arXiv cs.AI· Geon Kim, Dara Ron, Sukhdeep Singh, Suyog Moogi, Pranshav Gajjar, V V N K Someswara Rao Koduri, Een Kee Hong, Vijay K. Shah·· 6 天前AI 评分24
TelcoAgent：可扩展的 5G 多 KPM 预测框架，具备 3GPP 可解释性
TelcoAgent: A Scalable 5G Multi-KPM Forecasting With 3GPP-Grounded Explainability
AI 导读
TelcoAgent 是一个基于基础模型的框架，无需站点特定训练即可对多个 KPM 进行准确、可扩展且可解释的预测。它由三部分组成：从 3GPP 规范文档自动构建知识图谱的三智能体流水线、基于时间序列基础模型（TSFM）的零样本预测流水线，以及提供领域诊断的推理与解释流水线。在美国某运营商 3 个月城市级 5G 数据集上，该框架对 200 个小区每小区的全部 7 个 KPM 均实现高预测精度。
正文 · AI 翻译
摘要：关键性能指标（KPM）预测对于 5G 及下一代电信网络的主动式网络管理至关重要。然而，现有的机器学习（ML）方法在可扩展性和可解释性方面存在显著局限，限制了其在实际部署中的有效性。我们提出 TelcoAgent，一个基于基础模型的框架，无需针对特定站点进行训练，即可对多种网络小区中的多个 KPM 实现准确、可扩展且可解释的预测。具体而言，该框架包含三个关键组件：（i）一个自动化三智能体流水线，可直接从规范文档构建第三代合作伙伴计划（3GPP）知识图谱；（ii）一个基于可扩展时间序列基础模型（TSFM）的预测流水线，以提供准确的零样本预测；最后（iii）一个推理与解释流水线，提供可操作、基于领域知识的诊断。使用来自一家美国网络运营商的为期 3 个月、真实城市级 5G KPM 数据集进行评估，TelcoAgent 对 200 个小区中每个小区的全部 7 个所考虑 KPM 均展现出高预测准确率，同时提供可解释的洞察和可操作的指令以应对网络性能下降。
| 评论： | 6 页，6 幅图。已被 IEEE GLOBECOM 2026 接收 |
| 主题： | 人工智能（cs.AI）；机器学习（cs.LG） |
| 引用为： | arXiv:2606.19821 [cs.AI] |
| （或使用 arXiv:2606.19821v2 [cs.AI] 引用此版本） | |
| https://doi.org/10.48550/arXiv.2606.19821 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Geon Kim [查看电子邮件]
[v1]
2026 年 6 月 18 日星期四 05:55:29 UTC（497 KB）
[v2]
2026 年 10 月 9 日星期五 14:55:19 UTC（424 KB）
来源：arXiv cs.AI · arxiv.org