你有沒有想過，未來的移動網絡能像 “預知未來” 一樣提前感知用戶需求？在今年的 ACM KDD 2025 大會上，清華大學電子系團隊聯合中國移動發布了 UoMo，全球首個面向移動網絡的通用流量預測模型。UoMo 能同時勝任短期預測、長期預測，甚至在沒有歷史數據的情況下生成全新區域的流量分布。它結合了前沿的擴散模型與 Transformer 結構，還能理解城市中的地理信息與人流變化，把網絡規劃和優化做得更聰明、更精準。

• 標題：UoMo: A Universal Model of Mobile Traffic Forecasting for Wireless Network Optimization
• 作者：Haoye Chai（柴浩野）， Shiyuan Zhang（張詩源），Xiaoqian Qi（齊效乾），Baohua Qiu（邱寶華），Yong Li（李勇）
• 機構：清華大學，中國移動 
• 論文鏈接：https://dl.acm.org/doi/10.1145/3711896.3737272
• 數據及代碼鏈接：https://github.com/tsinghua-fib-lab/UoMo

為什么要做 UoMo

在大規模移動網絡中，流量預測是實現智能化網絡運營與優化的核心能力。它讓運營商能夠在復雜網絡環境中，提前感知流量變化，從而主動執行一系列網規網優操作（如調度資源、部署基站、降低能耗）。然而，現有方法往往針對單一任務，缺乏跨區域、跨任務的統一預測能力，難以支撐智能化網絡在多樣化場景下的長期穩定運行：

泛化能力不足

不同城市在人口分布、城市布局和地理環境上差異極大，導致流量模式也隨之變化，現有專用模型難以捕捉多樣化時空特征，更難遷移到新場景。

任務適應性受限

短期 / 長期預測對數據特征的關注點不同，傳統做法往往為每個任務單獨設計模型，導致部署復雜、維護成本高。

UoMo 目標：在統一框架下同時支持短期預測、長期預測、生成三類任務。

移動網絡流量預測任務是什么

論文把移動網絡的流量預測歸納為三類

• 短期預測：用較長歷史 預測近未來 ，強調短時波動，典型的網規網優任務包括資源分配、用戶接入控制等。
• 長期預測：用較短歷史 預測較長未來 ，強調周期與規律，典型的網規網優任務包括基站休眠節能、網絡容量擴展等。
• 生成（無歷史）：僅用區域環境特征直接生成 ，用于新區域的潛在需求評估，典型網規網優任務包含頻段規劃、小區選址等。

UoMo 的統一架構

數據詞元化→ 模型預訓練 → 模型微調

(一) 數據詞元化：異構時空流量變成統一 “token”

將城市區域、時間  的張量切分基礎單元獲得 token 序列 ，并通過嵌入層  轉換為低維表征，以此將不同時空粒度（小區 / 柵格，1 小時 / 15 分鐘）投影到相同低維空間。

(二) 基于擴散模型預訓練

UoMo 骨干網絡結合擴散模型 + Transformer，采用擴散模型建模大規模移動數據的復雜時空分布，采用 Transformer 學習流量數據序列相關性。同時，UoMo 采用掩碼 - 復原的自監督訓練范式，定義如下四種掩碼策略：

• 短期掩碼：遮掩未來短時間內，對應短期預測任務；
• 長期掩碼：遮住更長時間段，對應長期預測任務；
• 生成掩碼：將目標時空區域全部數據進行遮掩，用周圍區域 + 環境上下文完成生成任務；
• 隨機掩碼：隨機遮掩時空點，幫助模型學習數據普適時空規律。

訓練目標：定義前向過程加噪后數據表示為e，可觀測部分數據為o，掩碼策略為m，可以表示如下：

去噪網絡用于還原原始添加噪聲，最小化掩碼部分的 MSE 損失：

(三) 城市環境微調：把人和城市注入模型

• 城市環境兩大來源：（1）移動網絡用戶數：與網絡流量格式相同的時空序列，表征不同時空地點人類移動規律；（2）POI 分布：表示某一時空區域的 POI 數量，通過與時間戳進行組合映射，能夠獲得具備時間屬性的 POI 分布。
• 基于對比學習的環境對齊：相同時空區域內的流量與環境信息作為正樣本，文章中通過理論分析，指出擴散模型中訓練目標實際上等價于對比學習中優化 InfoNCE 目標，可以表示：

實驗與結論

作者從真實世界 9 座規模不同的城市中采集下行移動流量數據，時間粒度為 15 分鐘至 1 小時。在每個數據集中，城市環境環境數據通過公開地圖服務抓取各城市的 POI 信息，覆蓋居住、娛樂等 15 個相關類別。

實驗結果表明，無論是短期預測、長期預測、生成任務，UoMo 相比于現有 baseline 算法，均體現卓越的預測能力，充分說明 UoMo “一模多用” 的能力，具備良好的通用性。

本文還對數據預測效果進行了可視化展示，充分說明 UoMo 所預測數據不僅僅是 “數值指標最優”，能夠很好地還原真實流量數據的波動模式，這也為移動網絡規劃與優化提供重要實用基礎。 

對于 UoMo 零樣本 / 小樣本的學習能力， UoMo 相比于其他算法同樣能夠展示強大的泛化遷移能力，尤其是在小樣本數據（如 5%/10% 數據）訓練之后，能夠進一步拉近與真實的誤差。

部署與應用

基于 UoMo 預測的移動網絡流量，文章測試了三類典型的應用場景（基站選址規劃、無線資源分配、基站休眠控制），驗證移動流量預測能力以及對網規網優的能力支撐。部署過程遵循三步閉環范式：

• UoMo 流量預測：基于城市多源數據（歷史流量、用戶數、POI 等），UoMo 執行相應流量預測任務（長期 / 短期 / 生成），產生可用于后續優化的預測流量。
• 基于生成數據的優化策略求解：在獲得預測流量后，將其輸入到網絡優化求解器中（站點選址、容量規劃、節能優化、QoS 優化等），獲得網規網優策略。
• 基于真實數據的策略驗證與評估：應用平臺按照真實網絡數據驗證網規網優策略，從覆蓋、吞吐、時延等指標對優化策略進行量化評估，當最終系統性能越高，則說明基于 UoMo 預測流量所制定的規劃優化策略效果越好。

總結

UoMo 是一種結合擴散模型的移動流量預測通用模型，該模型能夠同時支持多種預測任務（短期 / 長期預測與生成）。通過建模移動流量在時間、空間、城市環境之間的聯合分布，UoMo 在多城市的預測任務中具備優越的性能表現，并且具備較好的零樣本 / 小樣本學習能力，體現出卓越的通用性與泛化能力。