MobiGPT：面向移动无线网络的基础模型

随着移动通信技术的快速发展，未来的移动网络将为通勤、生产、日常生活和娱乐提供广泛的服务和资源。 accurate and efficient 预测移动数据（例如小区流量、用户行为、信道质量）有助于运营商监控网络状态变化、协调无线资源并调度基础设施和用户，从而提高供给效率和服务质量。然而，当前的预测范式依赖于为特定数据类型量身定制的模型，这种方法在涉及基站、用户和信道的大规模异构网络环境中会增加复杂度和部署成本。本文设计一种用于移动数据预测的基础模型MobiGPT，具备统一的结构，能够预测三种数据类型：基站流量、用户应用使用情况和信道质量。我们提出一种软提示学习方法，帮助模型理解不同数据类型的特征；并引入时间掩码机制，以支持三种预测任务：短期预测、长期预测和分布生成，满足多样化的优化场景。评估超过 10 万 样本的真实数据集表明，MobiGPT能够实现 accurate 的多类型预测。与现有模型相比，它在预测准确率上分别提高了 27.37%、20.08% 和 7.27%，显示出强大的泛化能力。此外，MobiGPT 在未见场景中的 zero/few-shot 性能显著优于现有方法，提升超过 21.51%，验证了其作为基础模型的强大可迁移性。