PRB-RUPFormer：一种用于残差PRB预测的递归统一概率Transformer

# PRB-RUPFormer：一种用于剩余PRB预测的递归统一概率Transformer
摘要：准确预测剩余物理资源块（PRB）对于蜂窝网络中主动的网络切片供应、节能运行和频谱感知决策至关重要，其中剩余PRB可作为短期和中期频谱可用性的实际代理。现有的PRB预测方法通常仅依赖历史PRB值，并针对每个载波或扇区独立训练，这限制了它们捕获跨载波依赖关系的能力，并且无法提供预测不确定性的度量。此外，在高变动的流量条件下，仅靠点预测不足以实现鲁棒的频谱感知控制。本文提出了PRB-RUPFormer，一种用于剩余PRB预测的递归统一概率Transformer。所提出的模型使用时间、季节和载波感知嵌入联合处理多变量KPI时间序列，在递归展开过程中保留度量间的时间耦合，并稳定长时域预测。一个共享模型在eNB的所有载波和扇区上进行训练，从而能够以较低的计算开销高效学习联合流量动态。通过基于分位数的预测区间捕获预测不确定性，提供对未来PRB可用性的置信度感知估计。基于来自美国多个地点的六个月商用LTE网络数据的评估表明，中位数MAE低于0.05，单日和七日递归预测的命中概率均高于0.80。这些概率预测直接支持频谱感知的RAN功能，如动态载波激活、拥塞避免和主动频谱共享，使所提出的框架非常适合动态频谱接入场景。

索引术语— O-RAN, PRB预测, 动态频谱接入, Transformer模型, 概率预测, RAN智能。

## 一、引言

准确预测剩余物理资源块（PRB）对于无线接入网（RAN）的多种功能至关重要，包括网络切片供应、频谱管理、服务质量（QoS）保障以及节能运行。运营蜂窝网络中的流量模式表现出强烈的时间变异性，这主要由昼夜使用周期、用户移动性和事件引发的激增所驱动。这些动态直接影响跨载波和扇区的PRB可用性，而预测未来的PRB利用率能够实现主动控制措施，从而缓解拥塞并提高资源利用率。

参见图注：图1：将所提出的预测模型集成到O-RAN架构中，展示了概率PRB预测如何支持rApp和xApp控制功能。

从频谱管理的角度来看，剩余PRB提供了载波级别短期和近期频谱可用性的细粒度表示。由于PRB对应于物理层调度的时频资源，其剩余数量反映了可以动态重新分配、共享或机会主义复用的频谱。因此，预测剩余PRB能够支持频谱感知决策，如动态载波激活、载波间负载均衡以及跨扇区或网络切片的自适应频谱分配。在新兴的动态频谱接入（DSA）场景[1 (https://arxiv.org/html/2605.15363#bib.bib12)]中，频谱资源越来越多地在不同服务和运营商之间共享，预测未来的PRB可用性对于减少干扰、防止拥塞和提高频谱效率至关重要。通过将剩余PRB预测作为短期和中期频谱可用性的代理，所提出的框架直接支持下一代蜂窝系统中所设想的动态频谱接入和频谱共享用例。

这些频谱感知的预测能力自然地与开放无线接入网（O-RAN）架构保持一致，O-RAN引入了开放、可编程和可分解的框架，用于数据驱动的RAN控制和自动化[10 (https://arxiv.org/html/2605.15363#bib.bib1)]。O-RAN定义了两种类型的RAN自动化应用，区别在于其控制回路延迟的数量级。rApps 在秒级别运行，部署在非实时RAN智能控制器（RIC）中；而xApps 在毫秒级别运行，部署在近实时RIC中。rApps 和 xApps 都需要及时了解未来网络和频谱状况，以实现预测性闭环控制。如图1 (https://arxiv.org/html/2605.15363#S1.F1) 所示，所提出的概率PRB预测模块可以作为O-RAN rApp部署，为高级网络自动化（包括网络切片）提供未来网络状况感知。具体来说，历史KPI在云端处理以训练预测模型，该模型作为预测rApp部署在非实时RIC中。生成的预测可以通过R1接口与其他rApp共享，并通过A1接口传达给近实时xApps，从而支持频谱感知的控制动作，如动态资源分配、拥塞避免和主动频谱共享。虽然本文侧重于预测方法而非O-RAN实现细节，但该图强调了概率PRB预测对于RIC驱动的频谱和资源管理的实际意义。

