이동통신 트래픽 예측을 위한 클러스터링 기법 (Clustering Method for Mobile Traffic Prediction)

서지정보

· 발행기관 : 한국통신학회
· 수록지 정보 : 한국통신학회논문지 / 47권 / 2호 / 398 ~ 407페이지
· 저자명 : 나세현, 김영준, 유현민, 안희준, 홍인기

초록

급증하는 모바일 트래픽을 네트워크가 적절히 수용하고, 네트워크 성능을 유지 관리하기 위해서는 미래에 발생할 트래픽을 예측하는 것이 중요하다. 본 논문에서는 시공간 데이터를 학습시키는데 적합한 딥러닝 알고리즘인ConvLSTM(Convolutional LSTM)을 사용하여 미래 트래픽 데이터를 예측한다. 트래픽 데이터는 시간과 공간에따라 발생하는 양상이 제각각이기 때문에 서로 다른 양상을 보이는 트래픽 데이터를 한꺼번에 학습 데이터로 사용하여 학습시키는 것은 모델의 성능을 저해할 수 있다. 따라서 본 연구에서는 나름의 트래픽 유사성에 대한 기준을 정하여 유사성에 의한 클러스터링 알고리즘을 통해 클러스터 단위로 트래픽 데이터를 학습시킨다. 본 논문은연구에 사용한 유사도 기반 클러스터링 방법을 설명하고, 클러스터의 개수를 증가시켜 학습시킬 때의 트래픽 예측성능의 변화를 분석한다. 연구 결과, 클러스터링 개수를 증가시킬수록 예측 오류가 줄어드는 것을 확인할 수 있었다. 그러나, 너무 많은 클러스터로 나눌 경우 오히려 예측 오류가 증가하였다.

영어초록

In order to accommodate mobile traffic and maintain network performance, it is important to predict future mobile traffic generation. In this paper, we predict the amount of future traffic data using convolutional LSTM (convLSTM) that is adequate deep learning space-time data modeling. Because traffic data have different attribute over time and space, the learning with all traffic data with different characteristics at once can degrade the performance of the model. Therefore, in this paper, we set the criteria for distinguishing traffic similarity, and group the dataset using the clustering algorithm that reflects the selected criteria. Then, the deep learning model learns traffic data on a cluster-by-cluster basis. This paper describes the similarity-based clustering method and analyzes the traffic prediction performances as the number of clusters is increased. The learning results show that as the number of clustering increases, prediction errors decrease. However, too many clustering results in increase of prediction errors.

참고자료

· 없음