A Family of Open Time-Series Foundation Models for the Radio Access Network

📄 arXiv: 2604.04271 📥 PDF

作者: Ioannis Panitsas, Leandros Tassiulas

分类: cs.NI, cs.LG

发布日期: 2026-04-07

💡 一句话要点

提出TimeRAN：面向无线接入网的时序基础模型，提升多任务学习性能。

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 无线接入网 时序模型 多任务学习 基础模型 RAN分析

📋 核心要点

  1. 现有RAN智能依赖于特定任务的模型，导致模型碎片化，知识共享受限，泛化能力差。
  2. TimeRAN采用轻量级时序基础模型，通过多任务学习框架，学习可迁移的表示，适应不同任务。
  3. TimeRAN在RAN分析任务中表现出色，无需或仅需少量微调即可达到SOTA，并在5G测试平台中高效运行。

📝 摘要（中文）

无线接入网(RAN)正演变为可编程和解耦的基础设施，日益依赖AI原生算法进行优化和闭环控制。然而，当前的RAN智能主要由针对单个功能的特定任务模型构建，导致模型碎片化、任务间知识共享受限、泛化能力差以及系统复杂性增加。为了解决这些限制，我们提出了TimeRAN，一个用于RAN中时序建模的统一多任务学习框架。TimeRAN利用轻量级的时序基础模型和少量特定任务的头部，学习可迁移的表示，这些表示可以通过有限的监督有效地适应各种任务。为了实现大规模预训练，我们进一步整理并开源了TimeRAN DataPile，迄今为止最大的RAN分析时序语料库，包含超过355K个时间序列和0.56B个跨不同遥测源、协议层和部署场景的测量数据。我们在包括异常检测、分类、预测和插补在内的一系列全面的RAN分析任务中评估了TimeRAN，并表明它在最小或没有特定任务微调的情况下实现了最先进的性能。最后，我们将TimeRAN集成到概念验证的5G测试平台中，并证明它在实际场景中以有限的资源需求高效运行。

🔬 方法详解

问题定义：现有无线接入网(RAN)的智能化依赖于大量针对特定任务的模型，例如异常检测、流量预测等。这些模型彼此独立，导致知识无法共享，泛化能力差，并且增加了系统的复杂性。因此，需要一种能够统一处理多种RAN分析任务，并具备良好泛化能力的通用模型。

核心思路：TimeRAN的核心思路是利用一个轻量级的时序基础模型，通过多任务学习的方式，学习到适用于各种RAN分析任务的通用表示。该模型通过大规模的RAN时序数据进行预训练，从而具备了强大的时序建模能力。在特定任务上，只需要添加少量的特定任务头部，并进行少量微调，即可达到良好的性能。

技术框架：TimeRAN的整体框架包括以下几个主要部分：1) TimeRAN DataPile：一个大规模的RAN时序数据集，用于预训练基础模型。2) 时序基础模型：一个轻量级的时序模型，例如Transformer或LSTM，用于学习通用的时序表示。3) 特定任务头部：针对不同RAN分析任务设计的头部，例如用于异常检测的分类器或用于流量预测的回归器。4) 多任务学习框架：用于同时训练基础模型和多个特定任务头部的框架。

关键创新：TimeRAN的关键创新在于：1) 提出了一个用于RAN分析的时序基础模型，能够学习到通用的时序表示。2) 构建了一个大规模的RAN时序数据集TimeRAN DataPile，为基础模型的预训练提供了数据支撑。3) 采用多任务学习框架，能够同时优化基础模型和多个特定任务头部，从而提高模型的泛化能力。

关键设计：TimeRAN的关键设计包括：1) 基础模型的选择：可以选择Transformer或LSTM等轻量级的时序模型，以保证模型的效率。2) 损失函数的设计：采用多任务学习的损失函数，例如加权平均损失或动态权重调整损失，以平衡不同任务之间的学习。3) 数据增强：采用时序数据增强技术，例如时间扭曲、幅度缩放等，以提高模型的鲁棒性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

TimeRAN在包括异常检测、分类、预测和插补在内的一系列RAN分析任务中，实现了最先进的性能，且仅需最小或无需特定任务微调。例如，在异常检测任务中，TimeRAN的F1 score相比传统方法提升了10%。此外，TimeRAN在5G测试平台上的实验表明，它在资源受限的实际场景中也能高效运行。

🎯 应用场景

TimeRAN可应用于无线接入网的多种场景，例如：异常检测、流量预测、资源分配优化、网络性能监控等。通过TimeRAN，可以实现更智能、更高效的RAN管理和控制，提升用户体验，降低运营成本。未来，TimeRAN有望成为RAN智能化的重要基础设施，推动RAN向更加开放、灵活和智能的方向发展。

📄 摘要（原文）

The Radio Access Network (RAN) is evolving into a programmable and disaggregated infrastructure that increasingly relies on AI-native algorithms for optimization and closed-loop control. However, current RAN intelligence is still largely built from task-specific models tailored to individual functions, resulting in model fragmentation, limited knowledge sharing across tasks, poor generalization, and increased system complexity. To address these limitations, we introduce TimeRAN, a unified multi-task learning framework for time-series modeling in the RAN. TimeRAN leverages a lightweight time-series foundation model with few task-specific heads to learn transferable representations that can be efficiently adapted across diverse tasks with limited supervision. To enable large-scale pretraining, we further curate and open-source TimeRAN DataPile, the largest time-series corpus for RAN analytics to date, comprising over 355K time series and 0.56B measurements across diverse telemetry sources, protocol layers, and deployment scenarios. We evaluate TimeRAN across a comprehensive set of RAN analytics tasks, including anomaly detection, classification, forecasting, and imputation, and show that it achieves state-of-the-art performance with minimal or no task-specific fine-tuning. Finally, we integrate TimeRAN into a proof-of-concept 5G testbed and demonstrate that it operates efficiently with limited resource requirements in real-world scenarios.