揭示噪声先验的力量：增强移动流量预测的扩散模型
机器学习
2025-06-30 v3
摘要
精准预测移动流量，即来自细胞基站的网络流量，对优化网络性能和支持城市发展至关重要。然而，移动流量的非平稳特性——由人类活动和环境变化驱动——导致既有规律性模式又有突发性变化。扩散模型因能够捕捉内在不确定性而在捕捉此类复杂时序动力学方面表现突出。大多数现有方法侧重于设计新型去噪网络，往往忽视噪声本身的关键作用，可能导致次优性能。本文提出一种新视角，强调噪声在去噪过程中的作用。我们的分析表明，噪声本质上塑造了移动流量预测，呈现出distinct且一致的模式。我们提出 NPDiff 框架，将噪声分解为先验组件和残差组件，其中先验组件源于数据动力学，从而增强模型捕捉规律性和突发性变化的能力。NPDiff 可无缝集成到各种基于扩散的预测模型中，实现有效、高效且稳健的预测。广泛的实验表明，该方法在性能上显著提升，改进幅度超过 30%，为利用扩散模型在该领域提供了新的视角。我们提供代码和数据地址：https://github.com/tsinghua-fib-lab/NPDiff。
引用
@article{arxiv.2501.13794,
title = {Unveiling the Power of Noise Priors: Enhancing Diffusion Models for Mobile Traffic Prediction},
author = {Zhi Sheng and Daisy Yuan and Jingtao Ding and Yong Li},
journal= {arXiv preprint arXiv:2501.13794},
year = {2025}
}