⚡ electrical engineering

AI-Based KPI Prediction Methods in Future 6G Networks: A Survey

本综述首次对用于预测未来 6G 网络关键性能指标（KPI）的数据驱动机器学习方法进行了全面且系统的回顾，提供了一个多维分类法，分析了最先进的模型，并概述了挑战与未来的研究方向，以实现主动式、AI 原生网络自动化。

原作者： Niloofar Mehrnia, Gourav Prateek Sharma, Samie Mostafavi, Andreas Johnsson, Sinem Coleri, Carlo Fischione, James Gross

发布于 2026-06-02

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Niloofar Mehrnia, Gourav Prateek Sharma, Samie Mostafavi, Andreas Johnsson, Sinem Coleri, Carlo Fischione, James Gross

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下未来移动网络（6G）不仅仅是更快的互联网，而是一个数据的自动驾驶汽车。正如自动驾驶汽车需要在行人迈步之前预测其动向一样，6G 网络需要能够在问题发生之前预测自身的性能指标。

这篇论文是一份巨大的“地图”或“综述”，介绍了研究人员教计算机进行这些预测的所有不同方式。以下是使用日常类比对该论文核心思想的拆解。

1. 问题所在：为什么“响应式”是不够的

在过去，网络管理者就像消防员。他们会等待火灾（网络崩溃、速度变慢或掉线）发生，然后冲过去灭火。这被称为“响应式”（reactive）管理。

但 6G 网络过于复杂且变化极快，消防员已无法应对。它们需要成为天气预报员。它们需要观察云层（数据）并说：“5 分钟后就要下雨了”，以便在第一滴雨落下之前撑起雨伞（调整资源）。这被称为预测式（predictive）管理。

2. 他们尝试预测的四件事（KPI）

论文将网络需要预测的所有内容分为四个主要类别，作者称之为 KPI（关键性能指标）：

容量（高速公路的宽度）： 网络能处理多少流量？这就像预测高峰时段高速公路上能容纳多少辆车。
延迟（反应时间）： 一条消息从 A 点到 B 点需要多快？这就像预测一封信到达需要多长时间。对于自动驾驶汽车等事物，这需要是即时的。
覆盖范围（信号毯）： 信号在各处是否足够强？这就像预测你家里 Wi-Fi 信号哪里会弱，以便移动路由器。
可靠性（信任因子）： 消息是否真的能在没有错误的情况下送达？这就像预测一个包裹是会完好无损地送达，还是会在邮寄过程中丢失。

3. “工具箱”中的 AI 方法

论文回顾了数百项研究，并根据研究人员用来进行这些预测的“工具”对它们进行了分类。把这些想象成不同类型的水晶球：

简单数学（经典模型）： 就像使用基础计算器。适用于简单、稳定的模式，但在面对混乱情况时会感到困惑。
“智能学习者”（机器学习）： 就像一个通过学习往年试卷来猜测未来考题的学生。它通过观察历史（过去的流量、过去的天气）来预测未来。
“深度思考者”（深度学习）： 就像一个能看到人类忽视的复杂模式的超级智能学生。它可以同时观察城市地图和一天中的时间来预测交通拥堵。
“集体思考”（集成方法）： 与其询问一位专家，不如询问一个专家委员会并取其平均答案。这通常更准确且更稳定。

4. “食谱书”（分类法）

作者创建了一种组织这些研究的新方式，称之为分类法（taxonomy）。想象一个巨大的图书馆，书籍不仅按“小说”或“非虚构”分类，还按以下维度分类：

预测什么？（流量？信号？）
数据从哪里来？（现实世界的测量值？计算机模拟？）
看向多远的未来？（下一秒？下一小时？）
使用了什么工具？（简单数学？深度 AI？）

这有助于研究人员发现哪些领域已被充分研究（如预测流量），而哪些领域还是空白（如预测罕见的网络故障）。

5. 现实世界的障碍（“坑”）

论文指出，虽然数学理论在纸面上看起来很完美，但在现实生活中应用却很难。以下是他们发现的主要障碍：

“黑箱”问题： 有时 AI 给出了正确的答案，但没人知道为什么。如果网络管理者无法理解 AI 的推理过程，他们就会不敢信任它。这就像一个 GPS 告诉你“左转”，却不告诉你为什么要左转。
“新城市”问题： 一个在纽约训练的交通 AI 在伦敦可能会表现得很糟糕。当模型被移动到不同的地点或使用不同类型的手机时，往往无法很好地工作。
“隐私”问题： 为了进行精准预测，AI 需要了解很多关于用户的信息（他们在哪里，他们在做什么）。论文警告说，我们在试图让网络更快的过程中，需要注意不要监视人们。
“太慢”问题： 如果 AI 思考时间过长，预测就毫无意义。当它说“前方有拥堵”时，拥堵已经发生了。预测必须在毫秒级内完成。

