Enhancing Spatiotemporal Networks with xLSTM: A Scalar LSTM Approach for Cellular Traffic Forecasting

📄 arXiv: 2507.19513v1 📥 PDF

作者: Khalid Ali, Zineddine Bettouche, Andreas Kassler, Andreas Fischer

分类: cs.LG, cs.AI

发布日期: 2025-07-17

💡 一句话要点

提出基于标量LSTM的时空网络，用于增强蜂窝网络流量预测。

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)

关键词: 时空预测 蜂窝网络流量预测 标量LSTM Conv3D 深度学习 时空网络 5G网络

📋 核心要点

  1. 传统AI方法难以捕捉蜂窝网络中用户移动带来的复杂时空流量模式，导致预测精度不足。
  2. 论文提出一种双路径时空网络，利用标量LSTM进行时间建模，Conv3D进行空间特征提取，并进行融合。
  3. 实验表明，该方法在真实数据集上优于ConvLSTM基线，MAE降低23%，泛化能力提升30%。

📝 摘要（中文）

精确的时空流量预测对于5G及未来网络的智能资源管理至关重要。然而，由于用户移动性等因素，传统AI方法通常无法捕捉到存在的复杂时空模式。本文提出了一种轻量级的双路径时空网络，该网络利用标量LSTM（sLSTM）进行高效的时间建模，并利用三层Conv3D模块进行空间特征提取。一个融合层将两个流集成到一个有凝聚力的表示中，从而实现稳健的预测。我们的设计提高了梯度稳定性和收敛速度，同时降低了预测误差。在真实世界数据集上的评估表明，与ConvLSTM基线相比，该方法具有卓越的预测性能，并且对未见区域具有很强的泛化能力，使其非常适合大规模的下一代网络部署。实验评估显示，MAE比ConvLSTM降低了23%，模型泛化能力提高了30%。

🔬 方法详解

问题定义：论文旨在解决蜂窝网络中精确时空流量预测的问题。现有方法，特别是基于传统LSTM或ConvLSTM的方法，难以有效地捕捉用户移动带来的复杂时空依赖关系，导致预测精度下降，泛化能力不足。

核心思路：论文的核心思路是利用标量LSTM（sLSTM）进行高效的时间建模，并结合Conv3D模块进行空间特征提取。sLSTM相比传统LSTM具有更少的参数，计算效率更高，更易于训练。通过双路径结构分别处理时间和空间信息，然后进行融合，可以更好地捕捉时空依赖关系。

技术框架：该时空网络包含两个主要路径：时间路径和空间路径。时间路径使用标量LSTM（sLSTM）来处理时间序列数据，提取时间特征。空间路径使用三层Conv3D模块来提取空间特征。然后，一个融合层将两个路径的输出进行融合，生成最终的时空表示，用于流量预测。整个框架是端到端可训练的。

关键创新：论文的关键创新在于使用标量LSTM（sLSTM）进行时间建模。sLSTM是一种参数更少、计算效率更高的LSTM变体，更适合处理大规模的时空数据。此外，双路径结构和融合层也能够更好地捕捉时空依赖关系，提高预测精度和泛化能力。

关键设计：sLSTM的具体实现细节（例如隐藏层大小、激活函数等）未知，但论文强调了其参数效率。Conv3D模块的具体结构（例如卷积核大小、通道数等）也未知。融合层可能采用简单的拼接或加权平均等方式。损失函数可能采用均方误差（MSE）或平均绝对误差（MAE）。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，该方法在真实世界数据集上优于ConvLSTM基线。具体而言，MAE（平均绝对误差）降低了23%，模型泛化能力提高了30%。这些结果表明，该方法能够更准确地预测蜂窝网络流量，并且对未见区域具有更好的适应性。

🎯 应用场景

该研究成果可应用于5G及未来网络的智能资源管理，例如动态频谱分配、网络切片优化、流量工程等。通过精确预测蜂窝网络流量，可以提高网络资源利用率，降低网络拥塞，提升用户体验，并为运营商节省运营成本。该方法还可推广到其他时空数据预测任务，如交通流量预测、气象预测等。

📄 摘要（原文）

Accurate spatiotemporal traffic forecasting is vital for intelligent resource management in 5G and beyond. However, conventional AI approaches often fail to capture the intricate spatial and temporal patterns that exist, due to e.g., the mobility of users. We introduce a lightweight, dual-path Spatiotemporal Network that leverages a Scalar LSTM (sLSTM) for efficient temporal modeling and a three-layer Conv3D module for spatial feature extraction. A fusion layer integrates both streams into a cohesive representation, enabling robust forecasting. Our design improves gradient stability and convergence speed while reducing prediction error. Evaluations on real-world datasets show superior forecast performance over ConvLSTM baselines and strong generalization to unseen regions, making it well-suited for large-scale, next-generation network deployments. Experimental evaluation shows a 23% MAE reduction over ConvLSTM, with a 30% improvement in model generalization.