链式思考推理增强 LLM 基于移动流量预测的上下文学习
网络与互联网体系结构
2026-05-12 v1
摘要
准确的短期移动流量预测对于主动资源分配和低延迟网络管理在第五代(5G)和第六代(6G)网络中至关重要。虽然大型语言模型(LLM)能够进行无需任务特定再训练的上下文学习(ICL),但朴素的 ICL 提示在流量动态快速变化时可能遭受数值不稳定和有限时序推理。本文提出了一种链式思考(CoT)增强的 LLM 移动流量预测框架,分为两个阶段:(i) 离线阶段通过基于计划的 CoT(PCoT)管道(讲座、计划、论证)生成结构化 CoT 演示; (ii) 在线阶段通过考虑历史吞吐量模式及其短期变化的相似性策略检索最相关的演示,实现接近实时的预测。我们使用包括驾驶和静态场景的真实 5G 测量数据集进行评估。我们的Numerical结果显示,与 2-shot ICL-LLM 和经典基线相比,本文提出的 2-shot CoT-LLM 在平均绝对误差(MAE)、均方根误差(RMSE)和 R2-score 上分别提高最高可达 14.88%、15.03%和 22.41%。此外,通过优化上下文示例的数量,我们在 MAE、RMSE 和 R2-score 上分别实现了额外提升 4.58%、5.70%和 4.85%。
引用
@article{arxiv.2605.09260,
title = {Chain-of-Thought Reasoning Enhances In-Context Learning for LLM-Based Mobile Traffic Prediction},
author = {MohammadMahdi Ghadaksaz and Mohammad Farzanullah and Akram Bin Sediq and Ali Afana and Melike Erol-Kantarci},
journal= {arXiv preprint arXiv:2605.09260},
year = {2026}
}