Deep learning based multivariate forecasting of performance counters extracted from cellular network

This thesis investigates the application of advanced forecasting models for multivariate time series data in cellular networks, with a focus on the comparison between traditional statistical models and deep learning-based approaches. Leveraging a real-world dataset of performance counters from a 4G network, we evaluated the efficacy of the Seasonal Autoregressive Integrated Moving Average (SARIMA) model and the iTransformer, a state-of-the-art deep learning model tailored for multivariate forecasting. The results highlight the potential of global deep learning models like iTransformer in capturing complex temporal and inter-variable dependencies, significantly outperforming SARIMA in scalability and generalization to unseen data. Our findings emphasize the critical role of model architecture and training paradigms in addressing challenges such as data sparsity and high variability in cellular network performance metrics. While SARIMA demonstrated strengths in simplicity and interpretability for individual time series, its limitations in scalability and handling non-linear patterns underscored the advantages of iTransformer’s advanced mechanisms, including variate tokenization and attention-based learning. Future research should explore hybrid models, improved interpretability for deep learning approaches, and broader datasets encompassing 5G performance metrics. This work contributes to the ongoing evolution of proactive network management and intelligent forecasting systems in telecommunications.

Questa tesi indaga l'applicazione di modelli avanzati di previsione per serie temporali multivariate nelle reti cellulari, concentrandosi sul confronto tra modelli statistici tradizionali e approcci basati su deep learning. Utilizzando un dataset reale di indicatori di prestazione da una rete 4G, sono stati valutati l'efficacia del modello SARIMA (Seasonal Autoregressive Integrated Moving Average) e dell'iTransformer, un modello di deep learning all'avanguardia progettato per la previsione multivariata. I risultati evidenziano il potenziale di modelli globali di deep learning come iTransformer nel catturare dipendenze temporali e inter-variabili complesse, superando significativamente SARIMA in scalabilità e generalizzazione su dati non visti. I risultati sottolineano il ruolo critico dell'architettura del modello e dei paradigmi di addestramento nell'affrontare sfide quali la scarsità di dati e l'alta variabilità degli indicatori di prestazione delle reti cellulari. Sebbene SARIMA abbia dimostrato punti di forza in termini di semplicità e interpretabilità per serie temporali individuali, le sue limitazioni in scalabilità e gestione di pattern non lineari evidenziano i vantaggi dei meccanismi avanzati dell'iTransformer, inclusa la tokenizzazione delle variabili e l'apprendimento basato sull'attenzione. Ricerche future dovrebbero esplorare modelli ibridi, una maggiore interpretabilità degli approcci di deep learning e dataset più ampi comprendenti metriche di prestazione del 5G. Questo lavoro contribuisce all'evoluzione continua della gestione proattiva delle reti e dei sistemi di previsione intelligenti nelle telecomunicazioni.