Predicción de tráfico de red usando arquitecturas neuronales avanzadas

Abstract

La predicción del tráfico de red es una actividad de gran relevancia en el ámbito de las telecomunicaciones, ya que permite anticipar patrones de congestión, mejorar la planificación de infraestructuras y la distribución eficiente de los recursos disponibles, entre otras cosas. Dicha predicción puede ser abordada como un problema de series temporales. En este trabajo se estudian y comparan el rendimiento de la predicción de tráfico de red de distintas arquitecturas de redes neuronales que se consideran adecuadas para la predicción de series temporales: Long Short-Term Memory (LSTM) y su evolución reciente, Extended Long Short-Term Memory (xLSTM) junto con otras arquitecturas avanzadas. Todos los modelos fueron entrenados adaptando su estructura a las características de los datos de entrada. Una vez completado el entrenamiento, se llevó a cabo un análisis comparativo centrado especialmente en el rendimiento, la precisión y complejidad computacional de cada modelo. En el caso de xLSTM y LSTM, se exploraron diferentes configuraciones con el objetivo de contrastar los resultados obtenidos. Además, para realizar un estudio más completo, se incluyen en el análisis otras arquitecturas avanzadas como Time-series Dense Encoder (TiDE), Neural Basis Expansion Analysis for Interpretable Time Series Forecasting (N-BEATS), Transformadores de Fusión Temporal (TFT), Interpolación Jerárquica Neuronal para la Predicción de Series Temporales (NHiTS) y Redes Convolucionales Temporales (TCN). Los resultados muestran un gran rendimiento por parte de TiDE y MLP, además son arquitecturas con poca carga computacional lo que es muy favorable para nuestro problema, la predicción de píxeles. Sin embargo, los resultados no ofrecen una primera aproximación exploratoria, dado que no se han obtenido bajo condiciones homogéneas. Para obtener conclusiones más certeras sería necesario repetir los experimentos bajo un marco experimental uniforme.

Network traffic prediction is a highly relevant task in the field of telecommunications, as it enables the anticipation of congestion patterns, improved infrastructure planning, and efficient allocation of available resources, among other benefits. This type of prediction can be approached as a time series problem. In this work, we study and compare the performance of various neural network architectures considered suitable for time series forecasting: Long Short-Term Memory (LSTM), its recent evolution Extended Long Short-Term Memory (xLSTM), and other advanced architectures. All models were trained by adapting their structure to the characteristics of the input data. Once training was completed, a comparative analysis was conducted, focusing particularly on performance, accuracy, and computational complexity. In the case of xLSTM and LSTM, various configurations were explored in order to contrast the results obtained. Furthermore, to carry out a more comprehensive study, the analysis includes other advanced architectures such as Time-series Dense Encoder (TiDE), Neural Basis Expansion Analysis for Interpretable Time Series Forecasting (N-BEATS), Temporal Fusion Transformers (TFT), Neural Hierarchical Interpolation for Time Series Forecasting (N-HiTS), and Temporal Convolutional Networks (TCN). The results show strong performance from TiDE and MLP, and both are architectures with low computational load, which is highly favorable for our problem—pixel prediction. However, the results do not provide an initial exploratory approximation, as they were not obtained under homogeneous conditions. To draw more reliable conclusions, it would be necessary to repeat the experiments within a consistent experimental framework.