你有没有想过，未来的移动网络能像 “预知未来” 一样提前感知用户需求？在今年的 ACM KDD 2025 大会上，清华大学电子系团队联合中国移动发布了 UoMo，全球首个面向移动网络的通用流量预测模型。UoMo 能同时胜任短期预测、长期预测，甚至在没有历史数据的情况下生成全新区域的流量分布。它结合了前沿的扩散模型与 Transformer 结构，还能理解城市中的地理信息与人流变化，把网络规划和优化做得更聪明、更精准。
标题：UoMo: A Universal Model of Mobile Traffic Forecasting for Wireless Network Optimization
作者：Haoye Chai（柴浩野）， Shiyuan Zhang（张诗源），Xiaoqian Qi（齐效乾），Baohua Qiu（邱宝华），Yong Li（李勇）
机构：清华大学，中国移动
论文链接：https://dl.acm.org/doi/10.1145/3711896.3737272
数据及代码链接：https://github.com/tsinghua-fib-lab/UoMo
为什么要做 UoMo
在大规模移动网络中，流量预测是实现智能化网络运营与优化的核心能力。它让运营商能够在复杂网络环境中，提前感知流量变化，从而主动执行一系列网规网优操作（如调度资源、部署基站、降低能耗）。然而，现有方法往往针对单一任务，缺乏跨区域、跨任务的统一预测能力，难以支撑智能化网络在多样化场景下的长期稳定运行：
泛化能力不足
不同城市在人口分布、城市布局和地理环境上差异极大，导致流量模式也随之变化，现有专用模型难以捕捉多样化时空特征，更难迁移到新场景。
任务适应性受限
短期 / 长期预测对数据特征的关注点不同，传统做法往往为每个任务单独设计模型，导致部署复杂、维护成本高。
UoMo 目标：在统一框架下同时支持短期预测、长期预测、生成三类任务。
移动网络流量预测任务是什么
论文把移动网络的流量预测归纳为三类
短期预测：用较长历史
预测近未来
，强调短时波动，典型的网规网优任务包括资源分配、用户接入控制等。长期预测：用较短历史
预测较长未来 
，强调周期与规律，典型的网规网优任务包括基站休眠节能、网络容量扩展等。生成（无历史）：仅用区域环境特征直接生成
，用于新区域的潜在需求评估，典型网规网优任务包含频段规划、小区选址等。
UoMo 的统一架构 数据词元化→ 模型预训练 → 模型微调
(一) 数据词元化：异构时空流量变成统一 “token”
将城市区域
、时间 
的张量
切分基础单元
获得 token 序列
，并通过嵌入层 
转换为低维表征，以此将不同时空粒度（小区 / 栅格，1 小时 / 15 分钟）投影到相同低维空间。
(二) 基于扩散模型预训练
UoMo 骨干网络结合扩散模型 + Transformer，采用扩散模型建模大规模移动数据的复杂时空分布，采用 Transformer 学习流量数据序列相关性。同时，UoMo 采用掩码 - 复原的自监督训练范式，定义如下四种掩码策略：
短期掩码：遮掩未来短时间内，对应短期预测任务；
长期掩码：遮住更长时间段，对应长期预测任务；
生成掩码：将目标时空区域全部数据进行遮掩，用周围区域 + 环境上下文完成生成任务；
随机掩码：随机遮掩时空点，帮助模型学习数据普适时空规律。
训练目标：定义前向过程加噪后数据表示为e，可观测部分数据为o，掩码策略为m，可以表示如下：
去噪网络用于还原原始添加噪声，最小化掩码部分的 MSE 损失：
(三) 城市环境微调：把人和城市注入模型
城市环境两大来源：（1）移动网络用户数：与网络流量格式相同的时空序列，表征不同时空地点人类移动规律；（2）POI 分布：表示某一时空区域的 POI 数量，通过与时间戳进行组合映射，能够获得具备时间属性的 POI 分布。
基于对比学习的环境对齐：相同时空区域内的流量与环境信息作为正样本，文章中通过理论分析，指出扩散模型中训练目标实际上等价于对比学习中优化 InfoNCE 目标，可以表示：
实验与结论
作者从真实世界 9 座规模不同的城市中采集下行移动流量数据，时间粒度为 15 分钟至 1 小时。在每个数据集中，城市环境环境数据通过公开地图服务抓取各城市的 POI 信息，覆盖居住、娱乐等 15 个相关类别。
实验结果表明，无论是短期预测、长期预测、生成任务，UoMo 相比于现有 baseline 算法，均体现卓越的预测能力，充分说明 UoMo “一模多用” 的能力，具备良好的通用性。
本文还对数据预测效果进行了可视化展示，充分说明 UoMo 所预测数据不仅仅是 “数值指标最优”，能够很好地还原真实流量数据的波动模式，这也为移动网络规划与优化提供重要实用基础。
对于 UoMo 零样本 / 小样本的学习能力， UoMo 相比于其他算法同样能够展示强大的泛化迁移能力，尤其是在小样本数据（如 5%/10% 数据）训练之后，能够进一步拉近与真实的误差。
部署与应用
基于 UoMo 预测的移动网络流量，文章测试了三类典型的应用场景（基站选址规划、无线资源分配、基站休眠控制），验证移动流量预测能力以及对网规网优的能力支撑。部署过程遵循三步闭环范式：
UoMo 流量预测：基于城市多源数据（历史流量、用户数、POI 等），UoMo 执行相应流量预测任务（长期 / 短期 / 生成），产生可用于后续优化的预测流量。
基于生成数据的优化策略求解：在获得预测流量后，将其输入到网络优化求解器中（站点选址、容量规划、节能优化、QoS 优化等），获得网规网优策略。
基于真实数据的策略验证与评估：应用平台按照真实网络数据验证网规网优策略，从覆盖、吞吐、时延等指标对优化策略进行量化评估，当最终系统性能越高，则说明基于 UoMo 预测流量所制定的规划优化策略效果越好。
总结
UoMo 是一种结合扩散模型的移动流量预测通用模型，该模型能够同时支持多种预测任务（短期 / 长期预测与生成）。通过建模移动流量在时间、空间、城市环境之间的联合分布，UoMo 在多城市的预测任务中具备优越的性能表现，并且具备较好的零样本 / 小样本学习能力，体现出卓越的通用性与泛化能力。
]]>