论文
TelcoAgent：带3GPP锚定可解释性的可扩展5G多KPM预测
TelcoAgent: A Scalable 5G Multi-KPM Forecasting With 3GPP-Grounded Explainability
摘要
关键性能测量（KPM）预测对5G及下一代电信网络的主动网络管理至关重要。但既有机器学习（ML）方法在可扩展性与可解释性上面临显著局限——限制其在真实部署中的有效性。我们提出TelcoAgent——基于基础模型的框架——无需站点专属训练即可对多样网络小区的多个KPM做准确、可扩展、可解释的预测。具体地——该框架含三个关键组件：(i) 直接从规范文档构建3GPP知识图谱的自动化三智能体管线；(ii) 基于时序基础模型（TSFM）的可扩展预测管线——交付准确的零样本预测；(iii) 提供可行动、领域锚定诊断的推理与解释管线。使用来自美国网络运营商的三个月真实城市级5G KPM数据集评估——TelcoAgent在200个小区上对全部7个所考虑KPM展现高预测准确率——同时交付可解释洞见与应对网络退化的可行动指令。
