論文の概要: ARENA: A Data-driven Radio Access Networks Analysis of Football Events
- arxiv url: http://arxiv.org/abs/2010.09467v1
- Date: Mon, 19 Oct 2020 13:09:11 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 22:33:52.444817
- Title: ARENA: A Data-driven Radio Access Networks Analysis of Football Events
- Title（参考訳）: ARENA - データ駆動ラジオアクセスネットワークによるフットボールイベントの解析
- Authors: Lanfranco Zanzi, Vincenzo Sciancalepore, Andres Garcia-Saavedra,
Xavier Costa-Perez, Georgios Agapiou, Hans D. Schotten
- Abstract要約: 我々は,モデルなしディープラーニング無線アクセスネットワーク(RAN)のキャパシティ予測ソリューションであるARENAを開発した。
提案手法の有効性を,データセットに含まれる実事象に対して検証し,提案手法の有効性を示す。
- 参考スコア（独自算出の注目度）: 15.85770064872486
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mass events represent one of the most challenging scenarios for mobile
networks because, although their date and time are usually known in advance,
the actual demand for resources is difficult to predict due to its dependency
on many different factors. Based on data provided by a major European carrier
during mass events in a football stadium comprising up to 30.000 people, 16
base station sectors and $1$Km$^2$ area, we performed a data-driven analysis of
the radio access network infrastructure dynamics during such events. Given the
insights obtained from the analysis, we developed ARENA, a model-free deep
learning Radio Access Network (RAN) capacity forecasting solution that, taking
as input past network monitoring data and events context information, provides
guidance to mobile operators on the expected RAN capacity needed during a
future event. Our results, validated against real events contained in the
dataset, illustrate the effectiveness of our proposed solution.
- Abstract（参考訳）: マスイベントはモバイルネットワークにとって最も困難なシナリオの1つであり、その日時が事前に分かっているが、リソースの実際の需要は様々な要因に依存するため予測が困難である。
欧州の主要キャリアが,30,000人,16の基地局セクター,1,Km$^2$エリアからなるサッカースタジアムで大規模イベントを行う際に提供したデータをもとに,これらのイベントにおける無線アクセスネットワーク基盤の動態をデータ駆動分析した。
この分析から得られた知見を踏まえて,将来的なイベントに必要なRAN容量について,ネットワーク監視データやイベントコンテキスト情報を入力としてモバイルオペレータにガイダンスを提供する,モデルフリーの深層学習無線アクセスネットワーク(RAN)キャパシティ予測ソリューションであるARENAを開発した。
データセットに含まれる実際のイベントに対して検証を行った結果,提案手法の有効性が示された。
関連論文リスト
- I've Got 99 Problems But FLOPS Ain't One [70.3084616806354]
私たちは、機械学習アプリケーションのための1000億ドルのデータセンターを構築するための公開計画から始まり、関連する研究方向を見つけるために、従来からあるアプローチを取っています。
データセンターのようなワークロードが持つものを見つけ、ネットワーク研究に焦点をあてて、その課題を探求します。
我々は、データセンターの構築とそのようなモデルの訓練は技術的に可能であると結論づけるが、これはDC間通信のための新しい広域トランスポート、マルチパストランスポート、および新しいデータセンタートポロジを必要とする。
論文 参考訳（メタデータ） (2024-07-01T10:33:46Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - Context-Aware Mobile Network Performance Prediction Using Network & Remote Sensing Data [0.0]
通信ネットワークは膨大な数の無線ノードを提供する。各無線ノードは、関連するカバレッジエリアのエンドユーザにサービスを提供する。
我々のアプローチは、衛星画像データを用いて、ネットワークの過去のパフォーマンスデータセットを増強する。
その結果, 衛星画像を用いたモデルでは, 試験領域間で非常に良好な性能が得られた。
論文 参考訳（メタデータ） (2024-04-30T21:55:49Z) - Exploring Large Language Models for Human Mobility Prediction under
Public Events [25.903243511465092]
我々は,Large Language Models(LLMs)に基づく公共イベントにおける人体移動予測の枠組みを導入する。
LLMはテキストデータを処理し、最小限の例から学び、人間が読める説明を生成する。
ニューヨーク市のバークレイズセンターで、公開イベント情報とタクシー旅行データに基づいてケーススタディが実施されている。
論文 参考訳（メタデータ） (2023-11-29T04:25:15Z) - Surge Routing: Event-informed Multiagent Reinforcement Learning for
Autonomous Rideshare [11.159056906971983]
本稿では,インターネットからのイベントデータを活用して需要急増を予測し,協調的なルーティングポリシを生成する,自律型タクシー群のための学習フレームワークを提案する。
i) イベント記述とレビューの形式でテキストイベント情報を使用してストリート交差点上でのイベント駆動型需要急増を予測する需要予測フレームワーク,(ii) 需要予測を活用してワンエージェント・アット・ア・タイム・ロールアウトを使用するスケーラブルなマルチエージェント強化学習フレームワークの2つを組み合わせてこれを実現している。
論文 参考訳（メタデータ） (2023-07-05T20:13:01Z) - LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。
しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。
カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
論文 参考訳（メタデータ） (2023-06-14T05:48:36Z) - Quantifying and Managing Impacts of Concept Drifts on IoT Traffic
Inference in Residential ISP Networks [1.4027589547318842]
インターネットサービスプロバイダ(ISP)は、家庭ごとのアクティブなIoTデバイスの自動推論によるリスク軽減において、最も重要な役割を担っている。
本稿では,デバイス動作のラベル付きデータに制限がある場合に,データ駆動推論モデルの開発と適用の課題に焦点を当てる。
論文 参考訳（メタデータ） (2023-01-17T04:20:33Z) - Statistical prediction of extreme events from small datasets [6.85316573653194]
乱流中の極端な事象の統計を予測するために,Echo State Networks (ESNs) を訓練する。
ネットワークが小さな不完全なデータセットから外挿でき、イベントを記述するヘビーテール統計を予測できるかどうかを評価する。
論文 参考訳（メタデータ） (2022-01-20T16:58:51Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - FENXI: Deep-learning Traffic Analytics at the Edge [69.34903175081284]
本稿では,TPUを利用して複雑な解析を行うシステムであるFENXIを提案する。
FENXIは、さまざまな粒度で動作するオペレーションとトラフィック分析を分離する。
分析の結果,FENXIは限られた資源しか必要とせず,転送ラインレートのトラヒック処理を継続できることがわかった。
論文 参考訳（メタデータ） (2021-05-25T08:02:44Z) - Event-Related Bias Removal for Real-time Disaster Events [67.2965372987723]
ソーシャルメディアは、自然災害や大量攻撃などの危機事象に関する情報を共有する重要なツールとなっている。
有用な情報を含む実行可能なポストを検出するには、大量のデータをリアルタイムに高速に分析する必要がある。
我々は、潜在事象固有のバイアスを除去し、ツイート重要度分類の性能を向上させるために、敵対的ニューラルモデルを訓練する。
論文 参考訳（メタデータ） (2020-11-02T02:03:07Z)
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。