Wireless big data contain valuable information on users' behaviors and preferences, which can drive the design and optimization for wireless systems. The fundamental issue is how to mine mobile intelligence and further incorporate them into wireless systems. To this end, this article discusses two challenges on big data based wireless system design and optimization, and proposes a unified framework to tackle them with the help of Deep Neural Networks (DNNs) and online learning techniques. In particular, we propose a DNN architecture by incorporating an embedding layer to project different types of raw data to a latent space and utilize a regression or classification function to predict the mobile access pattern. It outperforms the best traditional machine learning algorithm (76% vs. 63%) significantly. Moreover, combining the proposed DNN architecture with online learning techniques, we show two cases on how to apply the mobile intelligence for wireless video applications, including video adaption and video pre-fetching. In the former case, we utilize the proposed DNN method to predict the dynamics of user count within the coverage of base stations, and adaptively adjust the bitrate for video streaming to improve the video watching experience. In the latter one, we utilize the proposed method to predict the user trajectory, i.e., the associated base stations, and conduct content prefetching to reduce the access latency. Evaluating the performance with a real wireless dataset, we show that the perceived video QoE and cache hit ratio are greatly improved (0.7db and 25% respectively).

中文翻译：

---

挖掘无线系统的移动智能：一种深度神经网络方法

无线大数据包含有关用户行为和偏好的宝贵信息，可以推动无线系统的设计和优化。根本问题是如何挖掘移动智能并将其进一步整合到无线系统中。为此，本文讨论了基于大数据的无线系统设计和优化的两个挑战，并提出了一个统一的框架，借助深度神经网络 (DNN) 和在线学习技术来解决这些挑战。特别是，我们通过结合嵌入层将不同类型的原始数据投影到潜在空间并利用回归或分类函数来预测移动访问模式来提出 DNN 架构。它显着优于最好的传统机器学习算法（76% 对 63%）。而且，将所提出的 DNN 架构与在线学习技术相结合，我们展示了如何将移动智能应用于无线视频应用的两个案例，包括视频自适应和视频预取。在前一种情况下，我们利用所提出的 DNN 方法来预测基站覆盖范围内用户数量的动态，并自适应调整视频流的比特率以改善视频观看体验。在后一种中，我们利用所提出的方法来预测用户轨迹，即关联的基站，并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。我们展示了如何将移动智能应用于无线视频应用的两个案例，包括视频适配和视频预取。在前一种情况下，我们利用所提出的 DNN 方法来预测基站覆盖范围内用户数量的动态，并自适应调整视频流的比特率以改善视频观看体验。在后一种中，我们利用所提出的方法来预测用户轨迹，即关联的基站，并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。我们展示了如何将移动智能应用于无线视频应用的两个案例，包括视频适配和视频预取。在前一种情况下，我们利用所提出的 DNN 方法来预测基站覆盖范围内用户数量的动态，并自适应调整视频流的比特率以改善视频观看体验。在后一种中，我们利用所提出的方法来预测用户轨迹，即关联的基站，并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。我们利用所提出的 DNN 方法来预测基站覆盖范围内用户数量的动态，并自适应调整视频流的比特率以改善视频观看体验。在后一种中，我们利用所提出的方法来预测用户轨迹，即关联的基站，并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。我们利用所提出的 DNN 方法来预测基站覆盖范围内用户数量的动态，并自适应调整视频流的比特率以改善视频观看体验。在后一种中，我们利用所提出的方法来预测用户轨迹，即关联的基站，并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。并进行内容预取以减少访问延迟。使用真实无线数据集评估性能，我们发现感知视频 QoE 和缓存命中率大大提高（分别为 0.7db 和 25%）。