TelcoAgent：基于 3GPP 知识图谱的可解释 5G 多 KPM 预测框架

背景

在 5G 及下一代电信网络中，关键性能指标（Key Performance Measurement, KPM）的预测对于实现主动式网络管理至关重要。随着网络规模的扩大和复杂度的提升，运营商需要能够提前预判网络性能变化，以便及时干预，避免服务降级。

然而，现有的机器学习（ML）方法在实际部署中面临着两大核心挑战：

1. 可扩展性不足：传统模型通常需要针对特定站点（site-specific）进行训练，难以在大规模、多样化的网络单元（如成千上万个小区）中高效迁移和应用。
2. 可解释性缺失：黑盒模型虽然能给出预测结果，但缺乏对预测依据的清晰解释，导致运维人员难以信任模型输出，也无法据此制定具体的优化措施。

这些局限性严重制约了 AI 技术在电信网络运维中的实际效能。为了解决这些问题，研究人员提出了 TelcoAgent，这是一个基于基础模型（Foundation Model）的框架，旨在实现准确、可扩展且具备可解释性的多 KPM 预测。

核心内容

TelcoAgent 的核心创新在于将 3GPP（第三代合作伙伴计划）标准文档转化为结构化的知识，并结合时间序列基础模型，构建了一个无需站点特定训练即可运行的自动化预测与诊断系统。该框架主要由以下三个关键组件构成：

1. 基于 3GPP 规范的知识图谱构建

TelcoAgent 首先解决“领域知识如何数字化”的问题。通过一个自动化的三代理（three-agent）管道，系统直接从 3GPP 规范文档中提取信息，构建出一个 3GPP 知识图谱。

• 自动化提取：利用大语言模型代理自动解析非结构化的标准文档。
• 知识结构化：将网络架构、参数定义、性能指标之间的关系转化为图谱结构。
• 领域 grounding：确保后续预测和解释严格基于电信行业标准，而非通用的统计规律。

2. 可扩展的时间序列基础模型预测管道

在数据层面，TelcoAgent 采用基于时间序列基础模型（Time-Series Foundation Model, TSFM）的预测管道。

• 零样本预测（Zero-shot Forecasting）：由于使用了强大的基础模型，TelcoAgent 无需针对每个具体小区或站点重新训练模型，即可直接对新的网络单元进行准确预测。
• 多 KPM 同步预测：该管道能够同时预测多种关键性能指标，全面反映网络状态。
• 规模化能力：这种架构设计使得模型可以轻松扩展到包含数千个小区的大规模网络中，解决了传统方法扩展性差的问题。

3. 基于领域知识的推理与解释管道

为了解决“黑盒”问题，TelcoAgent 设计了专门的推理和解释管道。

• 可解释性：系统不仅输出预测结果，还提供基于 3GPP 领域知识的诊断解释。
• 可操作建议：解释内容直接关联到网络参数或配置，为运维人员提供具体的、可执行的优化指令，以应对潜在的网络性能下降。
• 闭环反馈：通过将预测偏差与知识图谱中的因果关系关联，系统能够解释“为什么”会出现性能异常，而不仅仅是“何时”会出现。

实证评估

研究团队使用了一家美国网络运营商提供的真实世界数据集对 TelcoAgent 进行了评估。

• 数据规模：涵盖 3 个月的城市级 5G KPM 数据。
• 测试范围：涉及 200 个小区，每个小区预测 7 种不同的 KPM。
• 结果：TelcoAgent 在所有 7 种 KPM 的预测上均表现出高精度，同时成功提供了可解释的洞察和解决网络性能下降的可操作指令。

关键要点

• 无需站点特定训练：TelcoAgent 利用基础模型的泛化能力，实现了零样本（zero-shot）预测，大幅降低了大规模部署的训练成本和算力需求。
• 3GPP 知识驱动：通过从 3GPP 规范文档自动构建知识图谱，将电信领域的专家知识注入 AI 模型，确保了预测逻辑符合行业标准。
• 三位一体架构：
  1. 自动化三代理管道：负责从标准文档中提取知识。
  2. TSFM 预测管道：负责高精度的多指标时间序列预测。
  3. 推理解释管道：负责提供基于领域知识的诊断和优化建议。
• 真实场景验证：在包含 200 个小区、7 种 KPM 的真实运营商数据集中，证明了其在准确性和可解释性上的双重优势。
• 主动式运维支持：不仅预测性能趋势，还提供具体的行动指南，使 AI 从“观察者”转变为“决策辅助者”。

意义与影响

TelcoAgent 的提出标志着电信网络运维向“认知智能”迈出了重要一步。其意义主要体现在以下几个方面：

1. 打破可扩展性与可解释性的权衡：以往的研究往往在模型精度/可扩展性与可解释性之间做出妥协。TelcoAgent 证明了通过引入领域知识图谱和基础模型，可以同时实现大规模部署和高透明度，为复杂系统的 AI 应用提供了新范式。
2. 降低 AI 落地门槛：通过消除对站点特定训练的需求，TelcoAgent 显著降低了电信运营商部署 AI 解决方案的技术门槛和运营成本，使得中小规模运营商也能受益。
3. 增强运维信任度：在关键基础设施管理中，信任是 AI 应用的前提。基于 3GPP 标准的可解释性使得运维人员能够理解并信任模型的诊断结果，从而更愿意采纳 AI 提出的优化建议。
4. 推动 5G/6G 网络自治：随着网络向更高程度的自治（Autonomous Networks）演进，TelcoAgent 提供的自动化预测和诊断能力是实现 L4/L5 级自治网络的关键技术组件。

总之，TelcoAgent 不仅是一个预测工具，更是一个将行业标准知识、先进 AI 模型与实际操作需求深度融合的系统性解决方案，为下一代电信网络的智能化管理树立了新的标杆。