Графовый трансформер повысил точность прогноза трафика в edge-вычислениях

Точное прогнозирование трафика становится критически важным для эффективного управления ресурсами в edge computing — архитектуре, где обработка данных приближена к пользователю. В практических сотовых системах трафик демонстрирует сильные пространственные корреляции между соседними зонами обслуживания и долгосрочные временные зависимости, вызванные мобильностью пользователей и особенностями приложений.

Существующие рекуррентные подходы, например на основе LSTM или GRU, неплохо улавливают краткосрочную динамику, но часто не справляются с моделированием длинных горизонтов в нестационарных условиях. Эти ограничения приводят к избыточному или недостаточному выделению ресурсов, что увеличивает нагрузку на сеть и риски отказов.

Предложенная авторами исследования структура — пространственно-временной графовый трансформер — разделяет решение двух задач: моделирование пространственных связей и анализ временных последовательностей. Для пространственных зависимостей используются графовые нейронные сети, а для долгосрочных временных паттернов — механизм самовнимания трансформера. Такое разделение упрощает обработку крупномасштабных данных в реальном времени.

Эксперименты на реальном наборе данных сотовой сети показали, что предложенная модель стабильно превосходит рекуррентные графовые базовые модели — GCN-RNN, GCN-LSTM и GCN-GRU — на нескольких горизонтах прогнозирования. Улучшение точности особенно заметно при увеличении горизонта, что подтверждает способность трансформера учитывать сложные временные закономерности.

Полученные прогнозы позволяют перейти от реактивного управления ресурсами к упреждающему: заранее выделять мощности в зонах с ожидаемым ростом нагрузки и снижать риск перегрузки. Это открывает путь к созданию интеллектуальных и адаптивных систем edge computing, способных динамически подстраиваться под изменения спроса.

Авторы отмечают, что результаты подчеркивают потенциал графовых механизмов внимания для построения более эффективных систем прогнозирования. Работа опубликована в архиве препринтов arXiv и представляет интерес для разработчиков сетевой инфраструктуры и исследователей в области машинного обучения.