5G和6G網路必須考慮每時每刻的負載並適應資源消耗。為此，他們需要追蹤當前指標並能夠預測它們。這就是服務如何決定將網路劃分為切片並平衡負載。通常，機器學習模型用於預測。

俄羅斯人民友誼大學的數學家比較了兩種預測模型，並指出了它們的優點和缺點。他們的研究是發表在日記中未來網路。

「5G和6G網路將支援無人機、虛擬實境和擴增實境。此外，如果連接的設備數量增加，流量急劇增加，網路擁塞發生。從而導致服務品質下降、網路延遲和資料遺失增加因此，.網路架構必須適應流量，並考慮具有不同要求的多種類型的流量。數學家比較了兩種時間序列分析模型—季節積分自迴歸移動平均 (SARIMA) 模型和 Holt-Winter 模型。

為了建立模型，他們使用了葡萄牙人的數據行動電信商固定時段（一小時）下載和上傳的流量。

研究發現這兩種模型都適合預測未來一小時的交通流量。然而，SARIMA更適合預測從使用者到基地台的流量－平均誤差為11.2%，比第二個模型低4%。Holt-Winter 模型可以更好地預測從基地台到使用者的流量，誤差為 4.17%，而不是 9.9%。

“這兩種模型都能有效預測流量平均值。但是，Holt-Winters 模型更適合預測基地台到用戶的流量，而 SARIMA 更適合預測用戶到用戶的流量。”基地台交通。這裡沒有一刀切的解決方案，因為每個資料集都需要其方法。 未來的研究將側重於將統計模型與機器學習方法相結合，以實現更準確的預測和異常檢測。更多資訊：

Irina Kochetkova 等人，使用季節性 ARIMA 和 Holt-Winters 模型進行短期行動網路流量預測，未來網路（2023）。DOI：10.3390/fi15090290引文: