PRB-RUPFormer: 一种用于残余 PRB 预测的递归统一概率 Transformer
机器学习
2026-05-18 v1 信号处理
摘要
准确预测残余物理资源块 (PRB) 对主动网络切片配置、能效运行及频谱感知决策至关重要， 残余 PRB 作为短中期频谱可用性的实用代理。现有 PRB 预测方法通常仅依赖历史 PRB 值， 并独立训练每个载波或小区， 限制其捕捉跨载波依赖性且无法提供预测不确定性度量。此外， 单纯的点预测在面对高度可变流量条件时不足用于稳健的频谱感知控制。本文提出 PRB-RUPFormer， 一种递归统一概率 Transformer 用于残余 PRB 预测。该模型使用时序、季节性及载波感知嵌入处理多变量 KPI 时序， 在递归展开期保持指标间的时序耦合， 并稳定长期预测。单个共享模型跨所有载波和小区训练， 实现低计算开销下的联合流量动力学学习。通过分位数方法捕捉预测不确定性， 提供基于置信度的未来 PRB 可用性估计。在六个月来自美国多个地点的商业 LTE 网络数据上评估显示， 一日及七日递归预测的中位数 MAE 低于 0.05， 命中概率高于 0.80。这些概率预测直接支持频谱感知 RAN 功能，如动态载波激活、拥塞规避及主动频谱共享， 使该框架适用于动态频谱接入场景。
关键词
引用
@article{arxiv.2605.15363,
title = {PRB-RUPFormer: A Recursive Unified Probabilistic Transformer for Residual PRB Forecasting},
author = {Saad Masrur and Yuxuan Jiang and Matti Hiltunen and Ajay Rajkumar and Ismail Guvenc},
journal= {arXiv preprint arXiv:2605.15363},
year = {2026}
}
备注
Accepted for publication in the Proceedings of the 2026 IEEE International Symposium on Dynamic Spectrum Access Networks (DySPAN 2026), Washington, DC, USA, May 11-14, 2026