为了解决现有技术的局限性，本文介绍了递归统一概率Transformer (PRB-RUPFormer)，这是一种数据驱动且计算高效的基于Transformer的架构，用于剩余PRB预测。与传统的按载波或按小区预测器不同，PRB-RUPFormer 采用单个统一模型，联合预测eNB所有载波和扇区的剩余PRB，从而能够捕获由共享频谱使用、载波聚合和协调调度自然产生的载波间和扇区间依赖关系。这种统一设计显著降低了大规模部署中的模型维护和训练开销，同时在数据稀疏的情况下提高了泛化能力。该模型集成了轻量级注意力块以及时间和季节位置嵌入，以有效学习长期流量动态，并在从分钟到数天的范围内执行递归多步预测。通过生成具有校准置信区间的概率预测，PRB-RUPFormer 提供了可靠、具有不确定性意识的预测，非常适合频谱感知和闭环RAN控制。本文的主要贡献总结如下：

- • 一种统一的、数据驱动的Transformer架构，使用单个模型预测eNB所有载波和扇区的剩余PRB，捕获了按载波预测器遗漏的载波间和扇区间依赖关系。
- • 一种高效的递归预测策略，将短期预测扩展到多日时间范围，而无需为每个时间范围重新训练单独的模型。
- • 具有校准置信区间的概率剩余PRB预测，支持具有不确定性意识的频谱和RAN控制决策。
- • 使用来自多个地点、多种流量条件和预测时间范围的商用LTE网络数据进行广泛评估。

本文的其余部分组织如下。第二部分回顾了PRB和流量预测的相关工作。第三部分介绍了系统模型和问题公式化。第四部分描述了所提出的 PRB-RUPFormer 架构和训练方法。第五部分概述了实验设置和评估指标。数值结果在第六部分讨论，第七部分给出结论。

## 二、相关工作

早期关于PRB预测的工作主要依赖于统计和自回归模型，这些模型仅使用历史观测来捕获PRB使用中的时间相关性[11 (https://arxiv.org/html/2605.15363#bib.bib2)]。虽然这些方法对于建模短期趋势有效，但它们假设未来的PRB利用率仅取决于过去的PRB值，并且没有考虑流量负载、调度动态、用户移动性或控制平面活动的影响。因此，它们在非平稳网络条件下泛化的能力有限。

为了捕获蜂窝网络中的非线性依赖关系，机器学习技术已被应用于流量和资源预测任务[4 (https://arxiv.org/html/2605.15363#bib.bib5),8 (https://arxiv.org/html/2605.15363#bib.bib3),7 (https://arxiv.org/html/2605.15363#bib.bib4)]。例如，结合KPI选择、神经回归和季节性ARIMA的混合模型已被提出用于使用每个小区历史数据进行下行链路吞吐量预测[8 (https://arxiv.org/html/2605.15363#bib.bib3)]。其他研究评估了集成学习和神经模型，以识别影响短期吞吐量预测准确性的KPI[7 (https://arxiv.org/html/2605.15363#bib.bib4)]。然而，这些方法侧重于吞吐量而非PRB可用性，每个小区独立运行，并且产生无法量化预测不确定性的点估计，限制了它们在频谱感知控制和接纳决策中的适用性。

循环神经网络，包括LSTM和GRU架构，已被广泛用于蜂窝流量预测。基于LSTM的模型已被应用于使用调度器级别信息进行短时域承载级吞吐量和PRB需求预测[3 (https://arxiv.org/html/2605.15363#bib.bib6)]，以及使用大型LTE数据集进行毫秒级PRB利用率预测[9 (https://arxiv.org/html/2605.15363#bib.bib7)]。虽然这些方法捕获了时间相关性，但循环结构难以处理长期依赖关系，并且通常按小区或按载波运行。此外，它们生成确定性点预测，并且不建模载波间或扇区间的耦合，而这对于协调频谱管理至关重要。

