論文の概要: 5G Traffic Prediction with Time Series Analysis

• arxiv url: http://arxiv.org/abs/2110.03781v2
• Date: Sun, 20 Jul 2025 10:28:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-23 15:16:09.564173
• Title: 5G Traffic Prediction with Time Series Analysis
• Title（参考訳）: 時系列解析による5G交通予測
• Authors: Nikhil Nayak, Rujula Singh R, Rameshwar Garg, Varun Danda, Chandana Kiran, Kaustuv Saha,
• Abstract要約: 本プロジェクトは,将来的な交通の性質と発生を予測するために,交通履歴を活用することを目的としている。 機械学習のパワーを活用して、トラフィックを生成するアプリケーションの分類、パケット到着強度の予測、バースト発生の3つの目的を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In today's day and age, a mobile phone has become a basic requirement needed for anyone to thrive. With the cellular traffic demand increasing so dramatically, it is now necessary to accurately predict the user traffic in cellular networks, so as to improve the performance in terms of resource allocation and utilisation. Since traffic learning and prediction is a classical and appealing field, which still yields many meaningful results, there has been an increasing interest in leveraging Machine Learning tools to analyse the total traffic served in a given region, to optimise the operation of the network. With the help of this project, we seek to exploit the traffic history by using it to predict the nature and occurrence of future traffic. Furthermore, we classify the traffic into particular application types, to increase our understanding of the nature of the traffic. By leveraging the power of machine learning and identifying its usefulness in the field of cellular networks we try to achieve three main objectives - classification of the application generating the traffic, prediction of packet arrival intensity and burst occurrence. The design of the prediction and classification system is done using Long Short Term Memory (LSTM) model. The LSTM predictor developed in this experiment would return the number of uplink packets and also estimate the probability of burst occurrence in the specified future time interval. For the purpose of classification, the regression layer in our LSTM prediction model is replaced by a softmax classifier which is used to classify the application generating the cellular traffic into one of the four applications including surfing, video calling, voice calling, and video streaming.
• Abstract（参考訳）: 現代では、携帯電話は誰もが育つために必要な基本要件になっている。 セルラートラフィックの需要が劇的に増加する中、セルラーネットワークの利用者トラフィックを正確に予測し、資源配分や利用の面での性能向上を図る必要がある。 トラフィックの学習と予測は古典的で魅力的な分野であり、多くの意味のある結果をもたらすため、機械学習ツールを活用して特定の地域で提供される全トラフィックを分析し、ネットワークの動作を最適化することへの関心が高まっている。 このプロジェクトの助けを借りて,将来的な交通の性質と発生を予測するために交通履歴を活用することを目指す。 さらに、トラフィックを特定のアプリケーションタイプに分類し、トラフィックの性質の理解を深める。 機械学習のパワーを活用して、セルラーネットワークの分野におけるその有用性を識別することにより、トラフィックを生成するアプリケーションの分類、パケット到着強度の予測、バースト発生の3つの主な目的を達成する。 予測と分類システムの設計はLong Short Term Memory (LSTM)モデルを用いて行われる。 この実験で開発されたLSTM予測器は、アップリンクパケットの個数を返却し、指定された将来時間間隔におけるバースト発生確率を推定する。 LSTM予測モデルの回帰層をソフトマックス分類器に置き換え, セルトラフィックを生成するアプリケーションを, サーフィン, ビデオ通話, 音声通話, ビデオストリーミングを含む4つのアプリケーションのうちの1つに分類する。

