Fugu-MT 論文翻訳(概要): 4G 5G Cell-level Multi-indicator Forecasting based on Dense-MLP

論文の概要: 4G 5G Cell-level Multi-indicator Forecasting based on Dense-MLP

arxiv url: http://arxiv.org/abs/2209.05989v1
Date: Fri, 22 Jul 2022 05:03:27 GMT
ステータス: 処理完了
システム内更新日: 2023-02-04 02:45:52.318900
Title: 4G 5G Cell-level Multi-indicator Forecasting based on Dense-MLP
Title（参考訳）: Dense-MLPに基づく4G 5G セルレベルのマルチインジケータ予測
Authors: Jiacheng Yin, Wenwen Li, Xidong Wang, Xiaozhou Ye, Ye Ouyang
Abstract要約: 本稿では,高密度Multi-Layer Perceptron(MLP)ニューラルネットワークを用いた4G/5Gセルレベルのマルチインデックス予測手法を提案する。提案モデルはAsiaInfo 4G/5G省エネルギーシステムに統合され,江蘇省に展開されている。
参考スコア（独自算出の注目度）: 1.4121977037543587
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: With the development of 4G/5G, the rapid growth of traffic has caused a large number of cell indicators to exceed the warning threshold, and network quality has deteriorated. It is necessary for operators to solve the congestion in advance and effectively to guarantee the quality of user experience. Cell-level multi-indicator forecasting is the foundation task for proactive complex network optimization. In this paper, we propose the 4G/5G Cell-level multi-indicator forecasting method based on the dense-Multi-Layer Perceptron (MLP) neural network, which adds additional fully-connected layers between non-adjacent layers in an MLP network. The model forecasted the following week's traffic indicators of 13000 cells according to the six-month historical indicators of 65000 cells in the 4G&5G network, which got the highest weighted MAPE score (0.2484) in the China Mobile problem statement in the ITU-T AI/ML in 5G Challenge 2021. Furthermore, the proposed model has been integrated into the AsiaInfo 4G/5G energy-saving system and deployed in Jiangsu Province of China.
Abstract（参考訳）: 4g/5gの開発により、トラフィックの急速な増加により、多数のセルインジケータが警告しきい値を超え、ネットワーク品質が低下している。運用者は,ユーザエクスペリエンスの質を保証するために,事前かつ効果的に混雑を解決する必要がある。セルレベルのマルチインジケータ予測は、プロアクティブ複雑ネットワーク最適化の基礎タスクである。本稿では,mlpネットワークにおける非隣接層間の完全接続層を追加し,高密度多層パーセプトロン(mlp)ニューラルネットワークに基づく4g/5gセルレベルマルチインジケータ予測手法を提案する。 5Gチャレンジ2021のITU-T AI/MLの中国モバイル問題声明で、中国モバイルのMAPEスコア(0.2484)で最高となった4G&5Gネットワークの65000セルの6ヶ月の歴史的指標に基づいて、翌週の13,000セルのトラフィック指標を予測した。さらに,提案モデルはAsiaInfo 4G/5G省エネルギーシステムに統合され,江蘇省に展開されている。

関連論文リスト

5G Network Management, Orchestration, and Architecture: A Practical Study of the MonB5G project [0.0]
MonB5Gプロジェクトは、5G LTE以降の大規模ネットワークスライシングをサポートするため、ゼロタッチ管理とオーケストレーションの提供を目指している。 5G LTE以降の大規模ネットワークスライシングをサポートするため、ゼロタッチ管理とオーケストレーションを提供するため、EUが出資するMonB5Gプロジェクトを踏まえて、これらのトピックを調査する。
論文参考訳（メタデータ） (2022-12-28T08:48:03Z)
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)
Federated Meta-Learning for Traffic Steering in O-RAN [1.400970992993106]
フェデレーション・メタラーニング(FML)に基づくRATアロケーションのアルゴリズムを提案する。 LTEおよび5G NRサービス技術を含むシミュレーション環境を設計した。
論文参考訳（メタデータ） (2022-09-13T10:39:41Z)
Artificial Intelligence Empowered Multiple Access for Ultra Reliable and Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文参考訳（メタデータ） (2022-08-17T03:00:24Z)
Resource Allocation in Multicore Elastic Optical Networks: A Deep Reinforcement Learning Approach [47.187609203210705]
新しい環境はOpenAIのGymと互換性がある。ネットワーク状態と物理層関連の側面を考慮してエージェントアクションを処理する。ベストパフォーマンス剤は、ブロッキング確率の4倍の低下を達成する。
論文参考訳（メタデータ） (2022-07-05T14:24:21Z)
Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文参考訳（メタデータ） (2022-05-22T12:16:43Z)
Federated Learning for Energy-limited Wireless Networks: A Partial Model Aggregation Approach [79.59560136273917]
デバイス間の限られた通信資源、帯域幅とエネルギー、およびデータ不均一性は、連邦学習(FL)の主要なボトルネックであるまず、部分モデルアグリゲーション(PMA)を用いた新しいFLフレームワークを考案する。提案されたPMA-FLは、2つの典型的な異種データセットにおいて2.72%と11.6%の精度を改善する。
論文参考訳（メタデータ） (2022-04-20T19:09:52Z)
To Talk or to Work: Energy Efficient Federated Learning over Mobile Devices via the Weight Quantization and 5G Transmission Co-Design [49.95746344960136]
Federated Learning (FL) は,モバイルデバイス間での大規模学習タスクのための新たなパラダイムである。モバイルデバイス上でFLをサポートする効果的な無線ネットワークアーキテクチャを確立する方法は不明です。我々は、異種5Gモバイル機器上でのエネルギー効率FLのための無線伝送および重み量子化協調設計を開発する。
論文参考訳（メタデータ） (2020-12-21T01:13:44Z)
True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
論文参考訳（メタデータ） (2020-11-26T06:42:36Z)
Machine Learning (ML) In a 5G Standalone (SA) Self Organizing Network (SON) [0.0]
機械学習(ML)は、運用、管理、保守(OAM)活動を強化する上で重要な要素である自己組織化ネットワーク(SON)に含まれる。この研究の主な目的は、5Gスタンドアロンコアネットワークにおける機械学習(ML)の概要である。
論文参考訳（メタデータ） (2020-11-24T18:57:40Z)
Redefining Wireless Communication for 6G: Signal Processing Meets Deep Learning with Deep Unfolding [17.186326961526994]
提案する6G通信アーキテクチャがもたらすサービス要件と課題について述べる。従来のアルゴリズムの原則とデータに精通したディープラーニングアプローチの欠陥について概説する。本稿では,将来の6Gネットワークにおいて,ハードウェア効率の高いエッジインテリジェンスを実現するためのオープンな研究課題を動機づける。
論文参考訳（メタデータ） (2020-04-22T17:20:00Z)

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。