論文の概要: Traffic Prediction in Cellular Networks using Graph Neural Networks
- arxiv url: http://arxiv.org/abs/2301.12605v1
- Date: Mon, 30 Jan 2023 01:38:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:02:33.924645
- Title: Traffic Prediction in Cellular Networks using Graph Neural Networks
- Title(参考訳): グラフニューラルネットワークを用いたセルネットワークの交通予測
- Authors: Maryam Khalid
- Abstract要約: 携帯電話ネットワークにおける大きな課題の1つは、ユーザ数と通信サービスの利用率の動的変化である。
この過負荷問題に対処する解決策の1つは、一時的な基地局として機能するドローンの配備である。
ドローンはリソースに非常に制約があり、数分しか飛行できない。
- 参考スコア(独自算出の注目度): 0.974672460306765
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Cellular networks are ubiquitous entities that provide major means of
communication all over the world. One major challenge in cellular networks is a
dynamic change in the number of users and their usage of telecommunication
service which results in overloading at certain base stations. One class of
solution to deal with this overloading issue is the deployment of drones that
can act as temporary base stations and offload the traffic from the overloaded
base station. There are two main challenges in the development of this
solution. Firstly, the drone is expected to be present around the base station
where an overload would occur in the future thus requiring a prediction of
traffic overload. Secondly, drones are highly constrained in their resources
and can only fly for a few minutes. If the affected base station is really far,
drones can never reach there. This requires the initial placement of drones in
sectors where overloading can occur thus again requiring a traffic forecast but
at a different spatial scale. It must be noted that the spatial extent of the
region that the problem poses and the extremely limited power resources
available to the drone pose a great challenge that is hard to overcome without
deploying the drones in strategic positions to reduce the time to fly to the
required high-demand zone. Moreover, since drone fly at a finite speed, it is
important that a predictive solution that can forecast traffic surges is
adopted so that drones are available to offload the overload before it actually
happens. Both these goals require analysis and forecast of cellular network
traffic which is the main goal of this project
- Abstract(参考訳): セルラーネットワークは世界中で主要なコミュニケーション手段を提供するユビキタスな実体である。
セルラーネットワークにおける大きな課題の1つは、特定の基地局で過負荷となるユーザ数と通信サービスの使用量の動的変化である。
この過負荷問題に対処する解決策の1つは、一時的な基地局として機能し、過負荷の基地局からのトラフィックをオフロードできるドローンの配備である。
このソリューションの開発には2つの大きな課題がある。
第一に、ドローンは基地局周辺に存在し、将来過負荷が発生すると予測されるため、交通過負荷の予測が必要である。
第二に、ドローンはリソースに非常に制約があり、数分しか飛行できない。
影響を受ける基地局が本当に遠くなら、ドローンはそこへは到達できない。
これは、過負荷が発生する可能性があるセクターにおけるドローンの初期配置を必要とするため、トラフィック予測は必要だが、異なる空間規模で必要となる。
問題が発生する地域の空間的範囲と、ドローンが利用可能な非常に限られた電力資源は、必要な高需要ゾーンへの飛行時間を短縮するために、戦略的な位置にドローンを配置せずに克服することは、非常に困難である。
さらに、ドローンの飛行速度は有限であるため、実際に過負荷が発生する前にドローンが荷物を降ろせるように、トラヒックを予測できる予測ソリューションが採用されることが重要である。
どちらの目標も、このプロジェクトの主な目標であるセルラーネットワークトラフィックの分析と予測が必要である。
関連論文リスト
- Obfuscated Location Disclosure for Remote ID Enabled Drones [57.66235862432006]
