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

• Data Matters: The Case of Predicting Mobile Cellular Traffic [0.5939858158928474]
  本研究では, スマート道路に着目し, セルラー交通の発生過程をモデル化するための道路交通対策について検討する。 実験では、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、セルラーロード予測エラーを最大56.5%削減できることを示した。
  論文  参考訳（メタデータ） (2024-10-21T11:30:13Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• Valeo4Cast: A Modular Approach to End-to-End Forecasting [93.86257326005726]
  我々のソリューションはArgoverse 2 end-to-end Forecasting Challengeで63.82 mAPfでランクインした。 私たちは、知覚から予測までエンドツーエンドのトレーニングを通じて、このタスクに取り組む現在のトレンドから離れ、代わりにモジュラーアプローチを使用します。 私たちは、昨年の優勝者より+17.1ポイント、今年の優勝者より+13.3ポイント、予測結果を+17.1ポイント上回る。
  論文  参考訳（メタデータ） (2024-06-12T11:50:51Z)
• 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)
• 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)

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。