面向准确在线细胞流量预测的多粒度时空特征互补

从电信数据发现的知识可以促进对网络动态和用户行为的主动理解，从而赋能服务提供商优化细胞流量调度和资源分配。然而，电信行业仍严重依赖手动专家干预。既有研究聚焦于详尽探索时空相关性，但常常忽视了细胞流量的底层特征，这些特征受制于电信服务的零星和突发性。此外，概念漂移在持续的细胞预测任务中造成显著障碍。为解决这些问题，我们提出一种基于多粒度时空特征互补 (MGSTC) 的在线细胞流量预测方法。该方法旨在实现实际持续预测场景中的高精度预测。具体而言，MGSTC 将历史数据分块，并采用粗粒度时空注意力机制提供预测时段的趋势参考。随后，采用细粒度时空注意力捕获网络元素之间的详细相关性，从而实现对已建立趋势的局部细化。这些多粒度时空特征的互补促进了有价值信息的有效传递。为适应持续预测需求，我们实现一种在线学习策略，能够实时检测概念漂移并及时切换到合适的 参数更新阶段。在四个真实世界数据集上的实验表明，MGSTC 在所有基准方法中持续显著优于领先的 11 种方法。