A Deep Learning Approach to Downlink User Throughput Prediction in Cellular Networks

A majority of the global population subscribe to mobile networks, also knownas cellular networks. Thus, optimizing mobile traffic would bring benefits tomany people. The available downlink user throughput in cellular networks issubject to heavy fluctuations, which leads to inefficient use of network capacity.The underlying network protocols address this issue by making use of adaptivecontent delivery strategies. An example of such a strategy is to maximizethe video stream resolution with respect to the available bandwidth. However,the currently dominating solutions are reactive and hence take time to adaptto bandwidth changes. In this work, a deep learning framework for downlinkuser throughput prediction is proposed. Accurate throughput predictors couldprovide information about the future downlink bandwidth to the underlyingprotocols that would let them become proactive in their decision making andadapt faster to resource changes. The models are trained with novel loss functionsthat capture the di↵erent costs of overestimation and underestimation.They are based on feedfordward and long short term memory networks andachieve up to 79.4% accuracy.En majoritet av världens befolkning innehar ett abonemang för mobilnätverk.Det innebär att optimering av mobildataflöden skulle gynna ett stort antal personer världen över. Användarens mobila nedlänksbandbredd är föremål för kraftiga svängningar, vilket försvårar utnyttjandet av moilnätverkens fulla kapacitet. De underliggande protokollen hanterar detta genom att använda adaptiva leveransstrategier av det innehåll som användaren efterfrågar. Ett exempel på en sådan strategi kan vara att anpassa upplösningen av en streamad video efter den tillgängliga bandbredden. De vanligaste protokollen tar dock beslut baserat på användarbandbredden i tidigare tidssteg, vilket gör beslutsprocessen reaktiv och därmed långsam i att anpassa sig till förändringar. I detta arbete presenteras djupinlärningsmodeller som har tränats till att förutspå användarens nedlänksbandbredd. Med hjälp av precisa bandbreddsprediktioner kan protokollen istället bli proaktiva i sin beslutsprocess och därmed anpassa sin leveransstrategi snabbare. Modellerna är tränade med skräddarsydda förlust-funktioner som speglar de olika e↵ekterna av överskattning respektive underskattning av bandbredden. De är av typerna feedforward samt long short term memory och uppnår en trä↵säkerhet i sina prediktioner .4%