배경

1) 트래픽 예측이 적용되면 효율적인 절전과 자원할당 가능
2) 트래픽 예측을 통한 이상 탐지로 정상적인 트래픽 동작과 구분되는 트래픽을 예측해 자원을 효율적으로 할당하여 양질의 서비스를 제공
3) ES(Exponential Smoothing), ARIMA 모델과 같은 고전적 예측기법이 있으나, 환경적 요인(시간적 불규칙성, 공간적 상관성)에 따라 변동이 큰 모바일 데이터를 예측하는 데에는 적합하지 않다
=>3D CNN, convLSTM(convolutional LSTM), STN 등의 인공지능 모델을 이용한 예측방법이 더 적합
4) 시공간 데이터 예측에 적절한 convLSTM을 사용하며, 클러스터 단위로 트래픽 데이터를 학습시키고 예측하는 알고리즘 제안
=> 예측성능을 RMSE, MASE로 분석

본론

1.dataset
2014년 'Telecom Italia Big Data Challenge'에서 제공하는 데이터
2013.11.01~2013.12.31

2.convLSTM(convolutional LSTM)
데이터의 시간적 관계를 반영하지 못하는 CNN과, 시계열 분석이 가능하지만 1차원 데이터만 학습가능한 lSTM의 단점이 보완된 모델

3.클러스터링 알고리즘
1) k-means와 계층적 클러스터링 둘다 적합시킨 후, 오차가 적은 계층적 클러스터링 방법을 적용함.

2) 효율적인 클러스터링을 위해 그리드 간 거리 이외의 클러스터링에 반영하기 위한 파라미터를 추가할 필요
그리드 간 트래픽 양(valume), 트래픽의 상관도(Correlation), 거리(Distance) 이 세가지를 클러스터링 파라미터로 사용함.

3) 시뮬레이션 흐름도

4) 시뮬레이션 결과

결론

클러스터 개수가 많아질수록 예측 성능이 좋아지지만 학습에 사용할 수 있는 데이터 수는 점점 적어지기 때문에 클러스터 개수를 아주 많이 늘리더라도 예측성능의 향상에 한계 발생!

reference
이동통신 트래픽 예측을 위한 클러스터링 기법(2022)