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
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - 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) - A Graph Convolutional Network with Signal Phasing Information for
Arterial Traffic Prediction [63.470149585093665]
動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています
動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。
我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
論文 参考訳(メタデータ) (2020-12-25T01:40:29Z) - AST-GCN: Attribute-Augmented Spatiotemporal Graph Convolutional Network
for Traffic Forecasting [12.284512000306314]
交通予測手法に外部要因を統合するための属性拡張時間グラフ畳み込みネットワーク(AST-GCN)を提案する。
従来の交通予測手法と比較して,交通予測タスクの外部情報を考慮した場合の有効性を示す。
論文 参考訳(メタデータ) (2020-11-22T12:49:55Z) - 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) - TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。
TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。
4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
論文 参考訳(メタデータ) (2020-04-26T00:01:49Z)
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。