6. 未来：下一步是什么？

论文总结道，我们正在从“猜测”转向“规划”。未来的重点不仅是让 AI 更聪明，而是让它更安全、公平且透明。

不确定性： AI 不应只说“会很慢”，而应说：“可能会很慢，但有 10% 的概率会很快。”这有助于网络为最坏的情况做准备。
自愈能力： 当网络意识到自己的预测效果正在变差（因为世界发生了变化）时，它应该能够自动识别并重新学习。

总结

这篇论文是下一代移动网络的指南手册。它告诉我们，要构建一个能够自我运行的 6G 网络，我们需要停止等待问题发生，而是开始预测问题。它回顾了我们拥有的最佳“水晶球”（AI 模型），将它们整理成一个清晰的系统，并警告我们为了实现这一愿景需要避开的陷阱（隐私、速度和可靠性）。

技术摘要：面向未来 6G 网络中基于 AI 的 KPI 预测方法综述

1. 问题定义与动机

从 5G 向 5G-Advanced 的演进以及 6G 的愿景对网络性能提出了前所未有的需求，需要支持自动驾驶、工业自动化和沉浸式通信等新兴应用。传统的反应式网络管理已无法满足这些严苛的要求。因此，网络正向着 AI 原生架构（AI-native architectures） 进行关键转变，即智能被本质地嵌入到所有网络层（RAN、核心网及编排层）中。

核心问题在于需要预测性、数据驱动的方法来预测关键性能指标（KPI）。不同于反应式故障排除，AI 原生网络需要一个“预测性感知层”来感知状态、预判未来状况并主动调整行为。本综述侧重于数据驱动的 KPI 预测，其定义为从可用信息集（ $I_t^k$ ，包含历史测量值、计数器和上下文变量）中推断未知的 KPI 值（ $y_{t+\tau}$ ）。该问题既包括估计（推断当前状态， $\tau=0$ ），也包括预测（预测未来状态， $\tau>0$ ）。

本综述的动机源于现有文献的碎片化现状。以往的研究往往范围较窄（专注于吞吐量或覆盖率等单一 KPI）或偏向架构导向（将预测视为更广泛系统讨论的一个子组件），缺乏一个统一的分类法来跨越不同的 KPI 族、数据源和预测时界进行方法论比较。

2. 方法论与分类法

作者对 2000 年 1 月至 2026 年初发表的 151 项数据驱动 KPI 预测研究进行了系统性回顾。该方法依赖于引入的多维分类法，通过四个正交维度对这些方法进行分类和比较：

KPI 类型： 综述将目标分为四个族群：
- 容量（Capacity）： 用户、小区或切片层级的吞吐量、有效吞吐量（goodput）和频谱效率。
- 时延（Latency）： 端到端延迟、往返时间（RTT）和抖动，并将其分解为 RAN、传输网和核心网组件。
- 覆盖/链路质量（Coverage/Link Quality）： 信号强度和质量指标（路径损耗、RSRP、RSSI、SINR、CQI）以及空间覆盖图。
- 可靠性（Reliability）： 误码率（BER、BLER、PER）和丢包率，通常定义为在时延约束内的成功交付。
数据源： 将输入分类为真实测量轨迹、模拟/仿真数据、合成数据或混合组合。
预测属性：
- 协议栈： 预测 KPI 的所在层级（PHY、MAC、RLC、PDCP、IP、应用层）。
- 时界（Horizon）： 短期（亚分钟级）对比长期/静态（数小时至数周）。
- 输出形式： 点估计对比概率输出（分布、区间）。
模型族： 涵盖了从经典统计模型（ARIMA、线性回归）和无监督学习（聚类、异常检测）到监督学习（SVM、随机森林）、集成方法（XGBoost、LightGBM）以及深度学习架构（用于空间数据的 CNN、用于时间序列的 RNN/LSTM/Transformer、用于拓扑结构的 GNN）。

