Fugu-MT 論文翻訳(概要): An Empirical Study on Internet Traffic Prediction Using Statistical Rolling Model

論文の概要: An Empirical Study on Internet Traffic Prediction Using Statistical Rolling Model

arxiv url: http://arxiv.org/abs/2205.01590v1
Date: Tue, 3 May 2022 16:15:00 GMT
ステータス: 処理完了
システム内更新日: 2022-05-04 16:21:39.386458
Title: An Empirical Study on Internet Traffic Prediction Using Statistical Rolling Model
Title（参考訳）: 統計的転がりモデルを用いたインターネットトラフィック予測に関する実証的研究
Authors: Sajal Saha, Anwar Haque, and Greg Sidebottom
Abstract要約: 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。
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: Real-world IP network traffic is susceptible to external and internal factors such as new internet service integration, traffic migration, internet application, etc. Due to these factors, the actual internet traffic is non-linear and challenging to analyze using a statistical model for future prediction. In this paper, we investigated and evaluated the performance of different statistical prediction models for real IP network traffic; and showed a significant improvement in prediction using the rolling prediction technique. Initially, a set of best hyper-parameters for the corresponding prediction model is identified by analyzing the traffic characteristics and implementing a grid search algorithm based on the minimum Akaike Information Criterion (AIC). Then, we performed a comparative performance analysis among AutoRegressive Integrated Moving Average (ARIMA), Seasonal ARIMA (SARIMA), SARIMA with eXogenous factors (SARIMAX), and Holt-Winter for single-step prediction. The seasonality of our traffic has been explicitly modeled using SARIMA, which reduces the rolling prediction Mean Average Percentage Error (MAPE) by more than 4% compared to ARIMA (incapable of handling the seasonality). We further improved traffic prediction using SARIMAX to learn different exogenous factors extracted from the original traffic, which yielded the best rolling prediction results with a MAPE of 6.83%. Finally, we applied the exponential smoothing technique to handle the variability in traffic following the Holt-Winter model, which exhibited a better prediction than ARIMA (around 1.5% less MAPE). The rolling prediction technique reduced prediction error using real Internet Service Provider (ISP) traffic data by more than 50\% compared to the standard prediction method.
Abstract（参考訳）: 現実世界のIPネットワークトラフィックは、新しいインターネットサービス統合、トラフィックマイグレーション、インターネットアプリケーションなど、外部および内部の要因に影響を受けやすい。これらの要因により、実際のインターネットトラフィックは非線形であり、将来の予測のために統計モデルを用いて分析することが困難である。本稿では,実IPネットワークトラフィックに対する異なる統計的予測モデルの性能について検討,評価し,ローリング予測手法を用いて予測精度を大幅に向上させた。まず、トラフィック特性を分析し、最小アカイケ情報基準(aic)に基づくグリッド探索アルゴリズムを実装することにより、対応する予測モデルの最適なハイパーパラメータのセットを特定する。次に,自動回帰統合移動平均 (ARIMA), 季節アリマ (SARIMA), eXogenous factor (SARIMAX), ホルトワート (Holt-Winter) の比較解析を行った。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、ARIMA(季節性に対応できない)と比較して平均平均過度誤差(MAPE)が4%以上減少する。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種要因を学習し,MAPEの6.83%で最高の転がり予測結果を得た。最後に,ARIMA (約1.5%少ないMAPE) よりも優れた予測値を示したHolt-Winterモデルに従って, トラフィック変動に対する指数的スムーシング手法を適用した。ローリング予測手法は,isp(real internet service provider)トラフィックデータを用いた予測誤差を,標準予測法と比較して50%以上低減した。

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)
Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文参考訳（メタデータ） (2024-07-18T15:44:23Z)
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)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Research on Self-adaptive Online Vehicle Velocity Prediction Strategy Considering Traffic Information Fusion [33.78486808705356]
一般回帰ニューラルネットワーク(GRNN)のアルゴリズムは、交通シナリオにおいて、エゴ車両、前面車両、信号機のデータセットと組み合わせられた。都市や高速道路のシナリオでは、従来のGRNN VVP戦略と比較して予測精度が27.8%、54.5%向上する。
論文参考訳（メタデータ） (2022-10-07T08:42:54Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
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)
Towards an Ensemble Regressor Model for Anomalous ISP Traffic Prediction [3.689539481706835]
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。
論文参考訳（メタデータ） (2022-05-03T04:37:37Z)
A model for traffic incident prediction using emergency braking data [77.34726150561087]
道路交通事故予測におけるデータ不足の根本的な課題を、事故の代わりに緊急ブレーキイベントをトレーニングすることで解決します。メルセデス・ベンツ車両の緊急ブレーキデータに基づくドイツにおける交通事故予測モデルを実装したプロトタイプを提案する。
論文参考訳（メタデータ） (2021-02-12T18:17:12Z)
Long-Term Prediction of Lane Change Maneuver Through a Multilayer Perceptron [5.267336573374459]
横方向情報や角度情報のない長期(510秒)レーン変更予測モデルを提案する。ロジスティック回帰モデル、多層パーセプトロン(MLP)モデル、リカレントニューラルネットワーク(RNN)モデルを含む3つの予測モデルが導入されている。評価結果から, 開発した予測モデルでは, 実車線変更操作の75%を平均8.05秒で捉えることができることがわかった。
論文参考訳（メタデータ） (2020-06-23T05:32:40Z)

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。