想象一下，运营商想知道某基站明天上午10点的用户数会不会“爆表”，传统方法得先收集22天的历史数据才能训练模型；要是新基站没数据，或者网络配置突然变化，模型还可能“失效”——这是数字孪生网络（DTN）面临的真实困境。最近，我国研究团队在《Frontiers of Information Technology & Electronic Engineering》期刊上发表论文，提出了一种叫TSNet的时间序列基础模型，像给网络预测装了“自适应大脑”，不用大量历史数据也能精准“预判”未来网络状态。

传统预测的“卡脖子”问题：数据依赖与泛化乏力

数字孪生网络的核心能力之一，是通过当前网络状态预测未来表现（比如延迟、可靠性），帮运营商提前优化。但现有的预测方法各有“硬伤”：统计方法（如ARIMA）得假设数据有固定规律（比如每天用户数的“早高峰”），但真实网络状态（流量、资源利用率等）变化复杂，很难“套公式”；机器学习方法（如随机森林）依赖工程师手动设计特征，像给不同“题型”编“解题模板”，费时又低效；深度学习方法（如LSTM、Transformer）虽能自动学特征，却要“喂”大量历史数据才能训练，遇到新基站或网络配置变化（比如用户习惯突变），模型就可能“过时”。

TSNet的“破局”思路：预训练学规律，微调快适应

针对这些痛点，研究团队设计了TSNet，核心是“预训练+微调”框架，就像让模型先“上大学”学通用知识，再“实习”适应具体场景。它有三个关键创新：

第一，给Transformer“量身定制”时间序列适配。 传统Transformer在自然语言处理（NLP）里很擅长“理解上下文”，但直接用在时间序列（比如每小时的用户数）上“水土不服”。TSNet做了两个改造：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——就像把“流水账”的时间数据，变成“有节奏的乐谱”来分析；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：没新数据也能“上岗”。 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（比如刚部署的基站），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。这种方法就像给手机“升级系统”，只更新关键功能，不删原有数据，高效又安全。

实验结果：零样本更准，微调后“再上一层楼”

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。

未来可能：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