傍晚七点，王记面馆门口又排起了长队。老板老王一边下面一边感叹：要是能提前知道今晚来多少人，我就不用担心面不够卖，也不用惦记剩下的卤肉会倒掉。手机网络里的基站，和这家面馆差不多——每天有成百上千部手机像客人一样“进店”要数据，基站忙闲不均：白天写字楼爆满，深夜居民区冷清，节假日又完全换了一副面孔。如果网络能像老王那样摸清“客流规律”，提前预测每个时刻的负载，就能在高峰多开几个“灶”（载波），低峰关掉几个“灶”，既省电又不让体验打折扣。这篇文章就从老王的面馆出发，聊聊基站流量预测是怎么回事：流量数据有哪些规律、传统方法怎么预测、深度学习如何登场、又是怎样支撑功率控制和载波分配的。

岗位关联

掌握基站流量预测，等于握住了通信网络节能与体验优化的指挥棒——这是 AI 工程师进入电信行业最实用的敲门砖之一。

目录
  1. 可视化演示
  2. 流量数据特征
  3. 传统预测方法
  4. 深度学习模型
  5. 特征工程
  6. 预测评估流程
  7. 资源调度应用
  8. 落地与展望
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

演示基站流量预测：挖掘历史流量昼夜模式与节假日因素，拟合时序模型预测未来负载，并建模相邻基站时空关联以提升预测精度。

本节配有交互动效（进入视口后自动加载，约 3KB）。

流量模式 昼夜流量呈周期性波动 节假日负载显著抬升 L(t)=f(t) 历史流量承载用户移动与上网行为

流量数据特征

老王在市中心开了二十年面馆，每天打烊后都会翻一眼账本，发现一个奇妙规律：中午 11 点到下午 1 点，店里永远挤满写字楼的白领；晚上 6 点到 8 点，又是另一波下班回家的客人。到了周末，白领少了，拖家带口的客人多了。老王心里嘀咕：“这客流，简直像潮水，一天一波，一周一循环。”

基站流量和面馆客流如出一辙。通信网络里的每个基站，就像老王的面馆，覆盖着方圆几百米的用户。用户用手机刷视频、打电话、传文件，这些数据请求在时间轴上形成了高度规律的“潮汐”。这种规律性正是预测能够成立的前提——如果流量完全是随机的，任何预测模型都将无能为力。这也解释了为什么运营商的首选做法是“先观测、再建模”：通过网管系统中的计数器，以 15 分钟或 1 小时为粒度持续采集每个小区的流量数据。

从数学上看，基站流量的时间序列可以拆解为三个叠加的分量：以 24 小时为周期的昼夜波动、偶尔出现的突发抬升（演唱会、故障回切），以及无法归因的随机噪声。相邻基站之间还存在空间相关性——居住区基站繁忙时，附近商圈的基站往往也同步繁忙。这些分量可以写成：

老王把账本翻出来，发现每年春天和秋天的周末，客流总出现小高峰——因为旁边公园办花展。他把规律记在墙上：工作日看午餐、周末看天气、节日看活动。流量预测的第一步，同样是把“潮汐”分解成可以理解的分量，才能为后续建模铺路。

y(t)=Period(t)+Burst(t)+ε(t)\displaystyle y(t) = \mathrm{Period}(t) + \mathrm{Burst}(t) + \varepsilon(t)
流量 = 可预测的周期分量 + 偶尔的突发分量 + 随机噪声。周期是“主菜”，突发是“加菜”，噪声是“调味品”，三者叠加成了每天的客流曲线。
  1. 周期分量 Period(t)以天和周为单位的重复模式，是预测中最稳定的信号
    Period(t)=Day(t)+Week(t)\mathrm{Period}(t) = \mathrm{Day}(t) + \mathrm{Week}(t)
  2. 突发分量 Burst(t)大型活动或网络事件引发的瞬时尖峰，通常持续数小时
    Burst(t)=∑kAk⋅e−(t−tk)2/σk2\mathrm{Burst}(t) = \sum_{k} A_k \cdot e^{-(t - t_k)^2 / \sigma_k^2}
  3. 随机噪声 ε(t)用户行为的随机波动，均值为 0、方差较小
    ε(t)∼N(0,σ2)\varepsilon(t) \sim \mathcal{N}(0, \sigma^2)

