論文の概要: 5G Long-Term and Large-Scale Mobile Traffic Forecasting
- arxiv url: http://arxiv.org/abs/2212.10869v1
- Date: Wed, 21 Dec 2022 09:26:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-22 15:49:13.819604
- Title: 5G Long-Term and Large-Scale Mobile Traffic Forecasting
- Title(参考訳): 5g 長期・大規模移動交通予測
- Authors: Ufuk Uyan, M. Tugberk Isyapar, Mahiye Uluyagmur Ozturk
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: It is crucial for the service provider to comprehend and forecast mobile
traffic in large-scale cellular networks in order to govern and manage
mechanisms for base station placement, load balancing, and network planning.
The purpose of this article is to extract and simulate traffic patterns from
more than 14,000 cells that have been installed in different metropolitan
areas. To do this, we create, implement, and assess a method in which cells are
first categorized by their point of interest and then clustered based on the
temporal distribution of cells in each region. The proposed model has been
tested using real-world 5G mobile traffic datasets collected over 31 weeks in
various cities. We found that our proposed model performed well in predicting
mobile traffic patterns up to 2 weeks in advance. Our model outperformed the
base model in most areas of interest and generally achieved up to 15\% less
prediction error compared to the na\"ive approach. This indicates that our
approach is effective in predicting mobile traffic patterns in large-scale
cellular networks.
- Abstract(参考訳): 基地局配置,ロードバランシング,ネットワーク計画のメカニズムを制御・管理するためには,大規模携帯電話ネットワークにおけるモバイルトラフィックの理解と予測が不可欠である。
本稿の目的は,都心部に設置した14,000以上の細胞から,交通パターンを抽出し,シミュレートすることである。
そこで我々は,まず細胞が関心点によって分類され,次に各領域における細胞の時間分布に基づいてクラスター化される方法を作成し,実装し,評価する。
提案モデルは,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。
その結果,提案モデルが2週間前までのモバイルトラヒック予測に有効であった。
私たちのモデルは、ほとんどの関心領域でベースモデルよりも優れており、一般に、na\" アプローチと比較して予測誤差が最大15\%低減された。
本手法は,大規模セルラーネットワークにおける移動トラフィックパターンの予測に有効であることを示す。
関連論文リスト
- Regional Correlation Aided Mobile Traffic Prediction with Spatiotemporal
Deep Learning [4.4959908420821675]
本稿では,日々のモバイルピークトラフィック時間と,新しい複数時間畳み込みネットワークの戦略と,長期記憶モデルを組み合わせたモバイルトラフィック予測手法を提案する。
大規模実世界のモバイルトラフィックデータに関する実験では,提案手法の有効性と有効性を確認した最先端の研究と比較して,最大28%の性能向上が見られた。
論文 参考訳(メタデータ) (2023-12-11T10:33:19Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳(メタデータ) (2023-12-04T07:39:05Z) - An Adaptive Framework for Generalizing Network Traffic Prediction
towards Uncertain Environments [51.99765487172328]
我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。
我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
論文 参考訳(メタデータ) (2023-11-30T18:58:38Z) - Implicit Occupancy Flow Fields for Perception and Prediction in
Self-Driving [68.95178518732965]
自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。
既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。
これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
論文 参考訳(メタデータ) (2023-08-02T23:39:24Z) - Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。
AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。
2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
論文 参考訳(メタデータ) (2023-06-15T14:50:27Z) - 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) - Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular
Traffic Prediction [19.88734776818291]
本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。
まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。
第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
論文 参考訳(メタデータ) (2023-02-28T06:46:50Z) - PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for
Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。
本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。
提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文 参考訳(メタデータ) (2023-01-19T08:42:40Z) - 5G Traffic Prediction with Time Series Analysis [0.0]
トラフィックを生成するアプリケーションの3つの主要な目的を分類しようと試みる。
予測・分類システムの設計は,Long Short Term Memory Modelを用いて行う。
論文 参考訳(メタデータ) (2021-10-07T20:24:34Z) - Multivariate and Propagation Graph Attention Network for
Spatial-Temporal Prediction with Outdoor Cellular Traffic [25.081221761654756]
本稿では,電話会社における1日20億件以上のレコードから抽出した屋外セルラートラフィックを用いて,この問題に対処する。
都市部における道路交差点について検討し,歴史的屋外セル・トラフィックが与えられたすべての交差点の今後の屋外セル・トラフィックを予測することを目的としている。
実験により,提案したモデルが,我々のデータセットの最先端手法を著しく上回っていることが示された。
論文 参考訳(メタデータ) (2021-08-18T17:31:11Z) - 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)
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。