无线通信数据集

该数据集来自无线通信领域，用于测试新的时间序列预测模型。数据集包含了历史时间序列信息，用于预测未来的无线网络数据。该数据集的应用领域包括能源效率政策和功率分配策略。数据集的创建过程和具体的数据量在论文中未提及。本文的研究旨在解决传统时间序列预测方法中存在的预测误差处理不均匀的问题，通过引入新的训练方法，使预测模型能够根据应用场景动态调整预测重点，从而提高预测的准确性和下游应用的性能。

This dataset is sourced from the field of wireless communications and is intended for validating novel time series forecasting models. It comprises historical time series data for forecasting future wireless network traffic. The application scenarios of this dataset include energy efficiency policy formulation and power allocation strategies. Neither the dataset creation process nor its exact volume is specified in this paper. This research aims to resolve the problem of uneven handling of prediction errors in traditional time series forecasting methods. By adopting a new training methodology, the forecasting model can dynamically adjust its forecasting priorities in accordance with specific application scenarios, thereby improving prediction accuracy and the performance of downstream applications.

搜集汇总

数据集介绍

构建方式

无线通信数据集的构建采用了前沿的时间序列预测技术，特别关注了无线网络流量预测的实际需求。该数据集通过收集真实的无线移动网络测量数据，包括吞吐量、物理资源块利用率和用户数量等多个模态，构建了一个多变量时间序列。数据采集过程中采用了滑动窗口技术，将历史数据窗口与未来预测窗口配对，形成监督学习的输入输出结构。研究团队还引入了合成数据集SynthDS作为辅助，通过组合正弦信号和随机选择输出信号，并添加高斯噪声，构建了一个用于验证方法有效性的基准测试环境。

特点

该数据集最显著的特点是其实用导向的设计理念，突破了传统时间序列预测仅关注误差最小化的局限。数据集特别强调了不同预测区间的重要性差异，例如在无线网络场景中，低流量时段对基站节能策略更为关键。数据集包含真实无线网络数据和合成数据两种类型，其中真实数据来自华为巴黎研究中心的实际测量，具有高度真实性；合成数据则通过精心设计的信号组合，能够清晰展示不同预测区间的特征。此外，数据集支持多种预测策略评估，包括基线策略、任务特定策略和自适应区间策略等，为研究提供了丰富的实验维度。

使用方法

使用该数据集时，研究人员可以采用标准的70-10-20或66-17-17比例划分训练集、验证集和测试集。数据集支持多种先进的时序预测模型，如iTransformer、DLinear、PatchTST和TimeMixer等。输入序列长度可配置为96或48个时间步，预测视界为24个时间步。训练过程中推荐使用AdamW优化器，配合余弦退火学习率调度。对于评估指标，除了传统的MAE和MSE外，特别建议关注特定预测区间的准确性，这需要通过修改损失函数来强调关键区间。数据集还支持端到端训练范式，允许将预测模型与下游决策任务联合优化。

背景与挑战

背景概述

无线通信数据集由华为技术有限公司巴黎研究中心于2025年发布，旨在解决时间序列预测（TSF）领域的关键问题。该数据集聚焦于无线网络流量预测，特别关注如何将预测结果动态适配到下游应用场景，如基站能耗管理和功率分配策略。研究团队提出了一种创新的训练方法，通过将整个信号范围分解为多个小段并动态加权组合，显著提升了预测精度和应用性能。这项工作为构建更智能的预测系统奠定了基础，在通信网络优化、资源调度等领域具有重要应用价值。

当前挑战

该数据集面临两大核心挑战：在领域问题层面，传统时间序列预测方法仅关注整体误差最小化，而无线通信场景需要针对不同时段（如高低流量期）进行差异化预测，这对模型的动态适应能力提出极高要求；在构建过程中，研究人员需解决无线网络数据的非平稳性、多模态特征融合（吞吐量、资源块利用率等）以及真实场景噪声干扰等问题。此外，如何设计既能保持全局预测能力又可局部调优的模型架构，也是数据集构建的关键技术难点。

常用场景

经典使用场景

无线通信数据集在时间序列预测领域具有重要应用价值，特别是在无线网络流量预测和基站能耗管理中。该数据集通过采集多模态的无线通信数据（如吞吐量、资源块利用率等），为研究者提供了丰富的时空特征信息。在经典使用场景中，研究者通常利用Transformer架构或LSTM等深度学习模型，基于历史流量数据预测未来24-96个时间步的通信负载，从而优化网络资源分配。

衍生相关工作

基于该数据集衍生的研究成果显著推动了领域发展。Moirai和Chronos等通用时间序列大模型在其基础上扩展了零样本预测能力；iTransformer等架构创新通过通道独立编码提升了多变量预测性能。在应用层面，Zindi平台举办的时空波束级流量预测竞赛进一步验证了数据集的工程价值，催生出多个融合图神经网络的创新解决方案。

数据集最近研究

最新研究方向

近年来，无线通信数据集在时间序列预测领域的研究取得了显著进展，特别是在面向目标的预测框架设计方面。该领域的最新研究聚焦于如何使预测模型能够根据终端应用的具体需求动态调整其预测重点，而不仅仅是追求预测误差的最小化。例如，通过将整个信号范围的预测分解为较小的片段，并动态加权组合这些片段，以提高预测的准确性和终端应用的性能。这一方法在无线通信数据集上的应用，不仅提升了预测精度，还优化了基于预测模型的终端应用表现。此外，该研究为构建更紧密连接预测与决策的预测系统奠定了基础，具有广泛的实际应用潜力，如能源效率策略和功率分配优化等。

相关研究论文

• Goal-Oriented Time-Series Forecasting: Foundation Framework Design

  华为技术有限公司巴黎研究中心 · 2025年