RID対応ドローン(OLO-RID)の難読化位置情報開示法を提案する。
実際のドローンの位置を開示する代わりに、OLO-RIDを装備したドローンは、モバイルシナリオで異なるプライベートな難解な場所を開示する。
OLO-RIDはまた、暗号化された位置情報でRIDメッセージを拡張し、認証されたエンティティによってのみアクセスすることができる。
論文 参考訳(メタデータ) (2024-07-19T12:35:49Z) - On-device Self-supervised Learning of Visual Perception Tasks aboard
Hardware-limited Nano-quadrotors [53.59319391812798]
SI50グラム以下のナノドロンは、学術と産業の両方で勢いを増している。
彼らの最も魅力的なアプリケーションは、知覚のためのディープラーニングモデルに依存している。
未知の環境にデプロイする場合、これらのモデルはドメインシフトによってパフォーマンスが低下することが多い。
本研究では,ナノドローンを用いたデバイス上での学習を初めて提案する。
論文 参考訳(メタデータ) (2024-03-06T22:04:14Z) - TransVisDrone: Spatio-Temporal Transformer for Vision-based
Drone-to-Drone Detection in Aerial Videos [57.92385818430939]
視覚的フィードを用いたドローンからドローンへの検知は、ドローンの衝突の検出、ドローンの攻撃の検出、他のドローンとの飛行の調整など、重要な応用がある。
既存の手法は計算コストがかかり、非エンドツーエンドの最適化に追随し、複雑なマルチステージパイプラインを持つため、エッジデバイス上でのリアルタイムデプロイメントには適さない。
計算効率を向上したエンドツーエンドのソリューションを提供する,シンプルで効果的なフレームワークであるitTransVisDroneを提案する。
論文 参考訳(メタデータ) (2022-10-16T03:05:13Z) - Neural Myerson Auction for Truthful and Energy-Efficient Autonomous
Aerial Data Delivery [9.986880167690364]
厳密な通信条件下で収集した監視データを転送するデータ配信ドローンを導入する。
本稿では,空中分散データプラットフォームにおけるMyersonオークションに基づく非同期データ配信を提案する。
論文 参考訳(メタデータ) (2021-12-29T12:14:34Z) - DronePose: The identification, segmentation, and orientation detection
of drones via neural networks [3.161871054978445]
飛行中のドローンを完全に特徴付けるために,決定木とアンサンブル構造を用いたCNNを提案する。
我々のシステムは、ドローンの種類、方向(ピッチ、ロール、ヨー)を決定し、異なる身体部位を分類するためにセグメンテーションを行う。
また,高精度にラベル付けされた写真リアリスティックトレーニングデータを高速に生成するためのコンピュータモデルも提供する。
論文 参考訳(メタデータ) (2021-12-10T12:34:53Z) - Dogfight: Detecting Drones from Drones Videos [58.158988162743825]
本稿では,他の飛行ドローンからドローンを検知する問題に対処する。
ソースとターゲットドローンのエロティックな動き、小型、任意の形状、大きな強度、および閉塞は、この問題を非常に困難にします。
これに対処するため,地域提案に基づく手法ではなく,2段階のセグメンテーションに基づく手法を提案する。
論文 参考訳(メタデータ) (2021-03-31T17:43:31Z) - A Deep Reinforcement Learning Approach to Efficient Drone Mobility
Support [9.408748328358264]
地上利用をターゲットとする既存の携帯電話ネットワークは、低高度ドローンユーザの初期展開を支援することができる。
本研究では,地上の携帯電話ネットワークによって提供されるドローンに対して,効率的な移動支援と信頼性の高い無線接続を実現するための新たなハンドオーバフレームワークを提案する。
論文 参考訳(メタデータ) (2020-05-11T16:21:04Z) - University-1652: A Multi-view Multi-source Benchmark for Drone-based
Geo-localization [87.74121935246937]
我々は、ドローンによるジオローカライゼーションのための新しいマルチビューベンチマーク、University-1652を紹介する。
大学1652は、世界中の1,652の大学の建物から合成ドローン、衛星、地上カメラなどの3つのプラットフォームからのデータを含んでいる。
実験の結果,University-1652は視点不変の特徴の学習を支援し,実世界のシナリオにおいて優れた一般化能力を有することが示された。
論文 参考訳(メタデータ) (2020-02-27T15:24:15Z) - Machine Learning assisted Handover and Resource Management for Cellular
Connected Drones [3.3274747298291207]
セルラー接続型ドローンの通信は3次元モビリティと視線チャネル特性の影響を受けている。
ドローンから基地局への重大な干渉は、地上ユーザのアップリンク通信にとって大きな課題である。
異なるドローンの高度/速度におけるハンドオーバ決定のヒートマップが提示されている。
論文 参考訳(メタデータ) (2020-01-22T10:04:26Z) - Detection and Tracking Meet Drones Challenge [131.31749447313197]
本稿では、オブジェクト検出・追跡データセットとベンチマークのレビューを行い、手動アノテーションによる大規模ドローンによるオブジェクト検出・追跡データセットの収集の課題について論じる。
当社のVisDroneデータセットは、中国北部から南部にかけての14の都市部と郊外部で収集されたものです。
本稿では,ドローンにおける大規模物体検出・追跡の現場の現状を詳細に分析し,今後の方向性を提案するとともに,課題を結論づける。
論文 参考訳(メタデータ) (2020-01-16T00:11:56Z)
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。