netop/Beam-Level-Traffic-Timeseries-Dataset

这是一个关于5G通信网络的多变量时间序列数据集，旨在支持研究，以实现通信网络中KPIs的准确预测。数据集包括30个基站（每个基站3个小区，每个小区32个波束）的2880个波束的时间序列数据。数据集覆盖了5周的训练数据加上2个目标周的数据，总共包含840小时的训练时间和1176小时的总时间。This is a multivariate time series dataset for 5G communication networks, designed to support research in enabling accurate prediction of KPIs across communication networks. The dataset includes time-series data for 2,880 beams across 30 base stations (3 cells per station, 32 beams per cell). It covers 5 weeks of training data plus 2 target weeks, totaling 840 hours of training time and 1176 hours of total time.

搜集汇总

数据集介绍

构建方式

该数据集针对通信网络中波束级流量预测任务而构建，覆盖30个基站、每基站3个小区及每小区32个波束，共计2880个波束的时间序列数据。数据采集周期为11周，其中前5周作为训练集，第6周和第11周分别作为短期与长期预测目标。数据集包含下行物理资源块利用率、下行吞吐量、下行传输时长及用户数量四种关键性能指标，以CSV格式存储，每一文件包含时间戳列及对应波束的标识列，为多变量时间序列预测提供结构化输入。

特点

该数据集兼具大规模与细粒度特性，2880个波束的独立时间序列使其能够真实反映5G网络中波束级流量的时空动态。数据集设计了两个不同预测时域——第6周的近期预测与第11周的远期预测，为评估模型在不同时间尺度上的泛化能力提供了基准。四种关键性能指标的并行记录支持单变量与多变量预测任务，同时其实际网络部署背景为网络管理、资源分配优化等应用场景提供了真实可用的数据支撑。

使用方法

用户可通过HuggingFace Datasets库加载该数据集，利用提供的config_name参数选择DLPRB、DLThpVol、DLThpTime或MR_number四种指标之一。每个配置包含训练集及两个测试集，分别对应第6周与第11周的预测目标。数据集支持直接用于时间序列预测模型的训练与评估，官方代码仓库（https://github.com/netop-team/gotsf）提供了数据预处理、模型构建及性能评估的完整工作流，便于研究者复现实验与开展对比研究。

背景与挑战

背景概述

随着第五代移动通信技术（5G）的规模化部署与网络架构的日益复杂，精确的网络流量预测成为优化资源分配、保障服务质量的关键技术挑战。在此背景下，netop团队于2026年发布了Beam-Level Traffic Timeseries Dataset，该数据集由Fechete等人构建，旨在为通信网络中的关键性能指标预测提供标准化基准。该数据集覆盖了30个基站、2880个波束的四种核心指标，包括下行物理资源块利用率、下行吞吐量、传输时长及用户数，时间跨度为11周，为单变量与多变量时间序列预测研究提供了丰富的高维数据资源。其发布不仅推动了时间序列预测模型在无线通信领域的应用，更为网络智能运维与动态资源调度研究奠定了坚实的数据基础。

当前挑战

该数据集所解决的领域问题在于实现波束级别的网络流量精准预测，以应对5G网络中流量模式的高度动态性与时空异质性，传统模型难以捕捉波束间复杂的非线性依赖关系。在构建过程中，面临的首要挑战是海量波束数据的采集与同步，需确保2880个波束在连续数周内保持时间对齐与数据完整性。其次，不同指标间的量纲差异与缺失值处理增加了数据预处理的复杂性。此外，长短期预测任务（如第6周与第11周）对模型泛化能力提出更高要求，需克服训练数据时间跨度有限与分布漂移带来的精度衰减问题。这些挑战促使研究者在模型设计中融合时空注意力机制与多任务学习策略，以提升预测鲁棒性。

常用场景

经典使用场景

该数据集的核心应用场景在于为5G通信网络中的波束级流量预测提供标准化的时间序列基准。研究者可利用其包含的下行物理资源块利用率、吞吐量、传输时间及用户数量等多维关键性能指标，对2880个波束的短期（周级别）与长期（月级别）流量动态进行建模与预测。数据集精心划分了五周训练集与两个不同时间跨度的测试集，特别适合用于评估和比较各类单变量与多变量时间序列预测模型在极端细粒度无线网络环境下的泛化能力与鲁棒性。

解决学术问题

该数据集有效解决了学术界在细粒度无线网络资源管理中面临的真实数据匮乏与基准不统一两大难题。长期以来，由于运营商数据的敏感性，针对波束级别的流量预测研究多停留在仿真阶段，难以验证模型在真实复杂拓扑下的有效性。此数据集提供了来自30个基站、2880个波束的长时间跨度实测数据，使研究者能够系统性地探索时空相关性建模、长期依赖捕捉以及多任务联合预测等前沿问题，从而推动智能网络运维理论从宏观小区级向微观波束级纵深发展。

衍生相关工作

该数据集的发布催生了一系列围绕目标导向时间序列预测的经典工作。其中最具代表性的包括Fechete等人提出的目标导向时间序列预测基础框架，该工作被AAAI 2026收录，首次将预测任务与下游网络优化目标进行联合建模。后续研究者基于此数据集开发了融合图神经网络与Transformer的波束时空预测模型，以及面向非平稳流量分布的自适应元学习算法。这些衍生工作不仅深化了对无线网络流量演变规律的理解，更将时间序列预测从单纯的数据拟合提升至任务驱动的决策优化层面。