The past 10 years have witnessed the rapid growth of global mobile cellular traffic demands due to the popularity of mobile devices. While accurate traffic prediction becomes extremely important for stable and high-quality Internet service, the performance of existing methods is still poor due to three challenges: complicated temporal variations including burstiness and long periods, multi-variant impact factors such as the point of interest and day of the week, and potential spatial dependencies introduced by the movement of population. While existing traditional methods fail in characterizing these features, especially the latter two, deep learning models with powerful representation ability give us a chance to consider these from a new perspective. In this article, we propose Deep Traffic Predictor (DeepTP), a deep-learning-based end-toend model, which forecasts traffic demands from spatial-dependent and long-period cellular traffic. DeepTP consists of two components: a general feature extractor for modeling spatial dependencies and encoding the external information, and a sequential module for modeling complicated temporal variations. In the general feature extractor, we introduce a correlation selection mechanism for a spatial modeling and embedding mechanism to encode external information. Moreover, we apply a seq2seq model with attention mechanism to build the sequential model. Extensive experiments based on large-scale mobile cellular traffic data demonstrate that our model outperforms the state-of-the-art traffic prediction models by more than 12.31 percent.

中文翻译：

---

DeepTP：用于移动蜂窝流量预测的端到端神经网络

在过去的十年中，由于移动设备的普及，全球移动蜂窝流量需求迅速增长。尽管准确的流量预测对于稳定和高质量的Internet服务变得极为重要，但是由于以下三个挑战，现有方法的性能仍然很差：复杂的时间变化（包括突发性和长时间），多变量影响因素（例如兴趣点和星期几，以及人口流动带来的潜在空间依赖性。尽管现有的传统方法无法表征这些特征，尤其是后两种特征，但具有强大表示能力的深度学习模型使我们有机会从新的角度考虑这些特征。在本文中，我们提出了深度流量预测器（DeepTP），一种基于深度学习的端到端模型，该模型可以预测空间依赖性和长期蜂窝通信量带来的通信量需求。DeepTP由两个组件组成：一个通用特征提取器，用于对空间依赖性进行建模并编码外部信息；一个顺序模块，用于对复杂的时间变化进行建模。在通用特征提取器中，我们为空间建模和嵌入机制引入了一种关联选择机制，以对外部信息进行编码。此外，我们使用具有注意机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。可以预测与空间相关的长期蜂窝流量的流量需求。DeepTP由两个组件组成：一个通用特征提取器，用于对空间依赖性进行建模并编码外部信息；一个顺序模块，用于对复杂的时间变化进行建模。在通用特征提取器中，我们为空间建模和嵌入机制引入了一种关联选择机制，以对外部信息进行编码。此外，我们使用具有注意机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。可以预测与空间相关的长期蜂窝流量的流量需求。DeepTP由两个组件组成：一个通用特征提取器，用于对空间依赖性进行建模并编码外部信息；一个顺序模块，用于对复杂的时间变化进行建模。在通用特征提取器中，我们为空间建模和嵌入机制引入了一种关联选择机制，以对外部信息进行编码。此外，我们使用具有注意机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。通用的特征提取器，用于对空间依赖性进行建模并编码外部信息，以及用于对复杂的时间变化进行建模的顺序模块。在通用特征提取器中，我们为空间建模和嵌入机制引入了一种关联选择机制，以对外部信息进行编码。此外，我们使用具有注意机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。一个通用的特征提取器，用于对空间依赖性进行建模并编码外部信息，以及一个顺序模块，用于对复杂的时间变化进行建模。在通用特征提取器中，我们为空间建模和嵌入机制引入了一种关联选择机制，以对外部信息进行编码。此外，我们使用具有注意机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。我们使用带有注意力机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。我们使用带有注意力机制的seq2seq模型来构建顺序模型。基于大规模移动蜂窝通信量数据的大量实验表明，我们的模型比最新的通信量预测模型高出12.31％。