马学森,陈树友,许向东,储昭坤
(1.合肥工业大学计算机与信息学院,安徽 合肥 230601;2.中国电信股份有限公司研究院,广东 广州 510630)
根据思科2020年的统计[1],视频流量占据了整个网络流量的 80%。在传统网络架构中,用户的访问请求需要经过基站的接入、核心网的访问以及冗长的链路回传才能完成,频繁的用户请求容易造成核心网络的拥塞[2]。将热点视频在边缘侧进行缓存,一方面可以减少纵向流量,另一方面还能降低时延,提升用户体验[3]。
其中,各类视频门户网站的电视剧播放量又占据了绝大部分的视频流量,并且电视剧通常周期性地更新剧集。为了减少中心节点与边缘节点内容的反复迁移,将未来一个星期内流行度较高的视频放入缓存更有价值,因此对视频流行度进行准确的中长期预测成为急需解决的问题[4]。
传统的视频流行度预测模型大致分为两类:一类是以线性回归与自回归模型为代表的时间序列预测模型,参考文献[5-7]基于历史流行度构建回归预测模型,此类模型虽然训练简单,但非线性映射能力差,很难捕捉流行度的动态变化,并且无法保留时间序列上的信息依赖,随着时间步长的增加会逐渐失去对数据的学习能力,在中长期预测中表现不佳。另一类是基于特征提取与用户聚类的有监督学习方法来加强预测效果[8-9],此类方法在一定程度上提高了模型的预测精度,但由于引入过多的外部变量,导致模型复杂度较高,极大地增加了模型的训练难度,不适用于实际应用场景。……