Beam-Level-Traffic-Timeseries-Dataset

Beam-Level (5G)时间序列数据集是一个为推进空间时间预测研究而设计的新型多变量时间序列数据集。该数据集主要用于预测通信网络中的流量吞吐量，包含30个基站的数据，每个基站有3个小区，每个小区有32个波束，数据按小时记录，覆盖了五周的时间段。数据集分为四个部分，分别代表不同的网络性能指标。

Beam-Level (5G) Time Series Dataset is a novel multivariate time series dataset designed to advance spatio-temporal prediction research. This dataset is primarily used for predicting traffic throughput in communication networks, containing data from 30 base stations, with 3 cells per base station and 32 beams per cell. The data is recorded hourly and covers a five-week period. The dataset is divided into four parts, each representing different network performance metrics.

搜集汇总

数据集介绍

构建方式

在5G通信网络研究领域，精确的流量预测对资源优化配置至关重要。该数据集通过采集2,880个波束的网络性能指标构建而成，覆盖30个基站的3个蜂窝单元，每个单元包含32个波束。数据以小时为粒度记录了五周内的多维时间序列，包含吞吐量、PRB利用率和用户数等关键指标，并通过严格的时空对齐确保数据一致性。

特点

作为专为时空预测研究设计的基准数据集，其核心价值体现在多维异构指标的协同表征能力。数据集不仅包含传统的吞吐量指标，还创新性地整合了物理资源块利用率等5G特有参数，为研究网络流量与资源分配的耦合关系提供了独特视角。每小时采样的高时间分辨率，配合基站-蜂窝-波束的三级空间结构，形成了具有层次化特征的时空立方体。

使用方法

研究者可通过四种核心指标文件的协同分析开展多任务学习，其中traffic_DLThpVol.csv作为预测目标变量。数据集采用五周训练、单周测试的标准划分，支持即时预测（第6周）和长期预测（第11周）双评估场景。建议使用时序交叉验证策略，并注意基站间空间相关性的建模，以充分挖掘数据中蕴含的时空依赖特性。

背景与挑战

背景概述

Beam-Level-Traffic-Timeseries-Dataset是由L. Fechete等研究人员于2025年提出的多变量时间序列数据集，专注于5G通信网络中的流量预测研究。该数据集由2,880个波束的每小时网络性能指标构成，覆盖30个基站，旨在解决通信网络流量精确预测这一核心科学问题。通过提供吞吐量、资源块利用率等关键指标，该数据集为时空预测领域建立了重要基准，显著推动了网络流量管理与资源分配优化的理论研究和实际应用。其创新性设计为机器学习与网络科学的交叉研究提供了高质量实验平台。

当前挑战

该数据集面临的主要挑战体现在预测任务与构建过程两个维度。在预测任务层面，5G网络流量的高度动态性与时空依赖性对现有时序预测模型提出了严峻考验，特别是处理多基站波束间复杂交互关系时，传统方法往往难以捕捉其非线性特征。构建过程中的挑战则源于海量异构数据的采集与清洗，需确保不同基站设备产生的吞吐量、PRB利用率等指标在时间同步与量纲上保持严格一致，这对数据采集系统的可靠性与数据处理流程的鲁棒性提出了极高要求。

常用场景

经典使用场景

在5G网络流量预测研究中，Beam-Level-Traffic-Timeseries-Dataset以其精细的时空分辨率成为评估预测模型的黄金标准。该数据集记录了2880个波束在30个基站上的多维性能指标，包括吞吐量、资源块利用率和用户数等关键参数，为研究者提供了模拟真实网络负载波动的实验平台。其小时级采样频率和五周连续观测周期，特别适合验证长短时记忆网络、Transformer等先进时序模型在复杂网络环境中的泛化能力。

衍生相关工作

该数据集催生了多个标志性研究成果，包括Fechete团队提出的时空图卷积联合建模框架ST-GCNet，以及华为诺亚方舟实验室开发的PRB利用率预测专用架构DeepPRB。IEEE Transactions on Networking刊载的Cross-Beam Attention机制，通过挖掘波束间隐藏的空间相关性，将预测窗口扩展至72小时。这些工作共同推动了通信网络数字孪生技术的发展。

数据集最近研究

最新研究方向

随着5G通信技术的迅猛发展，网络流量预测在智能资源调度和网络优化中的重要性日益凸显。Beam-Level-Traffic-Timeseries-Dataset作为首个聚焦5G波束级多维时间序列的开放数据集，近期研究主要围绕时空图神经网络与元学习的融合展开，旨在解决基站间时空依赖性建模和少样本场景下的泛化问题。该数据集通过物理资源块利用率、用户数等多维度指标，为探索通信流量内在周期性与突发性规律提供了全新基准。2023年国际通信大会多篇论文基于该数据集验证了动态图注意力机制在跨基站流量预测中的优越性，相关成果正推动边缘计算场景下的实时资源分配算法革新。