EMForecaster：面向无线网络中基于深度学习的时间序列预测框架，分布无关不确定性量化
机器学习
2025-04-02 v1
摘要
随着无线技术的近期发展，预测电磁场（EMF）暴露水平变得至关重要，以实现主动网络频谱和功率分配，以及网络部署规划。本文开发了一个称为EMForecaster的深度学习（DL）时间序列预测框架。该方法采用分块技术处理多个尺度的时序模式，辅以可逆实例归一化和沿时维和分块维度的混合操作以实现高效特征提取。我们将EMForecaster增强为一种分布无关的保守预测机制，以增强模型预测的可信度，通过对预测的不确定性量化。该保守预测机制确保真实值位于置信区间内，目标错误率为，其中称为覆盖率。然而，存在权衡，因为提高覆盖率往往会导致更宽的置信区间。为解决这一挑战，我们提出一种新指标，即“权衡得分”（Trade-off Score），在预测可信度（即覆盖率）和置信区间宽度之间进行平衡。我们的实验表明，EMForecaster在各种EMF数据集上表现卓越，涵盖短期和长期预测时程。在点预测任务中，EMForecaster显著优于当前的深度学习SOTA方法，相较于Transformer架构提升53.97%，相较于所有基线模型的平均值提升38.44%。EMForecaster在保守预测中的覆盖率与置信区间宽度之间也表现出色，由权衡得分衡量，相较于基线平均值提升24.73%，相较于Transformer架构提升49.17%。
关键词
引用
@article{arxiv.2504.00120,
title = {EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification},
author = {Xavier Mootoo and Hina Tabassum and Luca Chiaraviglio},
journal= {arXiv preprint arXiv:2504.00120},
year = {2025}
}