物联网设备扩散驱动的移动网络业务平面容量预测建模——基于创新扩散曲线与随机It?过程的不确定性量化方法

《Forecasting》：From Adoption Diffusion to Dimensioning: Probabilistic Forecasting of 5G/NB-IoT Demand via Monte Carlo Uncertainty Propagation Nikolaos Kanellos, Dimitrios Katsianis and Dimitris Varoutas

　　

研究人员提出一种结合创新扩散曲线（Innovation Diffusion Curve；S?curve family：Bass Model、Logistic Model、Gompertz Model）与随机It?过程（It? Process）的结构化框架，用于将异构物联网（IoT）设备类别的采用动态转化为移动网络用户平面（User?Plane）聚合流量需求Dt（bits/month或转换为bits/s），并通过情景压力测试与K次蒙特卡洛（Monte Carlo）轨迹量化预测不确定性。各类别c在月份t的设备数Nc,t由扩散模型fM(t;θc,mc)给出（M∈{Bass, Logistic, Gompertz}），每设备行为由消息率rc,t（messages/device/month）、载荷大小sc（bits/message）、活跃比例ac,t∈[0,1]及突发因子bc,t≥1描述，聚合需求为Dt=∑cNc,t·ac,t·rc,t·sc·bc,t，可选信令负载St=∑cNc,t·ac,t·ec,t。扩散轨迹拟合采用AIC（Akaike Information Criterion）准则选模，残差创新项经Shapiro–Wilk检验正态性后，以漂移等于S曲线隐含增长率、波动率σc源于残差校准的It?过程dAc,t=μ(Ac,t,t)dt+σ(Ac,t,t)dWt引入随机扰动，波动率取三角分布有界扰动（±10%）。慢变结构输入（θc, mc, σc）作轨迹级抽样，用量变输入（rc,t, ac,t, bc,t, ec,t）作月/类别级抽样，最终经忙时折算因子κBH（Busy?Hour factor）得工程维度输入。研究人员指出该结果为区域/骨干层聚合规划依据，非单小区调度KPI，信令/控制平面维度可作为工程扩展。

论文解读——《Forecasting》刊载：物联网设备扩散驱动的移动网络容量预测与不确定性量化

一、研究背景与动机

随着大规模物联网（IoT/IoE——Internet of Everything）设备按类别（如智能电表、可穿戴设备、工业传感器等）差异化进入市场，移动网络（含5G/蜂窝IoT）的中长期用户平面容量规划面临两大困难：一是各类别设备的市场采纳（adoption）随时间呈S形非线性扩散且饱和水平（market potential m_c）与扩散速度因类别而异，历史线性外推严重失真；二是同类别内每设备流量特征（消息频率、报文大小、活跃比、突发性）存在显著不确定性，且采纳过程本身受宏观因素扰动。现有网络容量工程多依赖静态峰值假设或缺乏系统性不确定性传播的采纳模型。为此，研究人员建立一套将类别特定创新扩散动力学（Innovation Diffusion Dynamics）与每设备流量画像耦合、并可通过随机扩散与情景应力测试传播不确定性的聚合业务平面容量预测框架，服务于区域RAN（Radio Access Network）余量评估、回传/传输配置及国家级/区域级需求筛查。

二、主要关键技术方法概述

研究人员选取英国（GB——Great Britain）为案例区域，按设备类别c划分（如智能计量、消费IoT等），以历史采纳数据拟合三类S曲线族模型 f_M∈{Bass Model、Logistic Model、Gompertz Model}，由AIC最小选出最优M，参数θ_c（扩散系数等）与饱和规模m_c经非线性最小二乘或MLE估计；残差经Shapiro–Wilk验证正态后，建It?扩散 dA_c,t=μ(A_c,t,t)dt+σ(A_c,t,t)dW_t，漂移μ来自拟合曲线逐点导数近似，σ_c由去漂移残差标准差标定并施三角分布±10%扰动；每设备参量(r_c,t, s_c, a_c,t, b_c,t, 可选e_c,t)取自运营商测量或规范假设分布；聚合流量 D_t=∑_cN_c,t·a_c,t·r_c,t·s_c·b_c,t转bits/month后经忙时因子 κ_BH得bits/s均值等效；不确定性经K条蒙特卡洛轨迹传播，结合情景变动(m_c上下限、扩散速度乘数μ_g,c/μ_m,c)给出预测区间。

