Workflow
移动网络流量预测
icon
搜索文档
KDD 2025 | UoMo来了,首个无线网络流量预测模型,一个框架搞定三类任务
机器之心· 2025-08-18 05:15
移动网络流量预测模型UoMo - 清华大学电子系团队联合中国移动发布全球首个面向移动网络的通用流量预测模型UoMo,结合扩散模型与Transformer结构,支持短期预测、长期预测及无历史数据生成任务[2][7][13] - UoMo通过数据词元化将异构时空流量统一为token序列,采用掩码-复原的自监督训练范式,定义短期掩码、长期掩码、生成掩码、随机掩码四种策略[9][15] - 模型骨干网络结合扩散模型建模复杂时空分布与Transformer学习序列相关性,训练目标为最小化掩码部分的MSE损失[13][14] 技术架构与创新 - 统一框架下支持三类任务:短期预测(资源分配、用户接入控制)、长期预测(基站节能、容量扩展)、生成任务(频段规划、小区选址)[7][11] - 引入城市环境微调模块,整合移动用户数时空序列与15类POI分布数据,通过对比学习实现环境信息对齐[19][21] - 采用环境感知的损失函数优化,理论分析显示其等价于对比学习中的InfoNCE目标[17][21] 实验验证与性能 - 在9座城市真实数据集测试中,UoMo的RMSE和MAE指标全面优于12种基线模型,平均改进幅度达11%-31%[20][22] - 北京5G数据集上RMSE 0.1035(比次优模型低27.41%),上海4G数据MAE 0.0679(改进11.35%)[22] - 零样本/小样本学习能力突出,5%数据训练后预测误差接近全量数据训练效果[26] 应用场景与部署 - 形成"预测-优化-验证"闭环:基于预测流量输出基站选址、资源分配、休眠控制策略,经真实网络验证覆盖/吞吐/时延指标[28][30] - 已应用于中国移动5G网络优化,覆盖4000+基站(北京)、6000+基站(南京)等大规模场景[19][20] - 可视化结果显示预测数据能准确还原真实流量波动模式,具备工程实用价值[24] 数据与模型可用性 - 论文发表于ACM KDD 2025,数据集包含北京/上海/南京等城市4G/5G流量数据,时间粒度15分钟至1小时[4][19] - 开源代码及模型发布于GitHub仓库,包含预训练权重与微调接口[4] - POI数据覆盖居住、娱乐、交通等15个类别,通过公开地图服务获取[19][20]