関連論文リスト

• Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism [4.372157417558764]
  本稿では,隣接する細胞間のセルトラフィックのパターンを明確に特徴付けるために,2つの変種を持つエンドツーエンドフレームワークを提案する。 空間力学を捉えるための注意機構を備えた畳み込みニューラルネットワークと、時間分解のためのカルマンフィルタを使用する。 実世界の3つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-26T04:32:15Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• Data Matters: The Case of Predicting Mobile Cellular Traffic [0.5939858158928474]
  本研究では, スマート道路に着目し, セルラー交通の発生過程をモデル化するための道路交通対策について検討する。 実験では、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、セルラーロード予測エラーを最大56.5%削減できることを示した。
  論文  参考訳（メタデータ） (2024-10-21T11:30:13Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• OPUS: Occupancy Prediction Using a Sparse Set [64.60854562502523]
  学習可能なクエリの集合を用いて、占有された場所とクラスを同時に予測するフレームワークを提案する。 OPUSには、モデルパフォーマンスを高めるための非自明な戦略が組み込まれている。 最も軽量なモデルではOcc3D-nuScenesデータセットの2倍 FPS に優れたRayIoUが得られる一方、最も重いモデルは6.1 RayIoUを上回ります。
  論文  参考訳（メタデータ） (2024-09-14T07:44:22Z)
• BjTT: A Large-scale Multimodal Dataset for Traffic Prediction [49.93028461584377]
  従来の交通予測手法は、交通トレンドを予測するために、過去の交通データに依存している。 本研究では,交通システムを記述するテキストと生成モデルを組み合わせることで,交通生成にどのように応用できるかを考察する。 本稿では,テキスト・トラフィック生成のための最初の拡散モデルChatTrafficを提案する。
  論文  参考訳（メタデータ） (2024-03-08T04:19:56Z)
• PreRoutGNN for Timing Prediction with Order Preserving Partition: Global Circuit Pre-training, Local Delay Learning and Attentional Cell Modeling [84.34811206119619]
  本稿では,事前のタイミング予測に対する2段階のアプローチを提案する。 まず、回路網リストからグローバルグラフ埋め込みを学習するグラフオートエンコーダを事前学習するためのグローバル回路トレーニングを提案する。 第2に、GCN上のメッセージパッシングのための新しいノード更新方式を、学習したグラフ埋め込みと回路グラフのトポロジ的ソートシーケンスに従って使用する。 21個の実世界の回路の実験では、スラック予測のための新しいSOTA R2が0.93で達成され、以前のSOTA法では0.59をはるかに上回っている。
  論文  参考訳（メタデータ） (2024-02-27T02:23:07Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction [19.88734776818291]
  本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。 まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。 第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
  論文  参考訳（メタデータ） (2023-02-28T06:46:50Z)
• PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
  空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。 本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。 提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
  論文  参考訳（メタデータ） (2023-01-19T08:42:40Z)
• 5G Long-Term and Large-Scale Mobile Traffic Forecasting [0.0]
  我々は、異なる大都市圏に設置された14,000以上の細胞からトラフィックパターンを抽出し、シミュレートする。 提案したモデルは,31週間以上の都市で収集された実世界の5Gモバイルトラフィックデータセットを用いてテストされている。
  論文  参考訳（メタデータ） (2022-12-21T09:26:33Z)
• Time-to-Green predictions for fully-actuated signal control systems with supervised learning [56.66331540599836]
  本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。 我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。 スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-24T07:50:43Z)
• Learning dynamic and hierarchical traffic spatiotemporal features with Transformer [4.506591024152763]
  本稿では,空間時間グラフモデリングと長期交通予測のための新しいモデルであるTraffic Transformerを提案する。 Transformerは自然言語処理(NLP)で最も人気のあるフレームワークです。 注目重量行列を解析すれば 道路網の 影響力のある部分を見つけられる 交通網をよりよく学べる
  論文  参考訳（メタデータ） (2021-04-12T02:29:58Z)
• Distributed Fine-Grained Traffic Speed Prediction for Large-Scale Transportation Networks based on Automatic LSTM Customization and Sharing [0.27528170226206433]
  DistPreは、大規模交通ネットワークのための分散きめ細かな交通速度予測スキームである。 D DistPreは、大規模な交通ネットワークにおいて、時間効率のLSTMカスタマイズと正確な交通速度予測を提供する。
  論文  参考訳（メタデータ） (2020-05-10T21:24:23Z)

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。