最近，基于Transformer的架构因其通过自注意力机制建模长期时间依赖关系的能力而在网络流量预测中受到关注[5 (https://arxiv.org/html/2605.15363#bib.bib8)]。然而，蜂窝网络中现有的基于Transformer的研究主要针对单步或短时域预测，并且通常是为单个小区或载波设计的。此外，这些方法大多只提供点估计，没有不确定性量化，这限制了它们在频谱共享、切片接纳控制和节能RAN优化等需要鲁棒性的场景中的应用。

从频谱管理的角度来看，先前的工作强调了预测资源需求以支持主动分配和避免过度或不足供应的重要性，特别是在RAN切片和共享频谱环境的背景下[3 (https://arxiv.org/html/2605.15363#bib.bib6),2 (https://arxiv.org/html/2605.15363#bib.bib13)]。然而，现有的解决方案通常将PRB需求预测视为一个支持组件，而不是跨载波和扇区的统一预测问题，并且它们没有明确地将剩余PRB的概率预测作为未来频谱可用性的代理。

在O-RAN生态系统中，预测被广泛认为是支持智能rApp和xApp（如PRB利用率预测、干扰缓解和主动移动性管理）的关键使能技术。尽管有这种认识，但将概率性、多载波PRB预测集成到O-RAN控制工作流程中仍然在很大程度上未被探索。本文通过提出一种用于剩余PRB预测的统一概率Transformer架构，并概述其在符合O-RAN的控制环路中的部署，以支持频谱感知的预测性RAN管理，从而弥补了这一空白。

## 三、系统模型

我们考虑一个商用LTE eNB部署，该部署由多个扇区组成，通常是三个扇区，每个覆盖大约120度。每个扇区运行多个分量载波，具有不同的中心频率和带宽，形成多层结构。如图2 (https://arxiv.org/html/2605.15363#S3.F2) 所示，这些覆盖层在实践中是重叠的，其边界并不严格；每个载波的有效覆盖范围随路径损耗、阴影、天线配置和流量负载而变化。按照先前研究中常见的做法，为每个载波训练单独的预测模型不能利用跨载波和扇区的固有耦合，并且会导致冗余的模型实例。这促使我们采用一个统一的预测框架，能够捕获跨载波和跨扇区的依赖关系，这在频谱资源可以跨载波和扇区灵活重新分配、共享或机会主义复用的动态频谱接入场景中至关重要。

参见图注：图2：本研究中所用LTE eNB配置的示意图，由三个扇区组成，每个扇区运行七个载波。

在eNB处，大量关键性能指标（KPI）在传输时间间隔（TTI）级别进行测量，并且通常在运营蜂窝网络中聚合到更粗的分辨率用于监控和分析。在本工作中，KPI在固定的15分钟间隔上聚合，这是小区和载波级别性能报告的行业标准粒度。在每个离散时间索引 \( t \)，网络报告多个KPI，从中根据与剩余PRB利用率的皮尔逊相关性选择一个子集，以捕获PRB消耗和短期频谱可用性的主要驱动因素。预测目标是剩余PRB比率，为每个载波定义为：

\[
r_t = \frac{N_{\text{PRB}}^{\text{tot}} - N_{\text{PRB}}^{\text{used}}(t)}{N_{\text{PRB}}^{\text{tot}}},
\tag{1}
\]

其中 \( N_{\text{PRB}}^{\text{tot}} \) 表示该载波可用的PRB总数，\( N_{\text{PRB}}^{\text{used}}(t) \) 是在时间间隔 \( t \) 内使用的PRB数量。这种归一化公式将剩余PRB比率限制在区间 \( [0,1] \) 内，并作为短期频谱可用性的实际代理，使得跨载波的有意义比较成为可能，并支持频谱感知决策制定。

在时间 \( t \) 选择的KPI向量定义为：

\[
\mathbf{X}_t = \big[ \text{PRB\_MEAN}_t,\; \text{PRB\_TOTAL}_t,\; \text{ACTIVE\_TTI}_t,\;
\text{PRB\_PDSCH}_t,\; \text{PRB\_PUCCH}_t,\; \text{UE\_MAX}_t,\; \text{UE\_AVG}_t,\;
\text{DL\_TPUT}_t,\; r_t \big].
\tag{2}
\]

换言之，向量 \( \mathbf{X}_t \) 包括联合捕获流量需求、调度行为和用户活动的KPI，包括每个TTI的平均PRB使用量、总PRB、活跃TTI、