論文の概要: Towards an Ensemble Regressor Model for Anomalous ISP Traffic Prediction
- arxiv url: http://arxiv.org/abs/2205.01300v1
- Date: Tue, 3 May 2022 04:37:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-04 22:42:00.302307
- Title: Towards an Ensemble Regressor Model for Anomalous ISP Traffic Prediction
- Title（参考訳）: 異常ISPトラフィック予測のためのアンサンブル回帰モデルに向けて
- Authors: Sajal Saha, Anwar Haque, and Greg Sidebottom
- Abstract要約: 一般的な傾向を学習し、より良い予測を行う際に、外乱検出と緩和が回帰モデルに役立つことを示す。
我々のアンサンブル回帰モデルは、実際のトラフィックと予測トラフィックの5.04%の最小平均ギャップを9つの外乱調整入力で達成した。
- 参考スコア（独自算出の注目度）: 3.689539481706835
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Prediction of network traffic behavior is significant for the effective
management of modern telecommunication networks. However, the intuitive
approach of predicting network traffic using administrative experience and
market analysis data is inadequate for an efficient forecast framework. As a
result, many different mathematical models have been studied to capture the
general trend of the network traffic and predict accordingly. But the
comprehensive performance analysis of varying regression models and their
ensemble has not been studied before for analyzing real-world anomalous
traffic. In this paper, several regression models such as Extra Gradient Boost
(XGBoost), Light Gradient Boosting Machine (LightGBM), Stochastic Gradient
Descent (SGD), Gradient Boosting Regressor (GBR), and CatBoost Regressor were
analyzed to predict real traffic without and with outliers and show the
significance of outlier detection in real-world traffic prediction. Also, we
showed the outperformance of the ensemble regression model over the individual
prediction model. We compared the performance of different regression models
based on five different feature sets of lengths 6, 9, 12, 15, and 18. Our
ensemble regression model achieved the minimum average gap of 5.04% between
actual and predicted traffic with nine outlier-adjusted inputs. In general, our
experimental results indicate that the outliers in the data can significantly
impact the quality of the prediction. Thus, outlier detection and mitigation
assist the regression model in learning the general trend and making better
predictions.
- Abstract（参考訳）: 現代の通信ネットワークの効率的な管理には,ネットワークトラフィックの予測が重要である。
しかし、管理経験と市場分析データを用いたネットワークトラフィック予測の直感的なアプローチは、効率的な予測フレームワークには不十分である。
その結果、ネットワークトラフィックの一般的な傾向を捉え、それに応じて予測するために、様々な数学的モデルが研究されている。
しかし,様々な回帰モデルとそのアンサンブルの包括的性能解析は,実世界の異常なトラフィックを解析するための研究は行われていない。
本稿では,光グラディエントブースト(XGBoost),光グラディエントブーストマシン(LightGBM),Stochastic Gradient Descent(SGD),グラディエントブーストレスタ(GBR),CatBoost Regressor(CatBoost Regressor)などのレグレッションモデルを用いて,外乱のない実際のトラフィックを予測し,実際の交通予測における外乱検出の重要性を明らかにした。
また,個々の予測モデルに対して,アンサンブル回帰モデルの有効性を示した。
長さ6,9,12,15,18の5つの異なる特徴集合に基づいて,回帰モデルの性能を比較した。
我々のアンサンブル回帰モデルは、実際のトラフィックと予測トラフィックの5.04%の最小平均ギャップを9つの外乱調整入力で達成した。
実験結果から,データの異常値が予測精度に大きな影響を及ぼす可能性が示唆された。
これにより,一般的な傾向を学習し,より良い予測を行う上で,回帰モデルを支援する。
関連論文リスト
- Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。
本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。
2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-08-23T14:35:54Z) - Towards Generalizable and Interpretable Motion Prediction: A Deep
Variational Bayes Approach [54.429396802848224]
本稿では,分布外ケースに対する頑健な一般化性を有する動き予測のための解釈可能な生成モデルを提案する。
このモデルでは, 長期目的地の空間分布を推定することにより, 目標駆動動作予測を実現する。
動き予測データセットの実験は、適合したモデルが解釈可能で一般化可能であることを検証した。
論文 参考訳（メタデータ） (2024-03-10T04:16:04Z) - A Bayesian approach to quantifying uncertainties and improving
generalizability in traffic prediction models [0.0]
本稿では,高一般化性を有する交通予測の不確実性を考慮したベイズ型リカレントニューラルネットワークフレームワークを提案する。
正規化は、モデルの複雑さを制御することによって、ディープニューラルネットワークのトレーニングプロセスを変化させることを示す。
特に交通管理アプリケーションでは,複数箇所にわたる交通状況の予測が目的である。
論文 参考訳（メタデータ） (2023-07-12T06:23:31Z) - Learning Sample Difficulty from Pre-trained Models for Reliable
Prediction [55.77136037458667]
本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。
我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
論文 参考訳（メタデータ） (2023-04-20T07:29:23Z) - Deep Sequence Modeling for Anomalous ISP Traffic Prediction [3.689539481706835]
異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。
LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
論文 参考訳（メタデータ） (2022-05-03T17:01:45Z) - An Empirical Study on Internet Traffic Prediction Using Statistical
Rolling Model [3.689539481706835]
我々の交通の季節性は、SARIMAを用いて明確にモデル化されており、平均平均パーセンテージ誤差(MAPE)を4%以上削減している。
さらに,SARIMAXを用いた交通予測を改良し,元の交通から抽出した異なる要因を学習し,MAPEの6.83%で最高の転がり予測結果を得た。
論文 参考訳（メタデータ） (2022-05-03T16:15:00Z) - Transforming Model Prediction for Tracking [109.08417327309937]
トランスフォーマーは、誘導バイアスの少ないグローバルな関係を捉え、より強力なターゲットモデルの予測を学ぶことができる。
提案したトラッカーをエンドツーエンドにトレーニングし、複数のトラッカーデータセットに関する総合的な実験を行うことで、その性能を検証する。
我々のトラッカーは3つのベンチマークで新しい技術状態を設定し、挑戦的なLaSOTデータセットで68.5%のAUCを達成した。
論文 参考訳（メタデータ） (2022-03-21T17:59:40Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Regression Bugs Are In Your Model! Measuring, Reducing and Analyzing
Regressions In NLP Model Updates [68.09049111171862]
この研究は、NLPモデル更新における回帰エラーの定量化、低減、分析に重点を置いている。
回帰フリーモデル更新を制約付き最適化問題に定式化する。
モデルアンサンブルが回帰を減らす方法を実証的に分析します。
論文 参考訳（メタデータ） (2021-05-07T03:33:00Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z)
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。