TIDES：基于DeepSeek增强时空预测的6G无线网络智能流量管理新框架

《IEEE Journal on Selected Areas in Communications》：TIDES: Traffic Intelligence with DeepSeek Enhanced Spatial Temporal Prediction

本文针对下一代无线网络中智能自适应资源管理的迫切需求，提出了一种基于大语言模型（LLM）的无线流量预测新框架TIDES。该研究通过区域感知聚类、提示工程和空间注意力机制，有效解决了现有方法忽视空间依赖性的关键问题。实验结果表明，TIDES在预测精度和鲁棒性方面显著优于现有基准方法，为6G系统的可扩展智能网络管理提供了重要技术支撑。

　　

随着5G网络接近其容量极限，全球移动数据流量呈现爆炸式增长态势。2014年至2019年间，移动流量增长了十倍，到2023年已有近300亿设备接入网络。这种由数据密集型应用和新兴行业（如物联网、增强现实、扩展现实和联网车辆）驱动的增长，给现有网络容量带来了巨大压力。传统网络设计基于静态条件，难以应对当今高度动态和波动的流量，导致资源利用率低下和用户体验下降。

图1生动展示了城市不同区域的流量模式存在显著差异。左侧显示三个选定区域（WuJiaBu、PuJi和ShuangQuan）在城市地图上的位置，中间展示它们截然不同的时序流量动态，右侧通过皮尔逊相关系数进一步揭示了空间异质性。这一现象表明，邻近基站由于用户移动性和覆盖范围重叠会相互影响流量，而忽略这些空间依赖性会限制预测准确性和可扩展性。

现有基于大语言模型的预测方法主要关注孤立基站的时序预测，使用单一训练模型，忽视了基站间的关键空间相互作用。近期出现的TrafficLLM和Time-LLM等框架通过基于提示的预测展示了强大的序列学习能力，但这些方法未能有效整合空间感知能力，迫切需要能够同时捕捉时序动态和空间上下文的解决方案。

为了解决这一关键问题，研究人员在《IEEE Journal on Selected Areas in Communications》上发表了题为"TIDES: Traffic Intelligence with DeepSeek Enhanced Spatial Temporal Prediction"的研究论文，提出了一种新颖的LLM-based框架，能够捕捉城市级无线流量预测中的时空相关性。

关键技术方法包括：1）基于空间自相关指标和流量统计特征的区域聚类机制；2）将统计流量特征嵌入结构化输入的自然语言提示工程方案；3）通过跨域注意力实现空间对齐的DeepSeek模块；4）仅微调轻量级组件同时冻结核心LLM层的高效适配策略。实验使用中国某电信运营商的城市级4G基站网络真实数据集，包含约19,000个扇区四周的下行流量记录。

空间感知区域聚类

研究首先提出了一种新颖的聚类方法，有效利用流量模式和空间自相关将具有相似特征的基站分组。每个区域构建多维特征向量，包含地理坐标、平均流量、早晚高峰和夜间流量以及局部莫兰指数（Local Moran's I）。通过增强K-means聚类算法，确保分组区域不仅共享相似流量分布，还具有显著空间交互作用。

TIDES框架架构

TIDES框架包含三个核心组件：提示工程、空间注意力增强的域对齐和LLM-based特征表示学习。

提示工程组件将原始流量数据转换为结构化自然语言提示，提取基本统计量、趋势分析、时段模式和域特定指标四大类特征。这些特征帮助LLM理解流量数据的分布特性、方向动量、人类活动周期和无线网络特定统计特性。

域对齐组件通过空间注意力（SA）机制显式捕捉通信网络的拓扑结构。采用对称归一化拉普拉斯变换确保数值稳定性，并通过多头部注意力机制同时捕获多种类型的空间关系。最后通过跨模态对齐实现时空无线流量特征与文本特征空间的域对齐。

LLM-based表示和输出投影组件将提示表示和域对齐特征表示拼接后输入DeepSeek模型进行时空特征表示，最终通过线性层输出预测结果。研究采用DeepSeek-R1-Distill-Llama-8B作为基础LLM模型，利用其多查询注意力（MQA）机制降低内存占用并提高推理速度。

整体预测性能

如表I所示，TIDES在四个区域（A、B、C、D）的MAE（平均绝对误差）、RMSE（均方根误差）和MAPE（平均绝对百分比误差）评估中一致优于所有基线方法。在12个度量-区域组合中，TIDES在10个中排名第一，特别是在相对误差（MAPE）方面表现最优，展示了其在动态流量环境中提供稳定和可扩展准确性的能力。

相关性系数性能

图3的相关性分析显示，TIDES achieves the highest Pearson correlation coefficient of 0.973，表明预测值与实际值之间存在极强的线性关系。散点图紧密围绕身份线分布，证明TIDES不仅捕捉一般趋势，还能精确模拟流量波动幅度。

误差分布性能

图4的归一化预测误差分布表明，TIDES exhibits a sharply peaked and symmetric error distribution centered tightly around zero，误差方差最小，且接近零的预测误差浓度最高，证明其生成准确稳定预测的卓越能力。

城市级时空比较

图5从空间和时序视角展示了城市级预测性能比较。空间视图中，TIDES across all urban typologies from dense city centers to suburban belts and peripheral zones，准确反映空间异质性和复杂局部变化。时序视图中，TIDES maintains the lowest MAE throughout the entire observation period，在高峰流量时段（约11:30-13:45）表现出卓越鲁棒性。

区域级预测性能

图6显示，TIDES在连续7天窗口内与真实值保持高度一致，特别是在高峰时段的急剧过渡和低流量区间表现出优越性能。图7进一步表明，TIDES在25个区域 consistently outperforms Time-LLM，改进幅度因区域而异，在复杂或高流量区域改善最为显著。

泛化能力和可解释性

表II显示，TIDES在不同区域间迁移时性能下降较小（大多<10%），表明其在空间分布变化下具有良好的泛化能力。图8的SHAP（SHapley Additive exPlanations）分析表明，提示特征（统计摘要）贡献了总重要性的74.5%，而时序特征（历史时间步长）仅占25.5%，证明基于提示的表征在捕捉无线流量预测的基本时空模式方面的有效性。

鲁棒性评估

图9表明，在测试数据被故意损坏（部分流量点设为零）模拟实际网络监控中常见的数据不完美情况下，TIDES can sustain accurate predictions despite localized data anomalies，MAE和RMSE的平均退化保持在5%以下，确认其固有容错能力。

本研究通过将大语言模型与时空建模相结合，为改进无线网络管理引入了TIDES这一新型流量预测框架。该研究通过区域聚类、基于提示的表征和跨域注意力解决了现有方法的关键局限性，实现了准确的城市级流量预测。实验结果表明，TIDES在预测精度和鲁棒性方面显著优于现有先进方法，证实将空间智能整合到基于LLM的预测器中能增强动态流量环境中的准确性和稳健性。这些发现强调了可扩展、预测驱动的资源优化在未来AI-native 6G网络中的潜力。

TIDES有望发展为智能网络控制系统的基础模块。未来方向包括整合实时反馈回路实现在线适配、扩展到多模态流量输入，以及进一步推广方法以支持跨城市或全球级预测任务。最终，TIDES框架使我们向完全自优化无线网络迈出了重要一步，这些网络能够预测用户需求并在日益复杂的通信环境中自主优化资源供应。