传统预测方法

最初，老王不搞什么高科技，他的经验是：“昨天中午来了 120 位客人，今天大概也差不多。”这就是最简单的预测——把昨天直接搬过来。后来他嫌太粗糙，改成看最近三天的平均数，这就是移动平均；再后来他给不同日子分配不同权重，越近的日子越重要——这就是指数平滑。这些方法都只用流量自身的历史值，属于“单变量、线性、浅层”模型，优点是计算极快、实现简单。

以最经典的简单指数平滑为例。设 S_t 为时刻 t 的平滑值（也是下一时刻的预测），α 为平滑系数。它的更新规则是“新旧折中”：新估计 = α × 最新观测 + (1-α) × 旧估计。α 就像老王的“记性权重”——他如果更相信昨天的账本，就把 α 调大；如果担心昨天只是偶然爆满，就把 α 调小，多看几天平均。

这些方法虽然简单，却暴露了一个致命问题：它们只看见“昨天”，看不见“今天是周末”和“明天是春节”。老王的经验平时很准，可一到长假就翻车——除夕前两天爆满他没料到，大年初一空着三分之一座位他也没料到。传统方法同样难以刻画周期、节假日和突发因素，于是深度学习方法登场了。

St=α yt+(1−α) St−1\displaystyle S_t = \alpha\, y_t + (1-\alpha)\, S_{t-1}
新估计 = α×最新观测 + (1-α)×旧估计。α 越大，越信任“昨天”；α 越小，越依赖长期经验。
  1. 平滑值 S_t融合了历史所有观测的加权平均，直接作为下一时刻的预测值
    y^t+1=St\hat{y}_{t+1} = S_t
  2. 权重 α取值 0 到 1，控制模型对最新观测的敏感程度
    α∈[0,1]\alpha \in [0,1]
  3. 递归更新每个时刻只需保留 S_{t-1}，即可不断递推，几乎不占存储
    St=αyt+(1−α)St−1S_t = \alpha y_t + (1 - \alpha) S_{t-1}

深度学习模型

转机出现在老王侄女阿琳回家过年。阿琳学人工智能，她看着老王的账本说：“叔，你要请一位'不会忘事'的伙计——他能记住三个月前每个周六的客流，还能判断今天该想起哪一天。”这个伙计，就是循环神经网络中的 LSTM（长短期记忆网络）。

普通循环神经网络像一位健忘的伙计，新信息会不断“冲淡”昨天的记忆；LSTM 则加装了“门控”装置，像厨房里的三道阀门——遗忘门决定旧记忆保留多少，输入门决定新信息写入多少，输出门决定从记忆中取出什么来用。它以遗忘门为例：

除了 LSTM，还有简化版的 GRU（门控循环单元），它把遗忘门和输入门合并成“更新门”，参数更少、训练更快，在中小规模数据上往往更稳。阿琳用三年账本训练了一个 LSTM，老王发现节假日预测的准确度明显提升。深度学习不再依赖人工指定“周几、是否节日”等规则，而是自动从海量历史中学到这些模式——不过，前提是喂给它的“配料”要齐全，这就引出特征工程。

ft=σ(Wf⋅[ ht−1, xt ]+bf)\displaystyle f_t = \sigma\left(W_f \cdot [\,h_{t-1},\, x_t\,] + b_f\right)
遗忘门输出 0~1 之间的数，乘到旧记忆上：1 表示“这账要记着”，0 表示“这一页翻过去”。
  1. 输入拼接 [h_{t-1}, x_t]把上一步的隐藏状态和当前时刻流量拼成一个向量，H 为隐藏维数，d 为输入维数
    [ ht−1,  xt ]∈RH+d[\,h_{t-1},\;x_t\,] \in \mathbb{R}^{H+d}
  2. 线性变换 W_f·[·] + b_f模型学习“什么样的情况该遗忘”
    zt=Wf⋅[ht−1,xt]+bfz_t = W_f \cdot [h_{t-1}, x_t] + b_f
  3. sigmoid 门控 σ把变换结果压到 0~1，作为旧记忆的保留比例
    ft=σ(zt),ft∈(0,1)f_t = \sigma(z_t),\quad f_t \in (0,1)

特征工程

阿琳给老王提了个建议：“光看客流曲线还不够，要把影响客流的'外部变量'也记下来。”于是老王的账本上多了一栏备注：今天下雨、隔壁商场促销、公园有马拉松、附近修路……这些备注，就是特征工程里的外部特征。

