netop/gotsf-ds

Beam-Level (5G)时间序列数据集是一个专门为支持通信网络中关键性能指标（KPIs）准确预测研究而设计的多变量时间序列数据集。数据集包含四个主要配置：下行物理资源块（DLPRB）时间序列数据、下行吞吐量体积（DLThpVol）时间序列数据、下行吞吐量时间（DLThpTime）时间序列数据和测量报告数量（MR_number）时间序列数据。数据集涵盖了2,880个波束，跨越30个基站（每个基站3个小区，每个小区32个波束），时间跨度为5周训练数据和2周测试数据（第6周和第11周）。数据格式为CSV文件，包含时间列和多个波束列。该数据集旨在为网络管理和资源分配效率优化提供支持，并为时间序列模型的研究提供基准。The Beam-Level (5G) Time-Series Dataset is a novel multivariate time series dataset specifically curated to support research in enabling accurate prediction of Key Performance Indicators (KPIs) across communication networks. The dataset includes four main configurations: Downlink Physical Resource Block (DLPRB) time-series data, Downlink Throughput Volume (DLThpVol) time-series data, Downlink Throughput Time (DLThpTime) time-series data, and Measurement Report Number (MR_number) time-series data. It comprises 2,880 beams across 30 Base Stations (3 Cells per Station, 32 Beams per Cell), with a duration of 5 weeks of training data and 2 weeks of test data (Week 6 and Week 11). The data is stored in CSV files, each containing a Time column and multiple beam columns. This dataset is designed to optimize network management and enhance resource allocation efficiency, serving as a benchmark for state-of-the-art time series models.

搜集汇总

数据集介绍

构建方式

该数据集源自5G网络环境中30个基站、每个基站3个小区、每个小区32个波束的细粒度监测，共计涵盖2880个波束。数据采集持续11周，其中前5周数据作为训练集，第6周与第11周的数据作为两个不同时间跨度的预测目标。数据以CSV文件形式组织，每条记录包含时间戳及各波束对应的关键性能指标（KPI），包括下行物理资源块（DLPRB）使用量、下行吞吐量（DLThpVol）、下行传输时间（DLThpTime）以及用户测量报告数量（MR_number），从而构建起一个面向通信网络多变量时间序列预测的基准数据集。

特点

该数据集具备显著的细粒度与多尺度特性。一方面，它提供了2880个独立波束的连续时间序列，波束级别的分辨率使得模型能够捕捉到网络流量在空间维度上的细微变化。另一方面，数据集设计了短期（第6周）与长期（第11周）两种预测目标，为评估模型在不同时间尺度上的泛化能力提供了标准化测试基准。此外，四个维度的KPI指标相互关联，共同刻画了网络负载、资源分配与用户体验等关键维度，为多变量时间序列预测研究提供了丰富且具有挑战性的场景。

使用方法

使用者可通过HuggingFace Datasets库加载该数据集，选择`DLPRB`、`DLThpVol`、`DLThpTime`或`MR_number`等配置项获取对应KPI的数据。每个配置项下包含`train_0w_5w`作为训练集，以及`test_5w_6w`和`test_10w_11w`作为两个预测目标。数据以CSV格式存储，包含`Time`列和2880个波束列。建议研究者结合官方代码仓库（https://github.com/netop-team/gotsf）中的预处理与评估工具，将数据输入至各类时间序列预测模型中进行训练与评测。

背景与挑战

背景概述

该数据集由Fechete等人于2026年在新加坡举办的AAAI会议上发布，旨在推动面向目标的时序预测在通信网络领域的应用。随着5G网络规模的急剧扩张，波束级别的关键性能指标预测成为优化网络管理与资源分配的核心挑战。该数据集覆盖30个基站、2880个波束，包含下行物理资源块使用量、吞吐量、传输时间及用户数四个关键指标，并提供了5周训练数据与第6周、第11周两个预测目标窗口，为多变量时序预测模型提供了高维度、高密度的真实网络场景基准。其发布填补了波束级细粒度KPI预测数据集的空白，对网络智能运维研究具有重要推动作用。

当前挑战

所解决的领域问题在于5G网络中波束级KPI预测的复杂性：网络流量呈现高度非平稳性、周期性及突发性，且2880个波束之间存在空间与时间上的复杂耦合关系，传统单变量时序模型难以捕捉多维度动态依赖。构建过程中面临双重挑战：其一，原始网络日志数据规模庞大且存在缺失值、异常值，需设计鲁棒的清洗与对齐流程；其二，波束标识体系复杂（基站-小区-波束三级编号），需确保跨时间窗口的序列一致性及训练/测试集的时间连续性，以避免数据泄漏。此外，长期预测窗口（第11周）与训练窗口间隔5周，进一步考验模型对长期依赖关系的建模能力。

常用场景

经典使用场景

在无线通信与人工智能交叉研究领域，该数据集为波束级5G网络关键性能指标（KPI）的时间序列预测提供了标准化基准。研究者可基于2,880个波束的下行物理资源块利用率、吞吐量、传输时长及用户数等多维时序数据，开展单变量与多变量预测任务。其精妙之处在于数据天然包含短期（第6周）与长期（第11周）两种预测跨度，使得模型在捕捉网络流量瞬时波动与周期性规律时均能获得有效验证。

实际应用

实际部署中，该数据集赋能了5G网络智能运维系统的核心模块——动态资源调度与流量预规划。运营商可基于波束级吞吐量预测，提前调整物理资源块分配策略，避免热点区域拥塞；利用用户数预测指导基站休眠与唤醒，实现毫瓦级节能。在边缘计算场景中，精准的传输时长预测还能优化业务迁移决策，确保增强现实、自动驾驶等低延迟应用的体验质量。

衍生相关工作

围绕该数据集已衍生出多项开创性工作，包括基于扩散概率模型的通信流量生成框架，以及融合图神经网络与注意力机制的波束级时空预测架构。研究者还提出了面向网络KPI的因果推断方法，揭示资源调度策略与用户行为之间的滞后效应。这些工作不仅提升了预测精度，更将机器学习与通信网络设计的耦合推向新高度，催生了诸如目标导向时间序列预测等新兴研究方向。