CellMem：记忆引导的自适应时空网络用于城市级蜂窝流量预测

《Scientific Reports》：Memory guided adaptive spatiotemporal forecasting for city level cellular traffic

　　

摘要

准确预测城市级蜂窝网络流量对于下一代移动网络中的主动资源分配、拥塞避免和服务质量管理至关重要，这包括在向 IPv6 持续演进的过程中。现有的时空预测方法面临两个局限性：基于图的方法依赖于预定义或静态学习的邻接结构，这可能无法充分反映随时间变化的小区间依赖关系；大多数架构缺乏明确的机制来编码全局网络范围和局部小区粒度上的重复流量模式。为了解决这些局限性，我们提出了 CellMem，一种记忆引导的自适应时空网络，该网络结合了 DLinear 骨干网络、双分支原型记忆、原型驱动的动态图和原型感知的门控残差。其核心创新在于端到端共享的 \(\mathscr {W}_g\) 耦合：相同的全局原型注意力权重检索模式特定的校正特征，并将可学习的低秩子图混合成样本特定的邻接矩阵。在米兰 Telecom Italia 数据集的单步超前预测任务中，CellMem 将互联网 RMSE 从 \(155.17 \pm 1.68\) (SA-GCN) 降低到 \(143.05 \pm 0.57\)，并将 \(R^2\) 从 0.9579 提高到 0.9642，在短信和通话流量上也取得了一致的提升。源代码可在 https://doi.org/10.5281/zenodo.21835202 获取。