台湾用户的网路使用量在全球名列前茅，经常会发生网路流量需求大增的情况，如何进行最有效的调度并优化网路，正是关键。

远传运用微软AI技术精准预测特定时段流量高峰，不仅需确保预测偏差值稍微高於峰值，使流量配置有适当的冗馀，但预测峰值也不宜过高，以免造成频宽资源浪费。

台湾电信商远传致力为使用者提供多元、丰富的优质体验和创新应用服务。因此已在2018年加入微软亚洲研究院「创新汇」，成为微软长期的AI战略合作夥伴，其中一个重要目标，更精准地提前掌握网路用量，优化流量调度，期??透过双方的紧密合作，让双方的创新研发能力与产业经验形成优势互补。

微软表示，双方合作的重要成果之一，包含共同研发的AI网路流量预测模型，可以精准预测未来一周中每15分钟内核心基地台、二级基地台以及OTT服务的流量，建立网路流量的智慧动态配置。

加入微软亚洲研究院创新汇以後，远传电信开始收集公司各部门的痛点，并与微软亚洲研究院一起进行智慧流量预测研究，希??设计智慧流量预测模型，可以预测核心基地台、二级基地台的流量，以及每个基地台上Top100网站等OTT服务的流量。

由於不同地区使用者的喜好不同，基地台位置也不同，使得每个基地台的流量因使用者的偏好，存在相当大的差异。有了AI流量预测模型，就可以有效判断网路使用者的上网行为，预测出某一地区、某一时段的使用者可能使用的应用服务，进而将使用者喜欢的内容排序到距离最近的网路节点上，甚至将使用者常用的应用程式部署在靠近使用者一端的节点上，大幅降低网路延迟的问题，提升用户体验。

此外，智慧流量预测也能为远传电信5G基地台选址提供更精准的依据。传统的预测模型只能针对核心基地台进行线性的全流量预测，只有少数第三方的开源软体可以针对具体的网路应用流量进行预测，但准确度不高，无法提供有效的预测。

微软亚洲研究院??院长刘铁岩博士表示：「对於AI来说，做预测恰恰是它的强项。近年来微软亚洲研究院透过『创新汇』专案与业界领军企业合作，在金融、物流、医疗等领域都发挥出了AI的巨大潜能。我们相信，AI也一定能够在优化电信网路、智能预测流量、提升电信服务性能等方面发挥独特作用，成为电信领域的核心技术。」

突破流量预测四大挑战

经过4个多月的努力，双方合作研究的AI流量预测模型效果显着： 核心基地台的EPG总流量预测准确率达99%；二级基地台的eNB总流量预测准确率达90.5%；针对Top100网站等OTT服务流量预测准确率达74%；可精准预测未来一周每15分钟内的流量。

微软亚洲研究院首席研究经理边江博士表示，针对实体的网路环境，研究员们从四个方面突破挑战，透过AI技术大大提升了不同层级基地台上，不同服务的流量预测准确率。

1. 创新神经网路实现超长序列建模

流量趋势具有明显的周期性，以天、周或月来计算，并在某个时间点时，某个应用服务会出现高峰，因此长时间序列模型的训练更容易找到其中的规律。由於传统的统计方法不能有效利用较长时间的数据，对此，微软亚洲研究院采用了跨层连结的扩张??圈神经网路(Dilated RNN + Skip Connections)，对局部数据进行跳跃式选取，确保模型可以利用长时间数据进行建模。

2. 流量峰值预测，把握分寸最重要

为了达到最好的效果，AI技术不仅需要精准预测出某段时间流量高峰，还要确保预测的偏差值要稍微高於峰值，让流量配置有适当的冗馀，但预测峰值也不宜过高，以免造成频宽资源浪费。研究员们采用了两个函数来确保预测偏差值处於最隹状态，一个确保整体预测的准确度，另一个针对实际应用环境，将峰值适当向上偏移。在不同的网路环境下，两个函数进行加权组合，确保相对应的场景下达最合适的预测准确率。

3. 数据抖动和杂讯声需正则化处理

不同基地台上不同服务的属性差别相当大，例如大城市需要经常造访海外搜寻网站，小城市对影片、游戏类应用的需求较大，不同属性的流量数据存在巨大差异，有着较大的抖动和杂讯，而且部分资料的比例缺失，不利於模型学习。因此，微软亚洲研究院针对不同基地台节点和服务的数据进行正则化处理，使得在不同时间点训练模型时，数据都可以在相对一致的分布区间，确保模型在不同时间、不同信号上都能做到更加精确的学习。

4. AI技术与产业洞察相结合，更精准

基於远传电信工程师的丰富经验，双方建立了一个知识库，与多层次智慧预测模型结合使用。例如维运人员会有些常规经验总结，类似A应用一般在中午12点左右出现流量高峰、B搜索网站的峰值可能会是晚上7、8点等，产业洞察和经验累积与预测模型动态相互加权，更加确保整体流量预测的准确率。