在基站流量预测中，特征工程就是把领域知识翻译成模型能“消化”的数值。常用特征分四类：历史负载特征（过去 24 小时每个时刻的流量）、时间特征（小时、星期几、是否周末）、节假日特征（节假日类型与距节天数）、用户移动性特征（小区切换次数、信令连接数，反映人口的流入流出）。特征向量的构造可以用一个拼接公式表达：

老王发现，自从账本上加了“是否下雨”这一栏，周末备菜的准确率又高了一截。特征工程就是这么朴素——把人类一眼能看出的规律翻译成机器能学习的数值。深度学习模型虽强，却无法凭空创造信息；你塞进去什么，它就只能用什么。

xt=[ yt−1,…,yt−p⏟hist,  sin⁡2πht24, cos⁡2πht24⏟time,  Holidayt⏟holiday,  Mobilityt⏟mobility ]\displaystyle x_t = \left[\, \underbrace{y_{t-1},\dots,y_{t-p}}_{\text{hist}},\; \underbrace{\sin\tfrac{2\pi h_t}{24},\,\cos\tfrac{2\pi h_t}{24}}_{\text{time}},\; \underbrace{\mathrm{Holiday}_t}_{\text{holiday}},\; \underbrace{\mathrm{Mobility}_t}_{\text{mobility}} \,\right]
特征工程决定了预测效果的上限，模型只是在逼近这个上限。老王常说：“料备得好，菜就成功了一半。”
  1. 历史负载窗口取最近 p 个时刻的流量，构成 p 维向量，让模型看到“最近几天怎么走”
    [yt−1,  yt−2,  ⋯ ,  yt−p][y_{t-1},\; y_{t-2},\; \cdots,\; y_{t-p}]
  2. 时间周期编码用 sin/cos 把小时映射到圆周，使 23 点和 0 点在数值上相邻
    sin⁡(2πht24),cos⁡(2πht24)\sin\left(\frac{2\pi h_t}{24}\right),\quad \cos\left(\frac{2\pi h_t}{24}\right)
  3. 节假日编码可用 one-hot 或“距节天数”的连续值，距节日越近数值越大
    Holidayt=11+dt\mathrm{Holiday}_t = \frac{1}{1 + d_t}
  4. 移动性特征小区切换次数等统计量，用切换总数归一化
    Mobilityt=#handovert#UEt\mathrm{Mobility}_t = \frac{\#\text{handover}_t}{\#\text{UE}_t}

预测评估流程

阿琳帮老王建立了标准流程：先把三年账本分成三份——前两年当“课本”（训练集），接下来三个月当“模拟考”（验证集），最后三个月当“期末考”（测试集）。老王不解：“为什么不把三年账本全拿来学？”阿琳说：“你靠背题考上大学，可考场上遇到没见过的题，'背题模型'就露馅了。”

流程具体包括四步：数据预处理（清洗缺失值，把不同量纲的特征统一到 0~1，好比把“斤”和“两”统一成“克”）、模型训练（在训练集上学参数）、验证调参（用验证集选超参数）、最终评估（在测试集上报告指标），最后把模型服务化，按小时滚动预测。任何“先看答案再考试”的做法都会导致过拟合——模型在训练集上完美，一到真实世界就失灵。

评估指标最常用 MAE 和 RMSE：

老王每周末都把预测与实际客流对一遍，发现平均偏差不到 8%，他欣慰地说：“虽然不能保证每碗面都卖出去，但至少不用再倒掉半锅汤了。”在通信运维中，这套流程保证了模型在真实网络上不至于“盲人骑瞎马”。

MAE=1n∑i=1n∣yi−y^i∣,RMSE=1n∑i=1n(yi−y^i)2\displaystyle \mathrm{MAE} = \frac{1}{n}\sum_{i=1}^{n}\left|y_i - \hat{y}_i\right|,\qquad \mathrm{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2}
MAE 是“平均偏差几碗面”，RMSE 是“最怕记错的那天差多少”。RMSE 放大单个大误差，更适合评估容量类风险。
  1. 单点误差 e_i每个样本真实值与预测值的差
    ei=yi−y^ie_i = y_i - \hat{y}_i
  2. MAE 平均绝对误差误差绝对值取平均，量纲与流量一致，直观易懂
    MAE=1n∑i=1n∣ei∣\mathrm{MAE} = \frac{1}{n}\sum_{i=1}^{n}|e_i|
  3. RMSE 均方根误差先平方再平均再开方，单个大误差会被明显放大
    RMSE=1n∑i=1nei2\mathrm{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n} e_i^2}

