論文の概要: Dynamic Graph Neural Network for Traffic Forecasting in Wide Area
Networks
- arxiv url: http://arxiv.org/abs/2008.12767v1
- Date: Fri, 28 Aug 2020 17:47:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 01:57:54.811042
- Title: Dynamic Graph Neural Network for Traffic Forecasting in Wide Area
Networks
- Title(参考訳): 広域ネットワークにおける交通予測のための動的グラフニューラルネットワーク
- Authors: Tanwi Mallick, Mariam Kiran, Bashir Mohammed, Prasanna Balaprakash
- Abstract要約: 我々は,マルチステップネットワークトラフィック予測のための非自動グラフベースニューラルネットワークを開発した。
我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
- 参考スコア(独自算出の注目度): 1.0934800950965335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wide area networking infrastructures (WANs), particularly science and
research WANs, are the backbone for moving large volumes of scientific data
between experimental facilities and data centers. With demands growing at
exponential rates, these networks are struggling to cope with large data
volumes, real-time responses, and overall network performance. Network
operators are increasingly looking for innovative ways to manage the limited
underlying network resources. Forecasting network traffic is a critical
capability for proactive resource management, congestion mitigation, and
dedicated transfer provisioning. To this end, we propose a nonautoregressive
graph-based neural network for multistep network traffic forecasting.
Specifically, we develop a dynamic variant of diffusion convolutional recurrent
neural networks to forecast traffic in research WANs. We evaluate the efficacy
of our approach on real traffic from ESnet, the U.S. Department of Energy's
dedicated science network. Our results show that compared to classical
forecasting methods, our approach explicitly learns the dynamic nature of
spatiotemporal traffic patterns, showing significant improvements in
forecasting accuracy. Our technique can surpass existing statistical and deep
learning approaches by achieving approximately 20% mean absolute percentage
error for multiple hours of forecasts despite dynamic network traffic settings.
- Abstract(参考訳): 広域ネットワーク基盤(WAN)、特に科学と研究のWANは、実験施設とデータセンターの間で大量の科学データを移動するためのバックボーンである。
需要が指数関数的に増加する中、これらのネットワークは大規模データ量、リアルタイム応答、ネットワーク全体のパフォーマンスに苦戦している。
ネットワークオペレーターは、限られたネットワークリソースを管理する革新的な方法を探している。
ネットワークトラフィックの予測は、アクティブなリソース管理、混雑緩和、専用の転送プロビジョニングにとって重要な機能である。
そこで本研究では,多段階ネットワークトラフィック予測のための非回帰グラフ型ニューラルネットワークを提案する。
具体的には, 拡散畳み込みリカレントニューラルネットワークの動的変種を開発し, 研究WANのトラフィックを予測する。
我々は,米国エネルギー省の専用科学ネットワークESnetの実際のトラフィックに対するアプローチの有効性を評価する。
その結果,従来の予測手法と比較して,時空間的トラヒックパターンの動的性質を明示的に学習し,予測精度に大きな改善が見られた。
本手法は,ネットワークトラフィックの動的設定に拘わらず,複数時間の予測において,約20%の平均絶対誤差を達成し,既存の統計的・深層学習手法を超えることができる。
関連論文リスト
- Visual Prompting Upgrades Neural Network Sparsification: A Data-Model
Perspective [67.25782152459851]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。
具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文 参考訳(メタデータ) (2023-12-03T13:50:24Z) - Mobile Traffic Prediction at the Edge through Distributed and Transfer
Learning [2.687861184973893]
このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。
本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-22T23:48:13Z) - Heterogeneous Graph Neural Networks for Data-driven Traffic Assignment [6.149316647127476]
我々は、異種グラフニューラルネットワークのパワーを活用し、トラフィック割り当てとトラフィックフロー学習のための新しいデータ駆動アプローチを提案する。
提案モデルでは,異なるリンク間の空間的トラフィックパターンをキャプチャし,高精度な結果が得られる。
論文 参考訳(メタデータ) (2023-10-19T23:04:09Z) - Deep Neural Networks Tend To Extrapolate Predictably [56.04573160453392]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
大規模空間問題に対する学習効率を向上させるために移動学習を用いる。
畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
論文 参考訳(メタデータ) (2023-06-14T01:24:42Z) - Influencer Detection with Dynamic Graph Neural Networks [56.1837101824783]
インフルエンサー検出のための動的グラフニューラルネットワーク(GNN)の構成について検討する。
GNNにおける深層多面的注意と時間特性の符号化が性能を著しく向上させることを示す。
論文 参考訳(メタデータ) (2022-11-15T13:00:25Z) - Data-Driven Traffic Assignment: A Novel Approach for Learning Traffic
Flow Patterns Using a Graph Convolutional Neural Network [1.3706331473063877]
本稿では,交通ネットワークのトラフィックフローパターンを学習する新しいデータ駆動手法を提案する。
我々は、グラフ畳み込みニューラルネットワーク(GCNN)と呼ばれるニューラルネットワークベースのフレームワークを開発し、その問題を解決する。
モデルのトレーニングが完了すると、大規模ネットワークのトラフィックフローを即座に決定できる。
論文 参考訳(メタデータ) (2022-02-21T19:45:15Z) - Domain Adversarial Spatial-Temporal Network: A Transferable Framework
for Short-term Traffic Forecasting across Cities [9.891703123090528]
本稿では,新しい移動可能な交通予測フレームワークDASTNetを提案する。
DASTNetは複数のソースネットワーク上で事前トレーニングされ、ターゲットネットワークのトラフィックデータに微調整される。
3つのベンチマークデータセット上で、最先端のベースラインメソッドを一貫して上回る。
論文 参考訳(メタデータ) (2022-02-08T03:58:39Z) - Distribution-sensitive Information Retention for Accurate Binary Neural
Network [49.971345958676196]
本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。
我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。
我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
論文 参考訳(メタデータ) (2021-09-25T10:59:39Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳(メタデータ) (2021-08-20T11:53:05Z) - Transfer Learning with Graph Neural Networks for Short-Term Highway
Traffic Forecasting [1.7009370112134283]
Diffusion Convolutional Recurrent Neural Network (DCRNN)は、ハイウェイネットワーク予測のための最先端のグラフニューラルネットワークである。
高速ネットワークのデータ豊富な領域で訓練された1つのモデルを用いて、高速道路ネットワークの見えない領域のトラフィックを予測するDCRNNの新しいトランスファー学習手法を開発した。
TL-DCRNNはカリフォルニアのハイウェイネットワークのいくつかの領域から学習でき、ネットワークの見えない領域のトラフィックを高精度に予測できることを示す。
論文 参考訳(メタデータ) (2020-04-17T02:29:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。