摘要：移动数据每天都在不断增长,如何精准预测无线流量对高效、合理的配置通信和网络资源至关重要.现有的流量预测方法多采用集中式训练架构,涉及大规模的流量数据传输,会导致用户隐私泄露等安全问题.联邦学习可以在数据本地存储的前提下训练一个全局模型,保护用户隐私,有效减轻数据频繁传输负担.但是在无线流量预测中,单个基站数据量有限,且不同基站流量数据模式异构,流量模式难以捕捉,导致训练得到的全局模型泛化能力较差.此外,传统联邦学习方法在进行模型聚合时采用简单平均,忽略了客体贡献差异,进一步导致全局模型性能下降.针对上述问题,提出一种基于注意力的“类内平均,类间注意力”联邦无线流量预测模型,该模型根据基站的流量数据进行聚类,更好地捕捉具有相似流量模式基站的流量变化特性;同时,设计一个预热模型,利用少量基站数据缓解数据异构,提高全局模型的泛化能力;在模型聚合阶段引入注意力机制,量化不同客体对全局模型的贡献,并在模型迭代过程中融入预热模型,大幅提升模型的预测精度.在两个真实数据集(Milano和Trento)上进行大量实验,结果表明该方法优于所有基线方法.并且与目前最先进的方法相比,在两个数据集上的平均绝对误差性能增益最高分别达到10.1%和9.6%.