Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement for Cellular Traffic Forecasting

Resumen Técnico: MSPF-Net para la Predicción de Tráfico Celular

Planteamiento del Problema
La predicción precisa del tráfico de la red celular es crítica para la planificación de redes, la asignación de recursos y el aseguramiento de la calidad del servicio. Sin embargo, el tráfico en el mundo real se caracteriza por dinámicas espaciotemporales complejas, que incluyen fluctuaciones endógenas erráticas y perturbaciones desencadenadas por eventos urbanos externos. Los métodos existentes enfrentan dos limitaciones principales:

1. Modelado de ráfagas inadecuado: La mayoría de los enfoques dependen de representaciones de tráfico unimodales o estrategias de fusión superficiales, fallando al capturar picos repentinos, anomalías y fluctuaciones de corto plazo causadas por aumentos de demanda impulsados por eventos.
2. Utilización insuficiente del contexto exógeno: Los modelos actuales se centran predominantemente en dependencias temporales o espaciotemporales intrínsecas derivadas de secuencias de tráfico históricas. A menudo subutilizan señales externas heterogéneas (por ejemplo, eventos urbanos, flujos de noticias) que influyen sustancialmente en las dinámicas de tráfico pero que no se reflejan explícitamente solo en las observaciones históricas.

Metodología: MSPF-Net
Para abordar estos desafíos, los autores proponen MSPF-Net (Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement Network), un marco unificado que modela conjuntamente las dinámicas de tráfico endógenas y las señales contextuales exógenas. La arquitectura consta de cuatro componentes cooperativos:

1. Codificador de Tráfico Espaciotemporal-de-Frecuencia: Este módulo captura los patrones intrínsecos del tráfico integrando tres dimensiones:

   • Codificación Temporal: Utiliza la autoatención temporal para modelar dependencias de largo alcance y la evolución regular.
   • Codificación de Frecuencia: Aplica la Transformada Rápida de Fourier (FFT) para extraer espectros de amplitud, preservando patrones periódicos y oscilatorios.
   • Codificación Espacial: Utiliza la convolución de grafos sobre una matriz de adyacencia normalizada para modelar las interacciones entre nodos celulares vecinos.
     Estas representaciones se agregan mediante fusión residual para formar la incrustación (embedding) fundamental del tráfico ($H_{traf}$).

2. Módulo de Mejora de Picos (Peak Enhancement Module): Diseñado para preservar explícitamente las variaciones locales de alto impacto que los codificadores globales podrían suavizar. Calcula diferencias temporales y construye un descriptor de picos utilizando estadísticas de ventana corta (combinando datos brutos, diferencias y max-minus-average pooling). Una red convolucional 1D de ventana corta codifica estas características para producir una representación consciente de las ráfagas ($H_{peak}$).

3. Módulo de Representación de Contexto de Noticias: Este módulo codifica la información exógena derivada de eventos urbanos y flujos de noticias. Construye un vector de contexto de cinco dimensiones por paso de tiempo (usuarios activos, ciudades mencionadas, entidades, tipos de eventos y elementos de noticias). Estos vectores se mapean a un espacio latente y se procesan mediante un codificador Transformer para captar la dinámica temporal de las señales externas ($H_{news}$), las cuales se transmiten (broadcast) a través de la dimensión espacial.

4. Módulo de Predicción de Fusión Dinámica: En lugar de una fusión estática, este módulo realiza una integración multimodal adaptativa. Proyecta las tres representaciones ($H_{traf}$, $H_{peak}$, $H_{news}$) en un espacio compartido y utiliza atención cruzada para enriquecer la representación del tráfico con pistas de ráfagas y el contexto de las noticias. Una red de compuerta (gating network) calcula pesos dinámicos ($\alpha, \beta, \gamma$) para cada modalidad en cada posición espaciotemporal, lo que permite al modelo determinar adaptativamente la contribución de cada fuente de señal antes de generar el pronóstico final mediante un perceptrón multicapa (MLP).

Contribuciones Clave
El artículo describe tres contribuciones principales:

• Marco Multimodal: Un marco unificado que integra las dinámicas de tráfico endógenas con las señales contextuales exógenas, permitiendo el modelado conjunto de los patrones espaciotemporales-frecuenciales intrínsecos y las influencias de eventos externos.
• Mejora de Picos: Un módulo dedicado diseñado para aprender representaciones conscientes de las ráfagas, capturando picos de tráfico repentinos y patrones de variación que suelen ser suavizados por los codificadores de secuencias convencionales.
• Fusión Dinámica: Un módulo de predicción que realiza una fusión multimodal adaptativa de las señales de tráfico, ráfagas y noticias, superando a los métodos de fusión estática al ajustarse a las condiciones cambiantes.

Resultados Experimentales
El marco fue evaluado en tres conjuntos de datos: Milano, Trento y tráfico LTE.

• Desempeño: MSPF-Net logró los errores de predicción más bajos (MAE y RMSE) en todos los conjuntos de datos en comparación con los modelos base, incluyendo LSTM, Transformer, FEDformer, TimeMixer y varios métodos basados en grafos (por ejemplo, DDGCRN, FISTGCN). Por ejemplo, en el conjunto de datos de Milano, MSPF-Net alcanzó un MAE de 2.2850, superando significativamente al siguiente mejor método (MSCR con 3.9326).
• Estudio de Ablación: Eliminar el Módulo de Mejora de Picos causó una caída clara en la precisión, particularmente durante los intervalos con alta densidad de ráfagas. Del mismo modo, eliminar el módulo de Contexto de Noticias degradó el desempeño, confirmando que las señales intrínsecas por sí solas son insuficientes para manejar perturbaciones exógenas. Reemplazar la fusión dinámica con agregación estática redujo aún más la precisión, validando la necesidad de un pesaje adaptativo.
• Visualización: Las comparaciones entre los valores reales (ground-truth) y los predichos demostraron que MSPF-Net sigue más de cerca las tendencias de tráfico real y captura mejor las fluctuaciones repentinas que los segundos mejores modelos base.

Significancia y Reivindicaciones
Los autores afirman que tratar la predicción del tráfico celular como un problema de aprendizaje de representaciones multimodales permite una captura más exhaustiva de las dependencias espaciotemporales, los patrones periódicos espectrales y la influencia de eventos externos. El estudio demuestra que el modelado conjunto de las dinámicas de tráfico, los patrones de ráfagas y las señales contextuales de noticias mejora eficazmente el desempeño de la predicción, particularmente en escenarios de ráfagas intensas y dirigidos por eventos. El trabajo sugiere que la fusión multimodal adaptativa es crítica para una predicción robusta bajo perturbaciones del mundo real. Se sugiere como trabajo futuro explorar un modelado espacial basado en grafos más rico y una mejor alineación entre las señales de tráfico y los flujos de eventos del mundo real.