三、研究结果（按论文章节）

2.2. Adoption/Diffusion Modelling and Aggregate Traffic Formulation（采纳/扩散建模与聚合流量构造）

研究人员用类别专属S曲线A_c,t=f_M(t;θ_c,m_c)描述累积采纳数N_c,t=A_c,t，模型M由Bass、Logistic、Gompertz中按AIC择优选定。为表征拟合曲线周围残余不确定性，引入It?过程 dA_c,t=μ(A_c,t,t)dt+σ(A_c,t,t)dW_t，其中漂移μ为拟合S曲线隐含瞬时增长率，σ_c由拟合残差（residual innovations）校准并经Shapiro–Wilk检验正态性，波动率取有界三角分布扰动（±10%）。每设备行为由r_c,t（消息率）、s_c（载荷大小bits/msg）、a_c,t∈[0,1]（活跃/承载比例）、b_c,t≥1（突发因子）刻画，可选e_c,t为信令事件率。聚合用户平面负载 D_t=∑_cN_c,t·a_c,t·r_c,t·s_c·b_c,t（bits/month），转均值速率除秒数得bits/s；信令代理 S_t=∑_cN_c,t·a_c,t·e_c,t（events/month）。D_t解释为规划区域聚合用户平面提供负载（offered user?plane load），适用于高层聚合RAN余量、传输/回传配置及区域/核心网需求筛查，不直接对应小区级调度；忙时折算引入κ_BH（Busy?Hour factor），再按部署假设分配至小区/站点/链路。结论：该公式化体系可将异类IoT采纳动态与每设备流量画像统一映射至工程可解释的容量需求指标。

2.3. Uncertainty Introduction and Quantification（不确定性引入与量化）

研究人员区分慢变/结构性输入（θ_c, m_c, 扩散波动率σ_c——作轨迹级抽样）与用量变输入（r_c,t, a_c,t, b_c,t, e_c,t——作月/类别级抽样），s_c视作固定或窄分布。情景机制通过饱和锚m_c高低值与扩散速度乘数μ_g,c、μ_m,c应力测试扩散形态；It?不确定性组件仅调σ_c变化。采纳数理解为活跃基数（active subscriptions/base），不强制单调，非负约束保证，可选上界截断于m_c作稳健性检查。预测不确定性经K条蒙特卡洛轨迹传播，每条轨迹k给出{A_c,t^(k)}、{D_t^(k)}及可选{S_t^(k)}，输出分位数区间与期望值。结论：分层不确定性建模兼顾结构扩散不确定与微观用量波动，配合情景分析可有效量化中长期IoT容量预测的可信区间。

四、讨论与结论（翻译浓缩）

研究人员得出结论：所提出的框架通过将类别特异性创新扩散模型（Bass/Logistic/Gompertz S?curve）与基于残差校准的It?随机扩散及每设备流量参数分布相结合，能够把异质IoT设备市场采纳动态系统地转化为具不确定性界定的聚合用户平面容量需求D_t；模型选择依AIC进行，扩散不确定性以漂移—波动率结构引入并由三角分布有界扰动表示，用量侧不确定性通过类别—月份级随机变量实现，整体经蒙特卡洛模拟传播。该方法的输出应解释为区域/聚合层面的规划需求（aggregate planning requirements）而非单基站或小区级工程KPI，需经忙时因子κ_BH映射后方可用作具体网络层（RAN、传输或核心）维度输入；信令与控平面维度可单独按S_t扩展。研究意义在于为移动网络运营商及规划者在IoT大规模渗透背景下提供了兼具扩散理论依据与不确定性量化的容量预见工具，填补了传统静态峰值法与缺乏采纳动力学的流量预测之间的空白。