論文の概要: Mobility prediction Based on Machine Learning Algorithms

• arxiv url: http://arxiv.org/abs/2111.06723v1
• Date: Fri, 12 Nov 2021 13:49:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-15 14:57:52.076347
• Title: Mobility prediction Based on Machine Learning Algorithms
• Title（参考訳）: 機械学習アルゴリズムに基づくモビリティ予測
• Authors: Donglin Wang, Qiuheng Zhou, Sanket Partani, Anjie Qiu and Hans D. Schotten
• Abstract要約: 本稿では,移動予測技術の現状を紹介する。 そこで我々は,現実的な交通日付学習のためのSVMアルゴリズムとMLアルゴリズムを選択した。 最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に応用する今後の作業計画を提案する。
• 参考スコア（独自算出の注目度）: 7.078487870739008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nowadays mobile communication is growing fast in the 5G communication industry. With the increasing capacity requirements and requirements for quality of experience, mobility prediction has been widely applied to mobile communication and has becoming one of the key enablers that utilizes historical traffic information to predict future locations of traffic users, Since accurate mobility prediction can help enable efficient radio resource management, assist route planning, guide vehicle dispatching, or mitigate traffic congestion. However, mobility prediction is a challenging problem due to the complicated traffic network. In the past few years, plenty of researches have been done in this area, including Non-Machine-Learning (Non-ML)- based and Machine-Learning (ML)-based mobility prediction. In this paper, firstly we introduce the state of the art technologies for mobility prediction. Then, we selected Support Vector Machine (SVM) algorithm, the ML algorithm for practical traffic date training. Lastly, we analyse the simulation results for mobility prediction and introduce a future work plan where mobility prediction will be applied for improving mobile communication.
• Abstract（参考訳）: 現在、モバイル通信は5G通信業界で急速に成長している。 正確なモビリティ予測は、効率的な無線資源管理、経路計画の支援、車両派遣のガイド、交通渋滞の軽減に役立つため、モバイル通信にモビリティ予測が広く適用され、過去の交通情報を利用して将来の交通利用者の位置を予測する主要な実現要因の1つとなっている。 しかし,複雑なトラヒックネットワークのため,モビリティ予測は難しい課題である。 過去数年間、Non-Machine-Learning(Non-ML)ベースやMachine-Learning(ML)ベースのモビリティ予測など、この分野で多くの研究が行われてきた。 本稿では,まず,モビリティ予測技術の現状を紹介する。 次に,実用的な交通日程学習のためのmlアルゴリズムである support vector machine (svm) アルゴリズムを選択した。 最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に適用する今後の作業計画を提案する。

関連論文リスト

• 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)
• E-Motion: Future Motion Simulation via Event Sequence Diffusion [86.80533612211502]
  イベントベースのセンサーは、これまで達成できなかった詳細と精度で将来の動きを予測するユニークな機会を提供する可能性がある。 本稿では,映像拡散モデルの強力な学習能力とイベントカメラのリッチな動作情報とを,モーションシミュレーションフレームワークとして統合することを提案する。 本研究は,コンピュータビジョンシステムの解釈能力と予測精度の向上に向けた今後の研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2024-10-11T09:19:23Z)
• Large Language Models Powered Context-aware Motion Prediction in Autonomous Driving [13.879945446114956]
  我々はLarge Language Models (LLMs) を用いて、動き予測タスクのグローバルトラフィックコンテキスト理解を強化する。 LLMに関連するコストを考慮すると、コスト効率のよいデプロイメント戦略を提案する。 我々の研究は、LLMの交通シーンの理解と自動運転の動作予測性能を高めるための貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2024-03-17T02:06:49Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• On the road to more accurate mobile cellular traffic predictions [0.0]
  我々は、セル上の短期的な将来の負荷を予測するために、ハイウェイフローと平均速度変数とセルネットワークトラフィックメトリクスを併用する。 これは、主に都市のシナリオを研究する先行技術とは対照的である。 学習構造は、セルまたはエッジレベルで使用することができ、フェデレーション付き学習と集中型学習の両方に適用できる。
  論文  参考訳（メタデータ） (2023-05-24T15:18:46Z)
• Vision Paper: Causal Inference for Interpretable and Robust Machine Learning in Mobility Analysis [71.2468615993246]
  インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。 ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。 このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
  論文  参考訳（メタデータ） (2022-10-18T17:28:58Z)
• Motion Transformer with Global Intention Localization and Local Movement Refinement [103.75625476231401]
  動き TRansformer (MTR) は、大域的意図の局所化と局所的な動きの洗練の合同最適化として、動き予測をモデル化する。 MTRは、限界運動予測と関節運動予測の両方において最先端の性能を達成する。
  論文  参考訳（メタデータ） (2022-09-27T16:23:14Z)
• Online Trajectory Prediction for Metropolitan Scale Mobility Digital Twin [13.07036447576714]
  都市におけるモビリティの"何が起きているか"と"何が起こるか"を知ることは、データ駆動型スマートシティシステムの構築ブロックである。 粗くきめ細かなレベルの予測を階層化する2段階の人体移動予測器を提案する。 関東地方における実世界の携帯電話GPSデータを用いて,本手法を検証した。
  論文  参考訳（メタデータ） (2022-06-21T11:34:54Z)
• AI-aided Traffic Control Scheme for M2M Communications in the Internet of Vehicles [61.21359293642559]
  交通のダイナミクスと異なるIoVアプリケーションの異種要求は、既存のほとんどの研究では考慮されていない。 本稿では,ハイブリッド交通制御方式とPPO法を併用して検討する。
  論文  参考訳（メタデータ） (2022-03-05T10:54:05Z)
• Transformer based trajectory prediction [71.31516599226606]
  我々は、トランスフォーマーニューラルネットワークを純粋にベースとした、不確実性を考慮した動き予測のための、単純かつ強力なベースラインを提案する。 実装が容易である一方で、提案手法は競争性能を達成し、2021年のシフト車両運動予測コンペティションで1$st$をランク付けする。
  論文  参考訳（メタデータ） (2021-12-08T16:00:14Z)

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。