本综述通过将这些研究映射到分类法中来分析技术现状，从而提供该领域的定量景观，并识别方法论上的偏差与空白。

3. 主要贡献

本文做出了五个主要贡献：

统一的多维分类法： 引入了一个结构化框架，实现了跨研究的一致性比较，揭示了以往综述往往缺乏对 KPI 依赖关系和方法论权衡的整体视角。
定量景观分析： 通过对 151 项研究进行标注，作者提供了该领域在 KPI 族、模型类型、数据源和预测时界方面的首次经验分布。
以 KPI 为中心的对比分析： 综述对每种 KPI 族的预测方法进行了系统性回顾，详细描述了从经典统计模型到深度学习和强化学习的演进，并将方法映射到特定的网络领域（RAN、核心网、边缘）。
系统级与部署分析： 研究了预测器在 3GPP（MnS、NWDAF）和 O-RAN（RIC、xApp）框架中的实际集成情况，探讨了数据采集、训练流水线以及诸如遥测粒度和边缘资源限制等运营约束。
确定开放挑战与路线图： 作者概述了关键局限性，包括可复现性、评估指标的不一致性、离线到在线集成的差距、推理延迟与精度的权衡，以及对可解释且具备隐私保护能力的预测器的需求。

4. 结果与发现

综述揭示了各 KPI 族中的几个关键趋势和发现：

容量预测： 虽然经典模型（ARIMA、线性回归）可作为基准，但集成方法（随机森林、XGBoost）因其鲁棒性和可扩展性成为工业界的标准预测手段。深度学习（LSTM、GRU、Transformer）越来越多地用于捕捉复杂的时空动态，尽管在不同频谱波段和硬件配置间的泛化仍是一个挑战。
时延预测： 出现了向尾部感知和分布建模（例如混合密度网络、分位数回归）转变的趋势，以处理对于 URLLC 而言虽罕见但至关重要的时延尖峰。序列模型（LSTM、Transformer）在捕捉时间依赖性方面占据主导地位，而图神经网络（GNN）正逐渐用于涉及路由和拓扑的网络规模推理。
覆盖预测： 该领域已从统计路径损耗模型演进为多模态深度学习。CNN 和语义分割网络（如 U-Net）被用于直接从卫星图像和 3D 地图中重建无线环境图（REM）。贝叶斯框架正越来越多地被采用，用于分解不确定性（偶然不确定性与认知不确定性），以实现风险感知规划。
可靠性预测： 针对误码率（BLER、PER）的预测正从解析公式转向结合物理先验与数据驱动模式识别的学习方法。序列模型在检测突发性丢包动态方面非常有效，而强化学习（RL）正被集成用于主动资源分配，以维持可靠性目标。

系统性观察：

数据可用性： 基于测量的研究在容量和时延研究中占主导地位，而可靠性研究由于缺乏带标签的失效数据，高度依赖于仿真。
可复现性： 仅约 8% 的研究提供了公开代码，约 20% 提供了数据，这阻碍了直接比较和累积进展。
评估指标： 缺乏标准化；覆盖/容量研究通常使用点误差指标（RMSE、MAE），而时延/可靠性研究则需要对尾部敏感的指标（p95/p99、NLL），但这些指标并不总是在文中报告。

5. 重要性与主张

本文将自己定位为专门针对未来 6G 网络的数据驱动 KPI 预测方法的首个全面且系统的综述。其重要性在于：

弥合差距： 它将理论预测算法与 3GPP 和 O-RAN 生态系统中的实际部署现实联系起来，强调了“离线到在线”的集成差距。
AI 原生自动化的路线图： 作者认为，准确的 KPI 预测是实现零接触、意图驱动网络运营的基础赋能技术。如果没有可靠的预测，自主控制环路无法安全或高效地运行。
定义未来方向： 综述明确要求从孤立的精度提升转向鲁棒、具备不确定性感知能力且可维护的系统。它强调需要：
- 标准化的基准测试和开放数据集以提高可复现性。
- 概率性和可解释性的预测，以支持风险感知的决策。
- 可持续的数据生命周期管理，以应对动态 6G 环境中的概念漂移和模型老化。

作者总结道，虽然 KPI 预测已显著成熟，但下一个前沿不在于增量式的精度提升，而在于确保部署的鲁棒性、跨领域的泛化能力以及向闭环控制系统的安全集成。