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

Resumo Técnico: MSPF-Net para Previsão de Tráfego Celular

Definição do Problema
A previsão precisa do tráfego de redes celulares é crítica para o planejamento de rede, alocação de recursos e garantia de qualidade de serviço. No entanto, o tráfego do mundo real é caracterizado por dinâmicas espaço-temporais complexas, incluindo flutuações endógenas explosivas e distúrbios desencadeados por eventos urbanos externos. Os métodos existentes enfrentam duas limitações primárias:

1. Modelagem de Picos Inadequada: A maioria das abordagens baseia-se em representações de tráfego unimodais ou estratégias de fusão superficiais, falhando em capturar picos repentinos, anomalias e flutuações de curto prazo causadas por surtos de demanda impulsionados por eventos.
2. Utilização Insuficiente de Contexto Exógeno: Os modelos atuais focam predominantemente em dependências temporais ou espaço-temporais intrínsecas derivadas de sequências históricas de tráfego. Eles frequentemente subutilizam sinais externos heterogêneos (ex: eventos urbanos, fluxos de notícias) que influenciam substancialmente a dinâmica do tráfego, mas que não são explicitamente refletidos apenas nas observações históricas.

Metodologia: MSPF-Net
Para enfrentar esses desafios, os autores propõem a MSPF-Net (Multimodal Spatiotemporal-Frequency Fusion with Peak Enhancement Network), um framework unificado que modela conjuntamente as dinâmicas de tráfego endógenas e os sinais contextuais exógenos. A arquitetura compreende quatro componentes cooperativos:

1. Codificador de Tráfego Espaço-Temporal-Frequencial: Este módulo captura padrões intrínsecos de tráfego integrando três dimensões:

   • Codificação Temporal: Utiliza autoatenção temporal para modelar dependências de longo alcance e evolução regular.
   • Codificação de Frequência: Aplica a Transformada Rápida de Fourier (FFT) para extrair espectros de amplitude, preservando padrões periódicos e oscilatórios.
   • Codificação Espacial: Utiliza convolução em grafo sobre uma matriz de adjacência normalizada para modelar interações entre nós celulares vizinhos.
     Essas representações são agregadas via fusão residual para formar o embedding fundamental de tráfego ($H_{traf}$).

2. Módulo de Realce de Pico (Peak Enhancement Module): Projetado para preservar explicitamente variações locais de alto impacto que os codificadores globais podem suavizar. Ele computa diferenças temporais e constrói um descritor de pico usando estatísticas de janela curta (combinando dados brutos, diferenças e max-minus-average pooling). Uma rede convolucional 1D de janela curta então codifica essas características para produzir uma representação consciente de surtos ($H_{peak}$).

3. Módulo de Representação de Contexto de Notícias: Este módulo codifica informações exógenas derivadas de eventos urbanos e fluxos de notícias. Ele constrói um vetor de contexto de cinco dimensões por passo de tempo (usuários ativos, cidades mencionadas, entidades, tipos de eventos e itens de notícias). Esses vetores são mapeados para um espaço latente e processados por um codificador Transformer para capturar a dinâmica temporal dos sinais externos ($H_{news}$), que são então propagados através da dimensão espacial.

4. Módulo de Previsão de Fusão Dinâmica: Em vez de fusão estática, este módulo realiza uma integração multimodal adaptativa. Ele projeta as três representações ($H_{traf}$, $H_{peak}$, $H_{news}$) em um espaço compartilhado e utiliza atenção cross-modal para enriquecer a representação de tráfego com pistas de surtos e contexto de notícias. Uma rede de portão (gating network) computa pesos dinâmicos ($\alpha, \beta, \gamma$) para cada modalidade em cada posição espaço-temporal, permitindo que o modelo determine adaptativamente a contribuição de cada fonte de sinal antes de gerar a previsão final via um perceptron de múltiplas camadas (MLP).

Principais Contribuições
O artigo descreve três contribuições principais:

• Framework Multimodal: Um framework unificado que integra a dinâmica de tráfego endógena com sinais contextuais exógenos, permitindo a modelagem conjunta de padrões espaço-temporais-frequenciais intrínsecos e influências de eventos externos.
• Realce de Pico (Peak Enhancement): Um módulo dedicado para aprender representações conscientes de surtos, capturando picos repentinos de tráfego e padrões de variação que são frequentemente suavizados por codificadores de sequência convencionais.
• Fusão Dinâmica: Um módulo de previsão que realiza a fusão multimodal adaptativa de sinais de tráfego, surtos e notícias, superando métodos de fusão estática ao ajustar-se a mudanças de condições.

Resultados Experimentais
O framework foi avaliado em três conjuntos de dados: Milano, Trento e tráfego LTE.

• Desempenho: A MSPF-Net alcançou os menores erros de previsão (MAE e RMSE) em todos os datasets comparado aos baselines, incluindo LSTM, Transformer, FEDformer, TimeMixer e vários métodos baseados em grafos (ex: DDGCRN, FISTGCN). Por exemplo, no dataset Milano, a MSPF-Net alcançou um MAE de 2.2850, superando significativamente o segundo melhor método (MSCR com 3.9326).
• Estudo de Ablação: A remoção do Módulo de Realce de Pico causou uma queda clara na precisão, particularmente durante intervalos com muitos surtos. Da mesma forma, a remoção do módulo de Contexto de Notícias degradou o desempenho, confirmando que sinais intrínsecos sozinhos são insuficientes para lidar com distúrbios exógenos. Substituir a fusão dinâmica por agregação estática reduziu ainda mais a precisão, validando a necessidade de ponderação adaptativa.
• Visualização: Comparações entre valores reais e previstos demonstraram que a MSPF-Net segue mais de perto as tendências reais de tráfego e captura melhor as flutuações repentinas do que os segundos melhores baselines.

Significância e Alegações
Os autores alegam que tratar a previsão de tráfego celular como um problema de aprendizado de representação multimodal permite uma captura mais abrangente de dependências espaço-temporais, padrões periódicos espectrais e a influência de eventos externos. O estudo demonstra que a modelagem conjunta de dinâmicas de tráfego, padrões de surto e sinais contextuais de notícias melhora efetivamente o desempenho da previsão, particularmente em cenários intensos em surtos e impulsionados por eventos. O trabalho sugere que a fusão multimodal adaptativa é crítica para previsões robustas sob distúrbios do mundo real. Sugere-se que trabalhos futuros explorem modelagem espacial baseada em grafos mais rica e um melhor alinhamento entre sinais de tráfego e fluxos de eventos do mundo real.