On the use of Probabilistic Forecasting for Network Analysis in Open RAN

与其他基于单点的人工智能预测技术（如长短期记忆网络）不同，概率预测技术（例如DeepAR和Transformer）提供了一系列可能的结果和相关概率，使决策者能够做出更明智和更有把握的决策。同时，开放式无线接入网的架构已经成为移动网络的一种革命性方法，旨在实现无障碍、互操作性和创新。本文提出了在开放式无线接入网架构中将概率预测技术作为无线应用程序（rApp）的使用方法。我们研究并比较了不同的概率和单点预测方法和算法，以估计蜂窝基站的物理资源块（PRB）的利用率和资源需求。通过我们的评估，我们展示了概率预测技术相对于传统的单点预测方法的数值优势，并且证明了它们能够提供更准确和可靠的估计。特别是，DeepAR明显优于单点预测技术，如LSTM和季节性Naive（SN）基线，以及其他概率预测技术，如简单前馈（SFF）和Transformer神经网络。

本论文旨在将概率预测技术作为一种无线电应用程序（rApp）引入Open RAN架构中，以估计移动网络中基站物理资源块（PRB）的利用率和资源需求。研究比较了不同的概率预测和单点预测方法和算法，展示了概率预测技术相比传统单点预测方法的优势。

本论文的关键思路是将概率预测技术应用于移动网络中基站物理资源块（PRB）的利用率和资源需求估计，通过比较不同的预测方法和算法，展示了概率预测技术的优势。

论文通过实验展示了概率预测技术相比传统单点预测方法的优势，特别是DeepAR模型表现最佳。论文使用的数据集和开源代码也值得关注。

近期相关研究包括使用深度学习模型进行移动网络预测的研究，如《Deep Learning for Wireless Physical Layer: Opportunities and Challenges》。