본 논문은 다양한 이동통신 네트워크 작업(기지국 배치, 자원 할당, 에너지 최적화 등)에 적용 가능한 기반 모델 FoMo를 제안합니다. FoMo는 단기/장기 예측 및 여러 도시에 걸친 분포 생성과 같은 다양한 예측 작업을 처리하기 위해 확산 모델과 트랜스포머를 결합합니다. 다양한 시공간 마스크를 통해 다양한 작업의 고유한 특징을 학습하고, 대조 학습 전략을 통해 이동통신 트래픽과 도시 환경 간의 상관관계를 파악하여 전이 학습 능력을 향상시킵니다. 9개의 실제 데이터셋에 대한 실험 결과, FoMo는 다양한 예측 작업과 제로/소수 샷 학습에서 기존 모델보다 우수한 성능을 보이며 강력한 보편성을 보여줍니다.
