On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN

本文探讨了可持续的开放式无线接入网络（O-RAN）架构转型对资源管理带来的新挑战，特别是在预测物理资源块（PRB）利用率方面。我们提出了一种新的方法，使用概率预测技术来表征PRB负载。首先，我们提供了关于O-RAN架构和组件的背景信息，并强调了能源/功耗模型对于可持续实现的重要性。问题陈述强调了需要准确的PRB负载预测来优化资源分配和功率效率。我们随后调查了概率预测技术，包括简单前馈（SFF）、DeepAR和Transformers，并讨论了它们的似然模型假设。模拟结果表明，DeepAR估计器相对于SFF和Transformer模型来说，可以更少地预测PRB的不确定性，并有效地捕捉数据集中的时间依赖性，从而实现节省功率。不同的百分位数选择也可以增加功率节约，但代价是过度/欠配。同时，对于所有误差指标，长短期记忆（LSTM）的性能都不如概率估计器。最后，我们概述了基于概率预测的表征对于可持续的O-RAN实现的重要性，并强调了未来研究的方向。

本文旨在解决可持续的开放式无线电接入网络（O-RAN）架构下资源管理的挑战，特别是在预测物理资源块（PRB）利用率方面的问题。

本文提出了一种新颖的方法，使用概率预测技术来表征PRB负载。具体来说，使用DeepAR等概率估计器可以更准确地预测PRBs，有效捕捉数据集中的时间依赖关系，从而实现节能。

本文介绍了O-RAN架构和组件，并强调了能源/功耗模型对于可持续实现的重要性。实验结果表明，DeepAR估计器比SFF和Transformer模型更准确地预测PRBs，不确定性更小，并且可以实现节能。此外，本文还探讨了不同百分位数选择对节能的影响。

最近在这个领域中，还有一些相关的研究，例如“Energy-Efficient Resource Management in Cloud Radio Access Networks Using Deep Reinforcement Learning”和“Energy-Efficient Resource Allocation in Heterogeneous Networks with Wireless Power Transfer”。