本文版权为《邮电设计技术》所有，如需转载请联系《邮电设计技术》编辑部
摘要： 在移动网络中，每个小区都有独特的特性，每个小区训练的容量模型无法在其他小区使用。针对这个问题，提出一种基于分布式学习的5G小区容量预测方案，以联邦学习的架构为基础，联合不同小区的局部训练结果，完成全局模型的训练，从而达到增加模型泛化能力的目的。同时为减少计算量，提出一种基于仿射传播聚类的小区聚类算法，将不同小区的KPI进行归一化作为聚类的输入，将小区划分为不同的类别进行模型训练，从而减少局部模型的数量，提高整体训练的效率。
关键字： 容量预测；容量模型；小区聚类；联邦学习；分布式
doi：10.12045/j.issn.1007-3043.2026.01.007
概述
随着5G网络的发展和部署，数据业务流量成倍增长。流量是用户业务量在网络中的直接体现，也是运营商收入的基础。如何在有限投资下充分挖掘用户业务流量需求，精准预测未来网络容量发展趋势，越来越成为运营商关注的焦点。在运营商网络中，用户和业务分布的不均衡会导致网络中存在大量热点区域，甚至会出现因小区容量受限导致用户潜在业务需求被抑制的情况。同时，针对现网已有的容量瓶颈，采用传统方式进行扩容无法真正满足未来需求，而大规模扩容又会导致投资收益率低，因此对小区容量的精准预测就变得越来越重要。
5G小区容量本质上是时间序列数据，因此对其预测问题可以转化为时间序列预测建模问题。目前小区容量预测的方法主要基于业务模型和话务模型的抽象模型，或通过系统平均频谱效率所得，一般基于单业务模型考虑业务数据经过各个传输协议层处理后到达物理层的实际速率需求，再结合空口平均吞吐量，从而得到单业务的用户流量。然后根据用户的话务模型分布比例特征，获得综合业务的用户容量。以往的方法主要基于统计和概率分布等数学理论知识对小区容量进行建模和预测。这些方法属于经验模型，通过有限的参数对容量进行建模，不依赖整个数据集。随着移动蜂窝网在广度和深度上的扩展，容量特性已不足以用线性变化来表征，文献［6］分析了许多蜂窝网络的容量特性，将小区容量分为2个部分：可预测的小区容量和不可预测的小区容量，可预测的小区容量具有自相关性。文献［7］提出一种从时间和空间角度来预测容量的方法，实验结果表明，该方法与以往的线性经验模型相比，预测精度有显著的提高。
近年来，随着机器学习和人工智能的快速发展，深度学习逐渐成为容量预测的热门方向。大多数深度学习的训练都是在 IDC 完成的，需要大量的数据和海量的算力，在训练阶段会消耗大量的资源，需要几天时间才可以完成训练。为了解决模型训练消耗大量资源的问题，联邦学习（Federated Learning）作为一种新的分布式机器学习方式被提出，通过聚合各个点位上报的局部训练结果来完成全局模型的训练。当前使用比较多的为基于迭代模型平均的算法，在每次训练迭代中，小区可基于本地的训练数据，从中央服务器下载全局模型进行训练并上报中间训练结果，从而更新全局模型，一直循环迭代。为了进一步减少资源消耗，本文以联邦学习的分布式架构为基础，对 5G 容量进行预测。首先，本文提出一种小区聚类的方法，获取每个省份的时序基站侧数据，并进行数据清洗得到有用数据，采用仿射传播聚类的方式对这些时序数据归一化并进行聚类，将小区级模型提升至“聚类”级别，减少区域模型的数量；其次，提出一种联邦时间序列预测方法，将 LSTM 算法应用到联邦学习当中，在每个区域采用LSTM算法训练一个局域模型；最后，采用FedAvg算法，随机选择 m 个区域，对这 m 个区域的梯度更新进行平均以形成全局更新，同时用当前全局模型替换未采样的区域。
