BERTO：基于自然语言算子偏好的意图驱动网络时间序列预测
机器学习
2026-05-20 v2
摘要
传统的蜂窝网络流量预测模型针对对称误差最小化进行优化，对转移运营优先级缺乏敏感性。为弥合这一差距，我们引入 BERTO，一个基于 BERT 的框架，用于蜂窝网络的流量预测和能源优化。建立在变换器架构之上，BERTO 能够实现高预测精度，同时通过自然语言算子提示，使单个微调模型能够跨越多个预测情景。通过将平衡损失函数（Balancing Loss Function, BLF）与提示条件相结合，BERTO 能够根据运营商在功率节省与服务质量之间的所需权衡，适应性地偏向预测不足或预测过度。这使得该模型能够在无需重新训练或修改模型参数的情况下，动态生成不同的决策感知预测。在真实数据集上的实验表明，BERTO 能够在约 1.4 kW 的功率消耗范围内灵活运行，同时平衡 9 倍的服务水平协议（SLA）违规变化，非常适用于智能 RAN 部署。
引用
@article{arxiv.2512.05721,
title = {BERTO: Intent-Driven Network Time Series Forecasting via Natural Language Operator Preferences},
author = {Nitin Priyadarshini Shankar and Vaibhav Singh and Sheetal Kalyani and Christian Maciocco},
journal= {arXiv preprint arXiv:2512.05721},
year = {2026}
}
备注
7 pages, 3 figures, 2 tables