Linear PRB Utilisation Forecasting in LTE Networks

Le reti mobili hanno subito uno sviluppo esponenziale negli anni passati, trainata dal crescente numero di utenti abbonati e dal costante incremento del volume di traffico per abbonamento, causato dall'aumento nel consumo dei contenuti video. Inoltre, forti contributi a una crescita così rapida sono stati lo scoppio della pandemia di Covid-19 e l'aumento di nuove tecnologie e servizi correlati (come il 5G). In questo scenario, viene esercitata un'enorme pressione sui fornitori di servizi Internet (ISP), che lavorano per trovare una buona strategia di pianificazione della capacità per la loro rete per prevedere con precisione quale cella della rete necessita azioni di manutenzione a lungo termine, per evitare spese inutili o disservizi dovuti a sottodimensionamento. Per fare ciò, gli ISP possono fare affidamento sulla grande quantità di dati raccolti all'accesso della loro rete dalle stazioni base (BS). L'estrazione della conoscenza dai dati si concentra sulla ricerca di schemi regolari nei KPI per prevedere le quantità di interesse. In questo lavoro, molteplici serie temporali raccolte dalla rete di accesso di un ISP italiano sono estratte dall'infrastruttura dell'ISP. I set di dati ottenuti vengono analizzati, concentrandosi sui modelli di traffico nell'ora di punta (Busy Hour) dei volumi di traffico downlink (DL) e sull'utilizzo dei blocchi di risorse fisiche (PRB). Le serie di dati vengono aggregate per prevedere l'incremento del volume di traffico a lungo termine nell'ora di punta. Successivamente, per ogni cella della rete, definiamo un modello KPI per prevedere l'utilizzo di DL PRB a partire dall'incremento del traffico. Per valutare le prestazioni del nostro modello, confrontiamo l'Utilizzo PRB DL previsto con l'Utilizzo PRB reale registrato dalla rete nello stesso lasso di tempo del nostro orizzonte. In aggiunta, definiamo più scenari per stimare la precisione del nostro modello di previsione ed evidenziare le aree di possibile miglioramento. I risultati rivelano che le prestazioni del modello proposto dipendono fortemente dai diversi scenari e dai modelli di traffico considerati. In particolare, il modello può migliorare la sua precisione e fornire risultati più accurati considerando una granularità più fine durante il processo di aggregazione.

Mobile networks have witnessed exponential growth in past years, driven by the rising number of new user subscriptions and the constantly increasing average traffic volumes per subscription caused by the increase in video content consumption. Moreover, strong contributors to such rapid growth have been the breakout of the Covid-19 pandemic and the rising of new technologies and related services (such as 5G). In this scenario, huge pressure is put on Internet Service Providers (ISPs), who work to find a good capacity planning strategy for their network to accurately predict which cell in the network needs long-term maintenance actions to avoid unnecessary expenditures or disservices due to under-dimensioning. To do so, ISPs can rely on the vast amount of data gathered at the access of their network by Base Stations (BSs). The knowledge extraction from the data focuses on searching regular patterns in KPIs to forecast quantities of interest. In this work, multiple historical time series collected at the access network of an Italian ISP are extracted from the ISP's infrastructure. The obtained datasets are analysed, focusing on the Busy Hour traffic patterns of the downlink (DL) traffic volumes and Physical Resource Blocks (PRB) utilisation. The data series are aggregated to forecast the long-term traffic volume increment in the Busy Hour. Afterwards, for each cell in the network, a KPI model is defined to predict the DL PRB utilisation starting from the traffic increment. To evaluate our model's performance, we compare the forecasted DL PRB Utilisation with the true PRB Utilisation recorded by the network in the same timeframe as our horizon. Additionally, multiple scenarios are defined to estimate our forecasting model's precision and highlight areas of possible improvement. The results reveal that the performance of the proposed model is highly dependent on the different scenarios and traffic patterns considered. In particular, the model can improve its precision and provide more accurate results by considering a finer granularity during the clustering process.