资源调度应用

有了靠谱的客流预测，老王开始优化面馆运营。以前他怕客人来了没座位，从早到晚六个灶全开、五个伙计全上，气费和工钱哗哗地流。现在他学会了动态调度：预计中午高峰到来前 10 分钟，把所有灶和伙计调到位；下午 2 点到 5 点客流稀薄，关掉四个灶、只留一个伙计看店。

基站同理。传统基站 7×24 小时满功率发射，像面馆全天灶火全开，能源浪费巨大。有了流量预测，基站可以在低负载时段降低发射功率、关闭部分载波甚至进入休眠；在高负载时段预留充足带宽，保障用户体验。这就是基站流量预测在通信网络 AI 中最核心的应用价值。

一种典型的分段功率控制策略是：负载低时“小火慢炖”，负载高时“大火爆炒”，中间按比例调节。

老王算了一笔账：动态调度后面馆气费降了 30%，客人等位时间反而更短。运营商同样尝到甜头——在保证服务质量的前提下，预测驱动的功率控制与载波分配可使基站能耗降低 15%~30%。“按需供给”，是资源调度最朴素也最有效的哲学。

Pt={Pmin⁡y^t<θlowPmin⁡+(Pmax⁡−Pmin⁡)⋅y^tCθlow≤y^t≤CPmax⁡y^t>C\displaystyle P_t = \begin{cases} P_{\min} & \hat{y}_t < \theta_{\mathrm{low}} \\ P_{\min} + (P_{\max}-P_{\min})\cdot\frac{\hat{y}_t}{C} & \theta_{\mathrm{low}} \le \hat{y}_t \le C \\ P_{\max} & \hat{y}_t > C \end{cases}
负载低于阈值就休眠降功率，高于容量就满功率保障，中间线性调节——像老王按客流开关灶头。
  1. 低负载休眠段预测负载低于阈值 θ_low，功率降到最低甚至关断载波
    y^t<θlow⇒Pt=Pmin⁡\hat{y}_t < \theta_{\mathrm{low}} \Rightarrow P_t = P_{\min}
  2. 线性调节段功率随预测负载与容量 C 的比值线性变化
    Pt=Pmin⁡+(Pmax⁡−Pmin⁡)y^tCP_t = P_{\min} + (P_{\max}-P_{\min})\frac{\hat{y}_t}{C}
  3. 高负载满功率预测负载超过容量，全力保障用户速率
    y^t>C⇒Pt=Pmax⁡\hat{y}_t > C \Rightarrow P_t = P_{\max}

落地与展望

老王的预测秘诀很快在分店传开。但问题来了：总店的“智慧大脑”不能每次都在总店算好再传到分店——网络一断就抓瞎。阿琳的做法是在每家分店装一台“本地小电脑”（边缘计算），把学好的模型压缩后部署进去，分店自己实时预测、即时调度，总店只负责定期更新模型。

在通信网络中，这对应着“模型下沉到基站侧”的边缘智能部署，以及“训练在云端、推理在边缘”的云边协同架构。5G/6G 时代基站数量激增、时延要求苛刻（毫秒级调度），预测模型必须足够轻量并能快速响应；同时网络环境不断变化，模型需监控数据漂移并定期重训，这最终通向“自智网络”——网络自己感知、自己预测、自己优化，运维人员从“救火队员”变成“规则制定者”。

预测带来的节能收益，可以用节能率来量化：

老王望着各家分店的“智慧厨房”感慨：十年前靠感觉，五年前靠账本，现在靠数据。基站流量预测最终通往的，是通信网络从人工运维走向自动化运营的必经之路。这不只是省电，更是下一代网络优化与运维自动化的基石。

η=Ebaseline−EpredictiveEbaseline×100%\displaystyle \eta = \frac{E_{\mathrm{baseline}} - E_{\mathrm{predictive}}}{E_{\mathrm{baseline}}} \times 100\%
分子是“省下的气费”，分母是“原来烧掉的气费”，比值就是节能率。工程上达到 10%~30% 已是显著收益。
  1. 基线能耗 E_baseline不预测、全天满功率运行的总能耗
    Ebaseline=∑tPmax⁡⋅ΔtE_{\mathrm{baseline}} = \sum_t P_{\max} \cdot \Delta t
  2. 预测能耗 E_predictive按预测动态调节后的总能耗
    Epredictive=∑tPt⋅ΔtE_{\mathrm{predictive}} = \sum_t P_t \cdot \Delta t
  3. 节能率 η两项之差占基线能耗的比例
    η=∑t(Pmax⁡−Pt)Δt∑tPmax⁡Δt\eta = \frac{\sum_t (P_{\max} - P_t)\Delta t}{\sum_t P_{\max}\Delta t}

