利用xLSTM增强时空网络：一种用于蜂窝流量预测的标量LSTM方法
机器学习
2025-07-29 v1 人工智能
摘要
准确的时空流量预测对于5G及更高版本的智能资源管理至关重要。然而，由于例如用户的移动性，传统人工智能方法通常无法捕获存在的复杂空间和时间模式。我们引入了一种轻量级的双路径时空网络，该网络利用标量LSTM (sLSTM) 进行高效的时间建模，并利用三层Conv3D模块进行空间特征提取。融合层将两个流整合为一个统一的表示，从而实现鲁棒的预测。我们的设计提高了梯度稳定性和收敛速度，同时降低了预测误差。在真实世界数据集上的评估表明，其预测性能优于ConvLSTM基线，并且对未见区域具有很强的泛化能力，使其非常适合大规模的下一代网络部署。实验评估表明，与ConvLSTM相比，MAE降低了23%，模型泛化能力提高了30%。
引用
@article{arxiv.2507.19513,
title = {Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting},
author = {Khalid Ali and Zineddine Bettouche and Andreas Kassler and Andreas Fischer},
journal= {arXiv preprint arXiv:2507.19513},
year = {2025}
}