UoMo: 面向无线网络优化的通用移动流量预测模型

移动流量预测使运营商能够提前预判网络动态和性能，为提升服务质量和改善用户体验提供了巨大潜力。然而，现有模型通常是面向任务的，并使用定制数据进行训练，这限制了它们在基站部署、资源分配、能量优化等多样化移动网络任务中的有效性，并阻碍了其在不同城市环境中的泛化能力。基础模型因其多任务适应性和零样本/少样本学习能力，在自然语言处理和计算机视觉的各个领域取得了显著进展。在本文中，我们提出了一种创新的移动流量预测基础模型（FoMo），旨在处理跨多个城市的短期/长期预测和分布生成等多样化预测任务，以支持网络规划和优化。FoMo结合了扩散模型和Transformer，其中提出了各种时空掩码使FoMo能够学习不同任务的内在特征，并开发了一种对比学习策略来捕获移动流量与城市环境之间的相关性，从而提升其迁移学习能力。在9个真实世界数据集上的大量实验表明，FoMo在多样化预测任务和零样本/少样本学习方面优于现有模型，展现了强大的通用性。