AI 应用场景

深夜基站休眠调度

阶段：预测驱动决策执行

解决的问题：传统基站全天满功率发射，凌晨 2-6 点业务量极低却仍满功率运行，电能白白浪费；AI 预测到低负载时段后，自动触发载波关断与功率下调，同时保留基本覆盖，实现“人歇灯灭”。

具体案例：某运营商对写字楼区域基站启用预测式休眠，模型提前 30 分钟预判低负载窗口并下发指令，单站每晚休眠约 4 小时，年节电超 1200 度，用户掉线率无明显变化。

节假日容量保障

阶段：特征工程 + 中短期预测

解决的问题：以往节假日扩容靠人工经验“拍脑袋”，扩容不足导致拥塞、扩容过度浪费资源；AI 融合历史同期流量、节假日类型和用户移动性特征，精准预测峰值时段与峰值幅度。

具体案例：某市体育场周边基站每逢大型演唱会流量上涨 80%，模型提前 2 小时预测峰值并触发载波聚合，现场用户视频上传成功率提升 35%。

自智网络闭环控制

阶段：感知-预测-决策-执行闭环

解决的问题：传统运维依赖人工盯守告警，响应慢、成本高；流量预测与资源调度联动后，网络能提前感知异常并自动调整参数，形成“预测驱动运维”的自动化闭环。

具体案例：5G 智慧园区内，模型预测到某场馆直播流量即将超过阈值，系统自动调度边缘节点和功率，用户视频卡顿率从 5% 降至 1% 以内。

Python 演示

python63 行
import numpy as np def gen_traffic(days=60, seed=42):    """生成模拟基站流量：昼夜双高峰 + 周周期 + 节假日抬升 + 噪声"""    rng = np.random.default_rng(seed)    hours = days * 24    t = np.arange(hours)    hour = t % 24    weekday = t // 24 % 7    day = t // 24    rush = (np.exp(-((hour - 12) ** 2) / 20)            + 0.7 * np.exp(-((hour - 19) ** 2) / 10))    daily = 12 + 58 * (rush + 0.6 * np.exp(-((hour - 8) ** 2) / 12))    week = np.where(weekday >= 5, 0.7, 1.0)    holiday = np.where(day % 21 == 10, 1.4, 1.0)    noise = rng.normal(0, 3.0, size=hours)    return np.clip(daily * week * holiday + noise, 3, 100) def build_features(t):    """构造特征：小时的 sin/cos、星期的 sin/cos、是否周末、是否节假日"""    hour = t % 24    weekday = t // 24 % 7    day = t // 24    return np.column_stack([        np.sin(2 * np.pi * hour / 24),        np.cos(2 * np.pi * hour / 24),        np.sin(2 * np.pi * weekday / 7),        np.cos(2 * np.pi * weekday / 7),        (weekday >= 5).astype(float),        (day % 21 == 10).astype(float),    ]) def train_linear(X, y, lr=0.3, epochs=400):    """梯度下降训练线性回归"""    m, n = X.shape    w = np.zeros(n)    b = 0.0    for _ in range(epochs):        pred = X @ w + b        grad_w = X.T @ (pred - y) / m        grad_b = np.mean(pred - y)        w -= lr * grad_w        b -= lr * grad_b    return w, b def main():    data = gen_traffic(days=60)    t = np.arange(len(data))    X = build_features(t)    split = int(0.8 * len(data))    X_tr, y_tr = X[:split], data[:split]    X_te, y_te = X[split:], data[split:]    w, b = train_linear(X_tr, y_tr)    pred = X_te @ w + b    mae = np.mean(np.abs(pred - y_te))    rmse = np.sqrt(np.mean((pred - y_te) ** 2))    print("测试集 MAE = %.2f" % mae)    print("测试集 RMSE = %.2f" % rmse)    print("预测值示例: %s" % np.round(pred[:8], 1))    print("真实值示例: %s" % np.round(y_te[:8], 1)) if __name__ == "__main__":    main()
目的：用 numpy 从零实现一个“特征工程 + 线性回归”的基站流量预测器，展示时间编码、周末与节假日特征如何提高预测精度。
  1. data = gen_traffic(days=60)生成 60 天模拟流量数据，相当于老王的“流水账本”。
  2. daily = 12 + 58 * (rush + 0.6 * np.exp(-((hour - 8) ** 2) / 12))模拟早餐、午餐、晚餐三个客流高峰。
  3. holiday = np.where(day % 21 == 10, 1.4, 1.0)每 21 天插入一个“节假日”，流量抬高 40%。
  4. np.sin(2 * np.pi * hour / 24)把小时编码到圆周，让“凌晨 23 点”和“午夜 0 点”在数值上靠近。
  5. (weekday >= 5).astype(float)是否周末的 0/1 特征，对应账本上的“周六周日”备注。
  6. grad_w = X.T @ (pred - y) / m梯度下降核心：计算损失对权重的导数并更新。
  7. split = int(0.8 * len(data))按 8:2 划分训练集与测试集，先练后考、避免“背题”。

