面向AIoT蜂窝网络中高效移动流量预测的边缘自适应动态时空图学习

《Internet of Things》：Edge-Adaptive Dynamic Spatiotemporal Graph Learning for Efficient Mobile Traffic Prediction in AIoT Cellular Networks

　　

摘要

准确的移动流量预测对于AIoT使能的蜂窝网络中的智能资源管理和低延迟服务提供至关重要。然而，现有的时空图神经网络通常依赖于静态图结构和计算密集型架构，这限制了其对动态无线交互的适应能力和在资源受限边缘环境中的部署效率。为了解决这些挑战，本文提出了一种边缘自适应动态时空图智能（EA-DSGI）框架，该框架在统一架构中实现了动态拓扑学习、轻量级时空表示建模和面向部署的推理优化。其核心洞察在于：自适应稀疏化图传播并将计算集中在快速演变的流量区域，可以在保持预测保真度的同时抑制计算冗余。具体而言，开发了一种混合动态拓扑学习策略，以同时捕获持久性结构依赖关系和瞬态无线波动。此外，轻量级时空图学习（LSGL）模块通过多尺度时间卷积和图感知记忆传播，高效地建模了长程时间依赖关系和不断演化的空间相关性。此外，自适应计算调度和选择性节点传播将计算资源分配给动态演变的流量区域，从而提高了推理效率。在异构的3G/4G/LTE/5G蜂窝数据集上的大量实验表明，EA-DSGI始终优于代表性基线方法。特别地，与代表性基于图的基线方法相比，EA-DSGI的平均绝对误差（MAE）降低多达12.9%，推理速度提升9.2倍，模型参数减少超过80%，浮点运算次数（FLOPs）降低多达93.3%，能耗降低约30.5%。在多种预测时间窗口、高斯噪声扰动以及原始未平滑数据集上的额外评估进一步证明了所提框架的鲁棒性和泛化能力。

引言

人工智能物联网（AIoT）系统和下一代蜂窝网络的快速发展，导致了由自动驾驶、扩展现实（XR）和边缘AI服务等新兴应用驱动的日益动态和异构的移动流量模式[1]。因此，准确的移动流量预测对于智能无线基础设施中的主动资源分配、自适应服务编排、拥塞缓解和低延迟边缘计算[2]变得至关重要。

与传统的以云为中心的架构[3]不同，现代AIoT系统越来越依赖于分布式边缘智能，同时在严格的延迟、带宽、能源和计算约束下运行[4]。与此同时，由于用户移动性、异构基础设施部署、无线干扰和时变服务需求等原因[5]，移动流量表现出高度动态的时空特征。这些因素不断重塑网络交互关系，并显著增加了AIoT使能的蜂窝环境中可扩展实时流量预测的复杂性。

传统的流量预测方法[6]、[7]、[8]主要依赖于线性和平稳性假设，因此在建模现实世界移动流量的非线性和非平稳动态特征方面能力有限。LSTM、GRU和基于Transformer的深度学习模型[9]、[10]、[11]通过循环记忆和自注意力机制改进了时间依赖关系的学习。然而，这些方法主要关注时间演化，通常忽略了异构网络实体之间动态演化的空间交互。

为了联合建模空间和時間依赖关系，时空图神经网络（STGNNs）[12]、[13]、[14]、[15]、[16]作为移动流量预测的有效范式应运而生。通过将基于图的空间建模与时间学习机制相结合，STGNNs显著提高了对图结构流量数据的预测能力。然而，现有的STGNN框架在大规模AIoT边缘环境中仍面临若干挑战，包括动态拓扑自适应、高效的长程时间建模以及面向部署的推理优化。

为了解决这些挑战，本文提出了一种边缘自适应动态时空图智能框架（EA-DSGI），用于AIoT使能的蜂窝网络中的可扩展和高效的移动流量预测。所提出的框架在统一的边缘智能架构中联合集成了动态拓扑学习、轻量级时空建模和面向部署的优化。

