从电信角度看，用户数量和增长的服务对下一代网络提出了交通需求和资源限制。准确的交通预测可以为网络运营商提供宝贵的网络状况洞察，并建议最优分配策略。最近，使用图神经网络的时空预测方法已成为蜂窝网络流量预测的一种有前景的方法。然而，现有的研究借鉴了道路流量预测的方法，忽视了基站的动态部署和移除，要求基于图神经网络的预测模型能处理不断演化的图。本文提出了一种新颖的归纳学习方案和一个通用的基于图神经网络的预测模型，可以一次训练就能处理多样化的蜂窝网络流量图。我们还证明了该模型可以轻松地进行迁移学习，使其适用于不同领域。实验结果表明，在稀缺数据的情况下，与最先进技术相比，性能提升高达 9.8％，特别是当训练数据减少到 20％以下的情况。

May, 2024

本文提出了一种基于边缘控制器的 5G 移动网络结构，利用全球用户的移动模式来动态聚类和关联基站和控制器，以及通过控制器运行机器学习算法来预测每个基站的用户数量，为高层次应用程序提供路由服务，以提高网络的重要性能指标。

Aug, 2018

基于边缘计算的新型预测框架使用通过大规模测量活动在边缘获取的数据集，设计了基于卷积神经网络（CNN）和循环神经网络（RNN）的两种主要深度学习架构，并在不同训练条件下进行了测试。使用知识迁移学习（KTL）技术改进模型性能并降低计算资源需求，模拟结果表明 CNN 架构优于 RNN。提供了对所需训练能量的估计，并应用两种前沿可解释人工智能技术来解释得出的学习模型。

Oct, 2023

本文报道了一种新的方法，该方法通过结合免费提供的道路指标来确立数据生成过程和空间依赖性，从而提高了移动蜂窝流量预测的准确性，这可以应用于边缘或中心化学习，可用于预测短期未来一段高速公路覆盖区域的负载。

May, 2023

这篇论文提出了一种基于图神经网络（GNN）的网络模型 RouteNet，该模型通过学习和建模图结构信息，理解拓扑、路由和输入流量之间的复杂关系，从而准确预测网络中的表现指标，并且可以泛化到任意拓扑、路由和流量强度，可以应用于路由优化和网络规划等多个领域。

Oct, 2019

本文提出了一种基于字典学习的交替方向方法，用于综合研究和预测蜂窝网络流量建模和预测框架，并提高了预测准确性和鲁棒性。

Jun, 2016

通过提出一个可评估机器学习模型可行性的新方法，本文在实际基站测量的基础上，对巴塞罗那地区的联邦学习场景中使用的最先进的深度学习体系结构进行全面评估，发现较大的机器学习模型在性能上略有提升，但在碳足迹方面产生了显著的环境影响，使其在实际应用中不切实际。

Sep, 2023

我们研究了实时场景下应用于移动网络流量预测的两种实时预测算法的有效性，发现 Fast LiveStream Prediction（FLSP）算法相对于传统的在线预测算法，在异步数据汇报情况下，能够减少所需带宽一半，并提高预测准确性和降低处理负载。我们还通过对各种机器学习模型的算法复杂度和内存需求进行了细致分析，从而提供有关不同预测策略的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。

May, 2024

本研究提出使用基于图卷积网络的 CrowdNet 解决人群流动预测问题，并通过实验证明 CrowdNet 相对于现有的方法在预测和解释城市环境中的人员流动方面具有优越性。

Mar, 2022

通过使用云端边缘多个中等大小和高吞吐量的通信网络，提出了一种半分散的方法，以改进出租车需求和供应量预测，该方法结合了集中和分散设置的最佳功能，并且对于出租车需求和供应预测具有 GNN-LSTM 算法的优势。

Feb, 2023