常见误区

误区我调了半天参数，MAE 从 8 降到 2，模型是不是已经完美了？再追求更低误差一定更有价值。

正解不一定。对资源调度而言，把“明天哪个时段高、哪个时段低”预测对，比把数值精确到小数点更有价值；过度追求误差会招来过拟合——测试集上好看、上线后失灵，就像考试全靠原题才得高分的学生，遇到新题就露馅。评估必须使用模型从未见过的测试集，并同时关注误差的鲁棒性。

为何常见：训练过程中误差下降最直观，容易让人把“训练集上误差小”误当成模型的真实水平。

误区我在特征里加了“是否节假日”开关，1 就是放假、0 就是上班，模型应该能抓住节假日效应了吧？

正解远远不够。春节“节前返乡潮”与“节中空城”是两种完全不同的模式；同样是长假，五一和十一的出行结构也不一样。只加 0/1 相当于面馆老板只知道“明天过节”，却不知道是“大家出来聚餐的节”还是“大家都回老家的节”。更好做法是加入“距节前/后几天”的连续编码或分类型 one-hot。

为何常见：0/1 编码最简单易得，容易让人忽略节假日影响的“渐入渐出”过程。

误区我拿到三年前的流量数据，全喂给模型，训练集越大模型越强，肯定比只用最近三个月好。

正解不一定。网络环境持续变化：新小区入住、写字楼搬迁、用户习惯改变，都会让“三年前的规律”失效。就像老王的面馆，五年前客流高峰在中午，现在外卖变多、午高峰提前，老账本反而误导。实践中更常用滑动窗口或遗忘机制，让模型侧重最近数据，并建立数据漂移监控。

为何常见：直觉上“数据 = 财富”，却忽视了非平稳时序中旧数据可能成为有害噪声。

误区我上来就直接上 LSTM，反正深度学习是万能的，移动平均、指数平滑早该淘汰了。

正解模型性能取决于数据规模与问题复杂度。数据只有几百条时，LSTM 极易过拟合，简单指数平滑反而稳定；数据充足且模式复杂时，LSTM/GRU 才体现优势。就像新开的分店只有一周流水账，与其硬套复杂模型，不如参考老店经验。工程上通常先跑通传统基线和简单模型，再决定是否上深度学习。

为何常见：媒体大量渲染深度学习的成功案例，让人忽略了“数据规模决定模型复杂度”这一铁律。

面试题

Q1. 基站流量数据最显著的模式是？

单选题 · easy

  • A.以天和周为周期的波动← 正确答案
  • B.完全随机无规律上下
  • C.只受天气和温度影响
  • D.随时间稳步单调上升

答案：A。基站流量具有极强的昼夜与周日周期性——写字楼区域工作日白天高、深夜低，居民区则相反，这是时序预测能成立的根本前提。完全随机则无法预测，天气影响有限，单调上升也不符合真实潮汐规律。

Q2. 下列哪个是传统时序预测方法？

单选题 · easy

  • A.卷积神经网络
  • B.简单指数平滑法← 正确答案
  • C.随机森林集成器
  • D.K近邻聚类算法

答案：B。简单指数平滑通过递归加权历史观测来预测未来，是经典时序方法。卷积网络和随机森林属于机器学习模型，K近邻通常用于分类或聚类。就像面馆看账本，指数平滑是把最近几天的客流按衰减权重平均。

