以深度学习为代表的人工智能技术已经成为推动5G/6G网络智能化的核心驱动力。作为构建智能化网络中不可或缺的一环,无线业务流量预测技术对于提升网络性能、降低网络能耗、提升用户体验具有重要意义。精准的流量预测有助于实现对未来业务需求的动态感知,既为后续通信资源的预分配提供了先验信息,也为网络基础设施的部署与扩容提供了依据,同时还可避免不必要的运营维护成本,为实现绿色通信提供有力保障。分析表明,实际场景中无线业务流量的时空分布呈现出高动态性与不确定性,这给流量预测任务带来巨大挑战。近年来深度学习、高性能计算等领域的发展,为基于大数据分析的流量预测算法提供了强大的理论与技术支撑。设计更加合理高效的神经网络结构,是挖掘流量数据中复杂模式,提升流量预测算法性能的关键所在。因此,本文重点研究如何利用注意力机制捕获长时间跨度流量序列的时间依赖性,从而提升深度学习预测算法的性能。首先借助时域自注意力机制提升深度神经网络对于无线业务流量长期依赖性的捕获能力。在此基础上,进一步设计支持多步预测的神经网络架构,满足不同网络负载下的预测需求。本文的主要内容与创新点,总结如下:1)提出基于时域自注意力机制的无线业务流量预测框架TWACNet,以捕获无线业务流量在时间维度上的长期相关性。首先,所提框架利用自注意力机制捕获不同时刻流量数据之间的时序相关性,充分挖掘观测流量序列时间尺度上的全局特征。然后,基于残差网络对相关时空特征进行融合,得到流量预测结果。最后,将所提预测框架在实际数据集上进行验证,实验结果表明,相较于传统的基于循环神经网络架构的预测算法,自注意力机制能够有效捕获长时间跨度流量序列中的时间依赖性,充分利用长时间窗流量序列蕴含的时域特征信息,从而提升算法的预测精准度。2)在创新点1)的基础上,为降低多步预测中的误差累积影响,本文提出基于注意力机制的序列到序列流量预测框架A-seq2seq。所提框架整体上分为编码器、解码器两部分。编码器部分采用时域自注意力网络进行特征提取,解码器采用卷积门控神经网络输出多步预测结果。在编码器中基于自注意力机制捕获无线流量数据的时空依赖性,输出不同时刻的流量数据的特征映射;在解码器中利用注意力机制为不同的特征映射赋予不同权重,综合观测值与预测值信息,对流量预测值进行校正,有效降低传统递归算法中的预测值累积误差。最后本文在三种不同业务的数据集上进行仿真验证,仿真结果表明A-seq2seq模型能够有效提升多步预测的准确性。