数据驱动的频谱需求预测：基于迁移学习的时空框架.pdfVIP

数据驱动的频谱需求预测：基于迁移学习的时空

框架

*1122

AminFarajzadeh,HongzhaoZheng,SarahDumoulin,TrevorHa,

12

HalimYanikomeroglu,andAmirGhasemi

1CarletonUniversity,Ottawa,ON,Canada

2CommunicationsResearchCentre(CRC)Canada,Ottawa,ON,Canada

CorrespondingEmail:aminfarajzadeh@cmail.carleton.ca

摘要—准确的频谱需求预测对于有根据的频谱分配、有效的为了解决这些限制，本研究介绍了一种专门针对监管

监管规划以及促进现代无线通信网络的可持续增长至关重要。它机构和政府层面频谱管理的新颖数据驱动方法。通过利用

支持政府的努力，特别是由国际电信联盟（ITU）领导的努力，

涵盖细粒度网络性能指标的众包数据集，如归一化连接数

本以建立公平的频谱分配政策，改进拍卖机制，并满足高级5G、即量、总吞吐量、延迟和信号强度，我们旨在开发能够提高

译将到来的6G和物联网（IoT）等新兴技术的需求。本文提出了准确性和可扩展性的预测模型。与传统方法不同，我们的

一种有效的时空预测框架，该框架利用众包用户侧关键性能指标

中（KPIs）和监管数据集来建模和预测频谱需求。所提出的方法通方法兼顾了空间和时间的变化，使政策制定者能够就频谱

1过采用先进的特征工程、全面的相关性分析和迁移学习技术实现分配做出更加明智的决策。

v了优越的预测精度和跨区域泛化能力。与传统ITU模型往往受

3限于任意输入和不切实际的假设不同，这种方法利用细粒度的数这项研究的核心是识别和应用以用户为中心、基于数

6据驱动洞察来考虑频谱使用中的空间和时间变化。与作为基准的据的关键绩效指标（KPI），这些指标源自众包数据集。与

8

3ITU估计进行比较评估突出了我们框架提供更现实且可操作预传统方法通常依赖于服务提供商的小区侧KPIs[5]不同，

0.测的能力。实验结果验证了我们的方法的有效性，强调了其作为我们的方法优先考虑能够捕捉网络性能细微方面的用户侧

8政策制定者和监管机构增强频谱管理和规划的强大方法的潜力。指标。这些指标反映了用户行为模式、应用程序使用趋势

0IndexTerms—频谱需求，数据驱动预测，众包数据，时空

5以及设备特定的流量特征。通过分析这些KPIs与频谱需

2分析，迁移学习。

:求之间的相关性，我们揭示了频谱利用的关键驱动因素，

v

iI.介绍从而为更准确和可操作的频谱管理策略铺平道路。

x

r我们的方法整合了时空数据准备、与当前和滞后KPI

a无线通信系统的指数级增长催生了对无线电频谱前所

的相关性分析以及预测建模，并辅以迁移学习技术。迁移

未有的需求，这尤其归因于先进5G网络的普及、大规模

学习通过利用在一个地区获得的知识来提高其他地区的预

物联网(IoT)的发展以及下一代6G概念（如综合非地面