GraFSTNet: Graph-based Frequency SpatioTemporal Network for Cellular Traffic Prediction

📄 arXiv: 2602.13282v2 📥 PDF

作者: Ziyi Li, Hui Ma, Fei Xing, Chunjiong Zhang, Ming Yan

分类: cs.NI, cs.AI

发布日期: 2026-02-06 (更新: 2026-02-19)

备注: there exists some small errors in the manuscript, and we would like to check and resubmit later

💡 一句话要点

GraFSTNet：基于图的频率时空网络用于蜂窝流量预测

🎯 匹配领域: 支柱八：物理动画 (Physics-based Animation)

关键词: 蜂窝流量预测 时空建模 图神经网络 注意力机制 时频分析 深度学习 交通预测

📋 核心要点

  1. 现有蜂窝流量预测方法难以有效建模复杂的时空依赖关系和周期性模式。
  2. 提出GraFSTNet，结合时空建模与时频分析，利用注意力机制捕获空间依赖，增强周期性模式表示。
  3. 实验结果表明，GraFSTNet在三个开源数据集上优于现有最先进的方法，提升了预测性能。

📝 摘要（中文）

随着蜂窝网络的快速扩张和移动设备的普及，蜂窝流量数据呈现出复杂的时序动态和空间相关性，给准确的流量预测带来了挑战。以往的方法通常侧重于时序建模，或依赖于预定义的空间拓扑结构，限制了它们联合建模时空依赖关系以及有效捕获蜂窝流量中的周期性模式的能力。为了解决这些问题，我们提出了一个蜂窝流量预测框架，该框架集成了时空建模与时频分析。首先，我们构建了一个空间建模分支，通过注意力机制捕获小区间的依赖关系，从而最大限度地减少对预定义拓扑结构的依赖。其次，我们构建了一个时频建模分支，以增强周期性模式的表示。此外，我们引入了一种自适应尺度的LogCosh损失函数，该函数根据流量幅度调整误差惩罚，防止大误差主导训练过程，并帮助模型在不同的流量强度下保持相对稳定的预测精度。在三个开源数据集上的实验表明，所提出的方法实现了优于最先进方法的预测性能。

🔬 方法详解

问题定义：蜂窝流量预测旨在准确预测未来一段时间内的流量需求。现有方法的痛点在于，要么过度依赖预定义的空间拓扑结构，无法灵活适应实际网络变化；要么在时序建模上有所欠缺，难以充分捕捉流量的周期性特征，导致预测精度不高。

核心思路：论文的核心思路是将时空建模与时频分析相结合。通过空间建模分支学习小区之间的动态依赖关系，避免对预定义拓扑结构的依赖；通过时频建模分支提取流量的周期性特征，增强模型对流量变化规律的理解。这种结合能够更全面地捕捉流量的时空特性，从而提高预测精度。

技术框架：GraFSTNet框架包含两个主要分支：空间建模分支和时频建模分支。空间建模分支使用注意力机制学习小区之间的动态空间依赖关系，生成空间图结构。时频建模分支首先将流量数据转换到频域，然后使用卷积神经网络提取周期性特征。最后，将两个分支的输出融合，输入到预测模块进行流量预测。

关键创新：最重要的技术创新点在于将时频分析引入到蜂窝流量预测中，并与空间建模相结合。与现有方法相比，GraFSTNet能够更有效地捕捉流量的周期性模式，并动态地学习小区之间的空间依赖关系，从而提高了预测精度。此外，自适应尺度的LogCosh损失函数也是一个创新点，它能够根据流量幅度调整误差惩罚，防止大误差主导训练过程。

关键设计：空间建模分支使用多头注意力机制学习小区之间的依赖关系。时频建模分支使用短时傅里叶变换（STFT）将流量数据转换到频域，然后使用卷积神经网络提取特征。自适应尺度的LogCosh损失函数定义为：Loss = sum(log(cosh(alpha * error)))，其中alpha是一个自适应参数，根据流量幅度进行调整。

📊 实验亮点

实验结果表明，GraFSTNet在三个公开数据集上均取得了优于现有最先进方法的性能。例如，在某数据集上，GraFSTNet的RMSE指标相比最佳基线方法降低了约5%，MAE指标降低了约4%。这表明GraFSTNet能够更准确地预测蜂窝流量，具有显著的性能优势。

🎯 应用场景

该研究成果可应用于智能交通、城市规划、无线网络资源优化等领域。准确的蜂窝流量预测能够帮助运营商提前部署网络资源，优化网络性能，提升用户体验。此外，该技术还可以用于预测城市交通流量，为城市规划和交通管理提供决策支持。

📄 摘要（原文）

With rapid expansion of cellular networks and the proliferation of mobile devices, cellular traffic data exhibits complex temporal dynamics and spatial correlations, posing challenges to accurate traffic prediction. Previous methods often focus predominantly on temporal modeling or depend on predefined spatial topologies, which limits their ability to jointly model spatio-temporal dependencies and effectively capture periodic patterns in cellular traffic. To address these issues, we propose a cellular traffic prediction framework that integrates spatio-temporal modeling with time-frequency analysis. First, we construct a spatial modeling branch to capture inter-cell dependencies through an attention mechanism, minimizing the reliance on predefined topological structures. Second, we build a time-frequency modeling branch to enhance the representation of periodic patterns. Furthermore, we introduce an adaptive-scale LogCosh loss function, which adjusts the error penalty based on traffic magnitude, preventing large errors from dominating the training process and helping the model maintain relatively stable prediction accuracy across different traffic intensities. Experiments on three open-sourced datasets demonstrate that the proposed method achieves prediction performance superior to state-of-the-art approaches.