Разработка и оценка адаптивных методов повышения точности краткосрочных прогнозов нагрузок в инфокоммуникационных сетях с учётом долгосрочных трендов
Аннотация
В статье представлена гибридная модель прогнозирования нагрузки в телекоммуникационных сетях, объединяющая статистический метод SARIMA и нейросетевую архитектуру LSTM. Актуальность работы обусловлена стремительным ростом сетевого трафика — в том числе за счёт распространения IoT‑устройств и развёртывания сетей 5G/6G — и необходимостью точно прогнозировать нагрузку для обеспечения качества обслуживания (QoS) и оптимизации ресурсов.
Существующие подходы имеют ограничения: классические модели типа ARIMA и SARIMA слабо учитывают нелинейные зависимости и резкие изменения трафика, тогда как нейросетевые методы (LSTM, GRU) требуют значительных вычислительных ресурсов и регулярного переобучения. Предложенная гибридная модель преодолевает эти недостатки за счёт разделения задач: SARIMA выделяет линейные компоненты (тренд и сезонность), а LSTM обрабатывает остатки и внешние признаки (время суток, день недели и др.), улавливая нелинейные паттерны. Дополнительно разработан алгоритм динамической рекалибровки, сокращающий время реакции системы на 30–40 % при резких изменениях трафика.
Экспериментальная проверка выполнена на реальных данных операторов связи с использованием метрик MAE, RMSE, MAPE и SMAPE. Результаты показали существенное повышение точности: по сравнению с базовой SARIMA улучшение составило 28,9 % по MAE, 28,7 % по RMSE и 29,9 % по MAPE; относительно одиночной LSTM — 19,5 % по MAE, 21,5 % по RMSE и 19,9 % по MAPE. Статистическая значимость различий подтверждена t‑тестом Стьюдента (p < 0,01), а эффект размера (Cohen’s d) достиг 1,42 (vs. SARIMA) и 0,98 (vs. LSTM).
Модель демонстрирует баланс между интерпретируемостью, гибкостью и устойчивостью. Её ключевые преимущества — чёткое разделение компонентов временного ряда, возможность включения внешних признаков и повышенная устойчивость к выбросам. Вместе с тем сохраняются ограничения: высокая вычислительная сложность, чувствительность к гиперпараметрам и зависимость от качества входных данных.
Практическая значимость заключается в возможности интеграции модели в системы управления сетями (в том числе SDN и NFV). Это позволит оптимизировать распределение ресурсов, предотвращать перегрузки, гарантировать заданный уровень QoS и снижать операционные затраты операторов связи. Таким образом, предложенный гибридный метод отвечает современным вызовам управления инфокоммуникационными сетями, сочетая сильные стороны статистических и нейросетевых подходов.
