論文の概要: Enhancing Peak Network Traffic Prediction via Time-Series Decomposition
- arxiv url: http://arxiv.org/abs/2303.13529v1
- Date: Thu, 9 Mar 2023 20:56:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 16:36:27.596806
- Title: Enhancing Peak Network Traffic Prediction via Time-Series Decomposition
- Title(参考訳): 時系列分解によるピークネットワークトラフィック予測の強化
- Authors: Tucker Stewart, Bin Yu, Anderson Nascimento, Juhua Hu
- Abstract要約: 本稿では,時間領域におけるピーク音量予測を容易にするために,季節性の抽出を提案する。
合成および実ネットワークトラフィックデータを用いた実験により,提案手法の有効性が示された。
- 参考スコア(独自算出の注目度): 7.761469280385241
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: For network administration and maintenance, it is critical to anticipate when
networks will receive peak volumes of traffic so that adequate resources can be
allocated to service requests made to servers. In the event that sufficient
resources are not allocated to servers, they can become prone to failure and
security breaches. On the contrary, we would waste a lot of resources if we
always allocate the maximum amount of resources. Therefore, anticipating peak
volumes in network traffic becomes an important problem. However, popular
forecasting models such as Autoregressive Integrated Moving Average (ARIMA)
forecast time-series data generally, thus lack in predicting peak volumes in
these time-series. More than often, a time-series is a combination of different
features, which may include but are not limited to 1) Trend, the general
movement of the traffic volume, 2) Seasonality, the patterns repeated over some
time periods (e.g. daily and monthly), and 3) Noise, the random changes in the
data. Considering that the fluctuation of seasonality can be harmful for trend
and peak prediction, we propose to extract seasonalities to facilitate the peak
volume predictions in the time domain. The experiments on both synthetic and
real network traffic data demonstrate the effectiveness of the proposed method.
- Abstract(参考訳): ネットワーク管理と保守のためには,ネットワークがピーク時のトラフィックを受信し,サーバへのサービス要求に十分なリソースを割り当てるように予測することが重要である。
十分なリソースがサーバに割り当てられていない場合、障害やセキュリティ違反が発生しやすい。
逆に、リソースの最大量を常に割り当てている場合、多くのリソースを無駄にします。
したがって,ネットワークトラフィックにおけるピークボリュームの予測は重要な問題となる。
しかし、ARIMA(Autoregressive Integrated moving Average)のような一般的な予測モデルは、一般的に時系列データを予測しているため、これらの時系列のピークボリュームを予測できない。
多くの場合、時系列は異なる特徴の組み合わせであり、その特徴は含まれるが制限されない。
1)傾向、交通量の一般的な変動、
2)季節性、一定の期間(例えば、日・月)に繰り返すパターン、及び
3) ノイズ,データのランダムな変化。
季節変動がトレンドやピーク予測に悪影響を与えることを考慮し,時間領域におけるピーク音量予測を容易にする季節性抽出を提案する。
合成および実ネットワークトラフィックデータを用いた実験により,提案手法の有効性が示された。
関連論文リスト
- 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) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow
Prediction [0.5551832942032954]
毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。
本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。
本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
論文 参考訳(メタデータ) (2023-08-10T14:20:43Z) - PePNet: A Periodicity-Perceived Workload Prediction Network Supporting
Rare Occurrence of Heavy Workload [64.09361639597527]
クラウドサーバのワークロードは非常に可変的であり、時には重いワークロードがバーストする。
ワークロード予測には統計手法とニューラルネットベースの方法の2つのカテゴリがある。
本稿では,特に負荷予測の精度を向上させるため,PePNetを提案する。
論文 参考訳(メタデータ) (2023-07-11T07:56:27Z) - Traffic-Twitter Transformer: A Nature Language Processing-joined
Framework For Network-wide Traffic Forecasting [14.71745498591372]
本研究では,公共利用者や交通機関の交通状況を予測するためのフレキシブルで包括的な枠組みを提案する。
まず,2つの時系列データ,トラフィック強度,およびTwitterデータ強度の相関性を評価するために,相関研究と線形回帰モデルを構築した。
次に、2つの時系列データをソーシャル対応フレームワークであるTraffic-Twitter Transformerに入力し、Nature Language表現を時系列レコードに統合し、長期トラフィック予測を行った。
論文 参考訳(メタデータ) (2022-06-19T20:17:15Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳(メタデータ) (2022-01-14T14:02:19Z) - Understanding Model Drift in a Large Cellular Network [9.323853587087457]
コンセプトドリフトは、時間の経過とともに機械学習モデルの精度を低下させる。
本稿では,米国における大規模携帯電話ネットワークにおける需要予測の文脈において,大都市圏におけるコンセプトドリフトについて検討する。
概念のドリフトは、主にデータドリフトによって発生し、異なるキーパフォーマンスインジケータ(KPI)、モデル、トレーニングセットサイズ、時間間隔にまたがって現れる。
論文 参考訳(メタデータ) (2021-09-07T11:57:07Z) - Radflow: A Recurrent, Aggregated, and Decomposable Model for Networks of
Time Series [77.47313102926017]
Radflowは、お互いに影響を与える時系列ネットワークの新しいモデルである。
それは3つの重要なアイデアを具現化します:時間に依存するノード埋め込み、マルチヘッドの注意を持つ隣接するノードからの影響の流れの集約、および時系列の多層分解を得るための繰り返しニューラルネットワーク。
radflowは異なる傾向や季節パターンを学習でき、欠落したノードやエッジに対して頑健であり、ネットワークの隣人間の時間パターンの相関は影響強度を反映している。
論文 参考訳(メタデータ) (2021-02-15T00:57:28Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。
顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
論文 参考訳(メタデータ) (2020-10-10T17:35:55Z)
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。