Q3. 指数平滑公式 S_t = αy_t + (1-α)S_{t-1} 中，α 取较大值意味着？

单选题 · mid

  • A.模型输出更加平滑稳定
  • B.模型对最新数据更敏感← 正确答案
  • C.模型预测恒定不变
  • D.模型完全不学习历史

答案：B。α 是当前观测值 y_t 的权重，α 越大则新数据对平滑值影响越大，模型跟随趋势越紧、平滑作用越弱。α 趋近 0 时模型几乎只依赖历史平滑值，预测非常“固执”，等价于面馆老板只信老黄历、不看昨晚的突发客流。

Q4. LSTM 中需要学习的门控单元包括？

多选题 · mid

  • A.遗忘门决定旧记忆保留比例← 正确答案
  • B.输入门控制新信息写入← 正确答案
  • C.输出门决定取出哪些记忆← 正确答案
  • D.旋转门负责数据增强

答案：ABC。LSTM 通过遗忘门、输入门和输出门控制信息流：遗忘门决定旧记忆保留多少，输入门决定新候选记忆写入多少，输出门决定从记忆单元输出什么。旋转门是建筑上的概念，与循环神经网络无关。

Q5. RMSE 与 MAE 相比，最大的区别是？

单选题 · mid

  • A.同样重视每个样本的误差
  • B.完全忽略预测的偏差
  • C.对较大误差施加更重惩罚← 正确答案
  • D.只计算方向不计算大小

答案：C。RMSE 先平方再平均再开方，单个大误差会被放大；MAE 对所有误差一视同仁取绝对平均。容量调度场景中，一次大幅低估流量可能引发拥塞，因此 RMSE 更被关注。就像面馆最怕的不是天天差两碗，而是某天少备了 200 碗面。

Q6. 基于流量预测进行基站功率控制，正确的做法有？

多选题 · hard

  • A.高负载时段提升功率保障← 正确答案
  • B.低负载时段休眠降功率← 正确答案
  • C.用预测值完全替代测量值
  • D.所有时段都满载运行

答案：AB。预测低负载时段可以降功率或休眠，高负载时段应提升功率保障容量。但预测有误差，不能用预测值完全替代实时测量，需以真实负载做回环校验。全天满载运行则浪费能源，与节能目标背道而驰。

Q7. 某区域新开通基站仅有两周数据，最合理的预测方案是？

单选题 · hard

  • A.直接训练数百层大网络
  • B.借用邻近相似基站数据← 正确答案
  • C.放弃数据改用随机猜测
  • D.把两周数据复制一百倍

答案：B。新基站数据稀缺，直接训练复杂深度模型容易过拟合；借用邻近相似基站的规律做迁移学习，再结合少量本地数据微调，更加稳健。复制数据无法创造新信息，随机猜测显然不可取，如同新开分店先参考总店的客流规律再微调。

Q8. 流量预测模型上线后发现节假日预测严重偏低，最可能的原因是？

单选题 · mid

  • A.节假日特征未被正确纳入← 正确答案
  • B.数据采集频率设置偏高
  • C.评估指标选取不合理
  • D.预测模型参数过少

答案：A。节假日效应可让流量抬高数倍，若特征层没有纳入节假日或只用粗糙 0/1 编码，模型自然在节假日前后的峰值处大幅低估。数据频率、指标选择和参数数量通常不会造成“系统性节假日偏差”。

Q9. 模型从实验室落地到基站运维，需要解决哪些工程问题？

多选题 · hard

  • A.推理时延满足实时调度← 正确答案
  • B.模型压缩后部署到边缘← 正确答案
  • C.监控数据漂移并定期重训← 正确答案
  • D.盲目增大模型参数量

答案：ABC。工程落地需同时满足实时性（推理时延毫秒级）、部署约束（模型轻量化、可下沉到基站侧）和可维护性（数据漂移监控与重训机制）。盲目增大参数量会加重部署负担并可能过拟合，不是“无论如何都好”的选择。

Q10. 基站流量预测最终服务于哪类核心目标？

单选题 · easy

  • A.降低能耗并保障服务质量← 正确答案
  • B.改进手机外壳的设计
  • C.提升基站天线的美观度
  • D.决定每月话费套餐

答案：A。基站流量预测的直接价值是按需调度资源：低负载省电、高负载保体验，最终在服务质量与能耗之间取得平衡。手机外观、天线美观与套餐定价都不是基站侧流量预测所解决的问题。