Prédiction du trafic mobile à l'aide de LLM avec une sélection efficace des démonstrations en contexte

La prédiction du trafic mobile est un élément clé pour optimiser l'allocation des ressources et améliorer l'efficacité énergétique des réseaux sans fil mobiles. S'appuyant sur la compréhension contextuelle avancée et les capacités génératives des modèles de langage de grande taille (LLMs), ce travail introduit un cadre de prédiction du trafic sans fil sensible au contexte alimenté par des LLMs. Pour améliorer davantage la précision de la prédiction, nous tirons parti de l'apprentissage en contexte (ICL) et développons une nouvelle stratégie de sélection de démonstrations en deux étapes, optimisant la performance des prédictions basées sur les LLM. La première étape consiste à sélectionner les démonstrations ICL en utilisant la règle d'efficacité, suivie d'une deuxième étape qui détermine si les démonstrations choisies doivent être utilisées, sur la base de la règle d'informativeness. Nous fournissons également un cadre analytique pour les règles d'informativeness et d'efficacité. L'efficacité du cadre proposé est démontrée avec un jeu de données réel de cinquième génération (5G) avec différents scénarios d'application. Selon les résultats numériques, le cadre proposé présente une erreur quadratique moyenne plus faible et des scores R2 plus élevés par rapport à la méthode de prédiction zéro-shot et à d'autres méthodes de sélection de démonstrations, telles que la sélection de démonstrations ICL constantes et la sélection de démonstrations ICL basée uniquement sur la distance.