具体而言，为应对动态演化的无线交互[17]，EA-DSGI引入了一种混合动态拓扑学习机制，该机制将无线质量指标与自适应图稀疏化相结合，以捕获时变空间依赖关系，同时减少图传播复杂度。为在有限计算预算下改善长程时间依赖关系建模[18]，设计了一个轻量级时空图学习（LSGL）模块，该模块集成了空间边缘注意力（SEA）、膨胀Inception时间卷积（DI-TCN）以及基于GraphGRU的动态传播（GRU-DP）。此外，为支持高效的边缘部署[19]，纳入了面向部署的优化策略，包括自适应计算调度和选择性节点传播，以降低资源受限的AIoT环境中的推理延迟、计算开销和能耗。

在真实的多代蜂窝流量数据集上的实验结果表明，在动态流量条件和边缘部署约束下，与代表性基线方法相比，EA-DSGI在预测精度、鲁棒性和部署效率方面均表现卓越。

本工作的主要贡献总结如下：

• •
  我们提出了EA-DSGI，一种统一的边缘自适应时空图智能框架，用于AIoT使能的蜂窝网络中的可扩展移动流量预测。
• •
  为应对动态演化的无线交互，我们开发了一种具有自适应图稀疏化的混合动态拓扑学习机制，以捕获时变空间依赖关系，同时减少图传播开销。
• •
  为提高长程时空依赖关系学习效率，我们设计了一个轻量级时空图学习（LSGL）模块，集成了空间边缘注意力（SEA）、DI-TCN时间建模以及基于GraphGRU的动态传播（GRU-DP）。
• •
  为提高资源受限边缘环境中的部署效率，我们引入了面向部署的优化策略，包括自适应计算调度和选择性节点传播，以实现低延迟和节能推理。
• •
  在异构的3G/4G/LTE/5G数据集上的大量实验表明，与代表性基线方法相比，EA-DSGI在预测性能、鲁棒性、可扩展性和部署效率方面均表现卓越。

章节片段

相关工作

AIoT、边缘智能和图神经网络领域的最新进展在很大程度上推动了异构蜂窝系统的移动流量预测。现有研究主要集中在时间流量预测、时空图学习和面向边缘的图智能优化方面。

问题定义

为保持符号一致性，EA-DSGI框架中使用的图表示方法在表1中按层次进行了定义。

EA-DSGI架构

为应对动态无线交互、长程流量演化和边缘部署约束之间的不匹配问题，EA-DSGI被设计为一个分层边缘智能时空学习框架。如图1所示，该框架联合集成了：

• •
  多源AIoT遥测数据生成与对齐
• •
  动态拓扑学习与自适应稀疏化
• •
  轻量级时空图学习
• •
  面向部署的推理优化

数据集描述

实验在两个公开可用的蜂窝网络数据集上进行，用于AIoT流量预测和边缘智能评估[60]、[61]。如表2所示，两个数据集相辅相成，分别代表了真实世界无线测量和大规模合成网络场景。第一个数据集由在多样流量和移动性条件下采集的真实3G、4G、LTE和5G蜂窝测量数据组成。根据官方数据集文档，

结论

本文提出了EA-DSGI，一种用于AIoT使能的蜂窝网络中高效移动流量预测的边缘自适应时空图学习框架。通过集成动态拓扑学习、轻量级时空建模和面向部署的优化，所提出的框架提高了动态无线环境下的预测鲁棒性和推理效率。在异构的3G/4G/LTE/5G数据集上的实验结果表明，EA-DSGI始终

CRediT作者贡献声明

潘瑞峰：撰写——初稿、可视化、软件、方法论。王春：撰写——审阅与编辑、可视化、验证、调查研究。赵南：撰写——审阅与编辑、验证。王安旭：撰写——审阅与编辑、资源。马志刚：撰写——审阅与编辑。

利益冲突声明

作者声明他们不存在已知的可能影响本文所述工作的竞争性经济利益或个人关系。

潘瑞峰 | 王春 | 赵南 | 王安旭 | 马志刚

澳门城市大学数据科学学院，中国澳门，999078