在5G、6G网络越来越复杂的今天，运营商们有个共同烦恼——如何提前知道网络未来的状态？比如，某小区明天上午10点的用户数会激增吗？基站的资源利用率会不会“爆仓”？这些预测是数字孪生网络（DTN，虚拟镜像物理网络的技术）的核心能力，能帮运营商提前优化配置，避免“临时抱佛脚”。但现有的预测方法要么依赖大量历史数据（比如得先收集22天数据才能训练模型），要么泛化能力差（换个新场景就“失效”），遇到动态变化的网络就“抓瞎”。最近，我国研究团队在《Frontiers of Information Technology & Electronic Engineering》期刊上发表论文，提出了一个叫TSNet的时间序列基础模型，像给数字孪生网络装了“智能大脑”，不用大量历史数据也能精准预测。

传统方法的“痛点”：数据依赖、泛化性差

要理解TSNet的价值，得先看看传统方法的局限。论文提到，过去的预测方法主要分三类：统计方法（比如ARIMA）需要假设数据有固定规律（比如季节性），但真实网络的状态（用户数、流量等）变化复杂，很难“套公式”；机器学习方法（比如随机森林）需要工程师手动设计特征，费时费力；深度学习方法（比如LSTM、Transformer）虽然能自动学特征，但得用长期历史数据训练，而实际网络中数据可能缺失或不够（比如新基站刚部署），模型还可能因网络配置变化（比如用户习惯改变）“过时”。

TSNet的“三板斧”：学规律、少数据、强泛化

针对这些问题，研究团队设计了TSNet，核心是“预训练+微调”框架，就像先让模型“上大学”学通用知识，再“实习”适应具体工作。具体有三个创新点：

第一，给Transformer“打补丁”，适配时间序列。 传统Transformer在自然语言处理（NLP）里很厉害，但直接用在时间序列（比如每小时的用户数）上“水土不服”。TSNet加了两个模块：一是“频率学习注意力”，把时间序列从“时间轴”转到“频率轴”（比如找出数据的周期性波动），再用稀疏注意力捕捉关键信息，既高效又能抓住隐藏规律；二是“时间序列分解”，把数据拆成长期趋势（比如用户数整体增长）和短期波动（比如每天早晚高峰），分别处理，就像把蛋糕的“主体”和“装饰”分开切，模型学起来更清晰。

第二，零样本预测：不用新数据也能干活。 TSNet先在大量历史数据（超过30万条网络状态序列）上预训练，学懂各种网络指标（用户数、流量、资源利用率等）的通用规律。之后遇到新场景（比如新基站），不用重新训练，直接“零样本”预测，就像学过“数学基础”的学生，遇到新题型也能举一反三。

第三，少样本微调：用少量数据“升级”。 如果有少量新数据（比如几天的历史记录），TSNet还能“微调”——只调整输入输出层等少量参数，既保留预训练学的“通用知识”，又快速适应新场景，解决“模型过时”的问题。

实验验证：零样本比传统模型准，微调后更优

研究团队用新实验站点的8类网络指标（用户数、上下行流量等）测试TSNet。结果显示，零样本预测时，TSNet的平均预测误差（MAE）是0.1111，比需要22天历史数据训练的LSTM（0.1694）、NBeats（0.1336）等传统模型都低；微调后，平均MAE进一步降到0.0847，相当于预测误差减少了约24%。更关键的是，传统模型要为每个指标、每个基站单独训练，而TSNet“一个模型打天下”，大幅降低了使用门槛。

未来展望：从预测到“全能选手”

论文提到，TSNet未来还能扩展到更多任务，比如识别网络异常（比如突然断连）、分类网络状态（比如“高负载”“低负载”）。随着6G和数字孪生技术普及，这样的模型可能成为网络运维的“标配”——既不用等大量数据“喂饱”模型，又能灵活应对网络变化，帮运营商省下大量时间和资源。

来源: 信息与电子工程前沿FITEE