強對長時間跨度下稀疏流量特征的感知能力。

3 實驗結果與分析

3.1 數據集來源與實驗環境

本文采用國內某運營商提供的真實5G-A網絡流量數據與公開可訪問的時序數據集，將二者結合形成一個覆蓋300萬條記錄的綜合數據集。真實運營商數據為2023年6月1日至2023年9月31日期間的連續監測數據，共涉及10個基站，每個基站的數據采樣間隔為5 min，包含3種典型業務（eMBB、URLLC與mMTC）的上下行流量信息。該數據集全面反映多場景、多業務負載場景下的流量變化特征，為模型訓練與測試提供了多維度、高密度的真實數據支撐。公開數據與運營商數據相互印證，為模型的泛化能力與適配性評估提供額外參考。通過整合兩部分數據，可以有效確保實驗在業務類型、時間跨度以及空間分布上的廣度與代表性[5]。

本實驗均在一臺配備 Intel Xeon E5-2678 v3 處理器（16核32線程）、128 GB 內存以及 NVIDIA GeForce RTX 3090 圖形處理器（graphics processing unit，GPU）（24 GB顯存）的服務器上進行。操作系統版本為 Ubuntu 20.04，主要使用 TensorFlow 2.10與PyTorch 1.13深度學習框架進行模型訓練與推理。

3.2 實驗結果分析

本實驗選取了3種主流時序預測模型作為對照模型，具體包括：自回歸積分滑動平均（autoregressive integrated moving average，ARIMA）模型、長短期記憶（long short-term memory，LSTM）網絡模型、卷積長短期記憶（convolutional long short-term memory，CNN-LSTM）網絡模型，將這些模型與本文提出的基于Transformer的網絡流量預測模型（簡稱“Transformer模型”）進行對比，所有對比實驗遵循以下控制條件：①數據集按7：2：1的比例劃分為訓練集、測試集和驗證集，輸入輸出時間窗固定為T=24/H=6（T為輸入信號的持續時間，H為系統響應的持續時長）；②特征處理采用Min-Max歸一化與同步插值；③額外測試含5%突發流量的多切片混合場景。評價指標包括均方誤差（mean squared error，MSE）、平均絕對誤差（mean absolute error，MAE）、均方根誤差（root mean squared error，RMSE）和平均絕對百分比誤差（mean absolute percentage error，MAPE）。

如表1所示，從整體結果來看，Transformer在各項指標上均展現出較高的精度。其MSE、MAE、RMSE、MAPE均低于其他3種模型，這說明在多場景、多業務負載下，Transformer模型對流量模式的捕捉更為有效。

為全面評估不同預測模型在高峰時段與低峰時段的表現，本文分別對兩個時段的預測誤差進行了統計分析。圖2通過箱線圖直觀展示了各模型在不同時段下的誤差分布情況，進而可以清晰地看出模型在應對不同流量負載時的表現差異。

在高峰時段，ARIMA模型的誤差分布較為寬松，箱體位置普遍較高，且存在明顯的離群點。這表明ARIMA模型在處理突發流量沖擊時的魯棒性較弱，容易受到高并發流量波動的影響，其預測結果的穩定性和準確性較差。相較于ARIMA模型，LSTM網絡模型、CNN-LSTM網絡模型及Transformer模型在高峰時段的表現更為優越，MAPE較小，誤差分布也較為集中。其中，Transformer模型的表現尤為突出，其箱體位置最低且波動范圍最小，誤差分布最為集中，這表明Transformer模型在高峰時段的流量條件下具有較強的魯棒性與較高的預測準確度。

在低峰時段，ARIMA模型仍表現出較高的MAPE和明顯的離群點，證明其在低并發流量負載下的預測精度不足，存在過度平滑和預測滯后的問題。然而，LSTM網絡模型和CNN-LSTM網絡模型的MAPE明顯下降，模型的預測結果更加穩定。Transformer模型在低峰時段的表現同樣較好，MAPE最小且誤差分布集中，表明其能夠在流量負載較小的條件下準確捕捉微小的流量波動，具有較強的穩定性和魯棒性。這也證明Transformer模型在應對5G-A網絡中復雜、動態的流量負載時具有優勢，能夠在低流量環境下保持較高的預測精度。

4 結語

隨著5G技術不斷發展，通信網絡在數據速率、并發連接數與多業務需求方面面臨更高挑戰，對流量預測的精度與實時性也提出了嚴格要求，5G-A網絡應運而生。本文提出了基于深度學習的5G-A網絡流量預測方法，構建了基于Transformer的網絡流量預測模型，并與端到端的分配策略相結合，以實現模型在多場景、多業務負載中具有較高的預測精度和良好的資源優化效果。通過對網絡結構及特征工程的針對性改進與適配，以及在實際數據集上進行系統性實驗對比。結果顯示，Transformer模型不僅優于傳統統計模型，還在突發流量與稀疏流量等極端場景中具備更強的魯棒性。未來，與多智能體強化學習、聯邦學習等前沿AI技術的深度融合能夠進一步提升預測框架的適應能力，并且在跨層資源管理與網絡切片技術的協調中實現更加精細化的調度。

參考文獻

[1] 陳建云，楊家珠，林甲祥，等.基于大數據5G通信鏈路的福州地區高分辨率降水模型[J].中國農業氣象，2025，46（2）：157-168.

[2] 佚名.“硬科技”上新5G-A商用加速：透過2024上海世界移動通信大會看信息通信業新風向[J].信息系統工程，2024（7）：2.

[3] 王志濤.基于注意力機制的網絡狀態與流量預測[J].黑龍江科學，2024，15（24）：77-79.

[4] 區林波，蔡慈貴.5G網絡中人工智能算法在流量預測和資源調度中的應用[J].長江信息通信，2024，37（12）：226-228.

[5] 高麗華，井志強，董飛，等.NSA單用戶數據業務流量模型確立及2G/4G/5G網絡融合組網方案淺析[C]//5G網絡創新研討會（2020）論文集.北京：TD產業聯盟，中國電子科技集團公司第七研究所《移動通信》雜志社，2020：37-40.