面向移动流量网格预测的空间感知选择性时序模型带嵌套记忆
机器学习
2026-03-16 v1
摘要
细胞网络中的流量预测是由于强烈的时序依赖性、细胞间的空间异质性以及对大规模网络部署的可扩展性需求而面临挑战的时空预测问题。传统的单元格特定模型会导致昂贵的训练和维护成本，而全局模型往往无法捕捉异构的空间动力学。最近基于注意力或图神经网络的时空架构在提高准确性方面取得了进展，但引入了高计算开销，限制了其在大规模或实时设置中的适用性。我们研究时空网格预测，其中每个时间步是一个由流量值组成的 2D 网格，并预测下一个网格块使用先前的网格块。我们提出了 NeST-S6，一种具有空间偏微分方程感知核心的卷积选择性时序模型 (SSM)，其在嵌套学习范式中实现：卷积局部空间混合送入空间偏微分方程感知 SSM 核心，而嵌套学习的长期记忆通过在预测误差指示未建模动力学时进行更新。在移动流量网格 (米兰数据集) 上的三个分辨率 (202、502、1002) 上，NeST-S6 在单步和 6 步自回归预测中均优于强大的 Mamba 系列基线。 在漂移压力测试中，我们的方法的嵌套记忆相对于无记忆消除 ablation 降低了 MAE 降幅为 48-65%。 NeST-S6 还将完整网格重建速度提高了 32 倍，使 MACs 减少 4.3 倍，同时实现了 61% 的像素 RMSE 降低。
引用
@article{arxiv.2603.12353,
title = {Spatial PDE-aware Selective State-space with Nested Memory for Mobile Traffic Grid Forecasting},
author = {Zineddine Bettouche and Khalid Ali and Andreas Fischer and Andreas Kassler},
journal= {arXiv preprint arXiv:2603.12353},
year = {2026}
}