U-STS-LLM：一种用于流量预测与插补的统一时空引导大语言模型

现代蜂窝网络的高效运行依赖于对时空流量数据的精确分析。掌握这些模式对于核心网络功能至关重要，主要是预测未来负载以预防拥塞，以及插补因传感器故障或传输错误导致的缺失值以确保数据连续性。尽管预测和插补深度关联，但它们历史上是作为独立的子领域发展的。主流范式——时空图神经网络（STGNN）虽然有效，但通常是专用的、计算密集型的，且泛化能力有限。与此同时，适配大型预训练语言模型（LLM）为序列建模提供了一种强大的替代方案，然而现有方法提供的结构引导较弱，导致收敛不稳定，并且仅专注于预测。为了弥合这些差距，我们提出了U-STS-LLM，一个基于时空引导LLM的统一框架。我们的核心创新是一个动态时空注意力偏置生成器，它合成一个持久的函数图与瞬态节点状态，以显式地引导LLM的注意力。结合通过低秩适应（LoRA）调优的部分冻结骨干网络和门控自适应融合机制，该模型实现了稳定、参数高效的适配。在统一的多任务目标下训练，U-STS-LLM学习到一种整体的数据表示。在真实蜂窝数据集上的大量实验表明，U-STS-LLM在长期预测和高缺失率插补方面均建立了新的最先进性能，同时保持了显著的训练效率和稳定性，为在结构化、非语言领域利用基础模型提供了新的蓝图。