基于动态时空Transformer的城市蜂窝网络流量预测方法

来源：计算机工程与应用杂志2025年第18期北京时间：

作者：于江燕, 王倩, 孟宪静, 张瑞敏, 耿蕾蕾

单位：1.山东财经大学 计算机科学与技术学院，济南 250014；2.山东省区块链金融重点实验室，济南 250014

摘要：针对现有的城市蜂窝网络流量预测方法没有考虑到小区间空间相关性的动态性以及不同时间跨度下小区间空间相关性的多样性问题，提出基于动态时空Transformer的城市蜂窝网络流量预测模型（DSTTNet）。提出多尺度时间感知空间Transformer模块MSTAST，通过分时间段建模小区间的空间相关性，实现小区间动态空间关系的捕获；通过引入多分支结构，在不同的分支上使用不同的时间段划分方式来捕获不同的空间相关性，从而提高空间相关性建模的准确性；基于MSTAST和时间Transformer模块构建时空序列建模模块来捕获城市蜂窝网络流量中的长时间依赖关系和动态空间依赖关系；还将MSTAST应用于特征融合模块，以提高模型对预测特征中远距离小区间全局空间关系的捕获能力。实验结果表明，在RMSE评价指标下，所提模型在SMS、Call、Internet三种网络流量数据集上分别提升了5.43%、4.30%、2.86%。

关键词：蜂窝网络流量预测,时空数据挖掘,Transformer,注意力机制,无线网络