移动网络流量预测难？UoMo通用模型实现三类任务统一建模

一、产品介绍

清华大学电子系联合中国移动在KDD 2025发布全球首个移动网络通用流量预测模型UoMo，突破传统方法依赖单一任务、跨域泛化弱的瓶颈。其核心采用 “扩散模型+Transformer”双骨干架构，通过时空词元化技术将异构数据统一为低维表征，并创新四类掩码策略（短期/长期/生成/随机掩码）实现自监督预训练，显著提升模型对复杂城市环境的适应能力。

二、适用人群

运营商网络规划部门：需预判突发流量调度资源，或规划新区域基站选址；
智慧城市建设者：依赖人流动态优化公共区域网络覆盖，如交通枢纽与商业区；
低碳通信研究机构：需预测基站闲时以启动休眠模式，降低能耗20%。

三、核心功能与技术原理

功能	技术原理
时空词元化	将城市区域与时间张量切割为统一token，嵌入低维空间，支持多粒度数据处理；
掩码-复原预训练	通过四类掩码策略模拟不同任务场景，扩散模型还原噪声数据，最小化掩码区域MSE损失；
环境感知微调	融合POI分布（15类设施）与移动用户数，基于对比学习对齐时空流量与环境特征；
零样本生成	无历史数据时，利用周边区域流量特征与POI上下文生成新区域需求图谱；
闭环优化决策	输出预测流量至基站选址、资源分配等求解器，验证吞吐量与时延指标。

四、使用技巧与场景实测

场景	操作	效果验证
突发流量应对	输入历史4小时流量+实时用户数，执行15分钟短期预测	南京实测：资源调度延迟降低40%，用户接入成功率提升25%；
新城区基站规划	输入目标区域POI（居住/商业占比）与相邻区流量，启动生成任务	南昌新区生成结果驱动基站选址，覆盖误差仅8%；
闲时节能控制	基于72小时历史数据预测未来1周流量低谷，触发基站休眠	山东试点：休眠时段能耗降低18%，不影响高峰QoS。