論文の概要: DEK-Forecaster: A Novel Deep Learning Model Integrated with EMD-KNN for
Traffic Prediction
- arxiv url: http://arxiv.org/abs/2306.03412v1
- Date: Tue, 6 Jun 2023 05:20:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 17:13:08.528151
- Title: DEK-Forecaster: A Novel Deep Learning Model Integrated with EMD-KNN for
Traffic Prediction
- Title(参考訳): DEK-Forecaster: 交通予測のためのEMD-KNNを統合した新しいディープラーニングモデル
- Authors: Sajal Saha, Sudipto Baral, and Anwar Haque
- Abstract要約: 本研究では,ディープシークエンス手法を用いて,ネットワークトラフィック量の需要を予測することを目的とする。
提案したモデルでは、すべてのIMFコンポーネントの平均を信号復調に利用した。
実世界のインターネットトラフィックデータセットを産業で実験する。
- 参考スコア(独自算出の注目度): 3.689539481706835
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Internet traffic volume estimation has a significant impact on the business
policies of the ISP (Internet Service Provider) industry and business
successions. Forecasting the internet traffic demand helps to shed light on the
future traffic trend, which is often helpful for ISPs decision-making in
network planning activities and investments. Besides, the capability to
understand future trend contributes to managing regular and long-term
operations. This study aims to predict the network traffic volume demand using
deep sequence methods that incorporate Empirical Mode Decomposition (EMD) based
noise reduction, Empirical rule based outlier detection, and $K$-Nearest
Neighbour (KNN) based outlier mitigation. In contrast to the former studies,
the proposed model does not rely on a particular EMD decomposed component
called Intrinsic Mode Function (IMF) for signal denoising. In our proposed
traffic prediction model, we used an average of all IMFs components for signal
denoising. Moreover, the abnormal data points are replaced by $K$ nearest data
points average, and the value for $K$ has been optimized based on the KNN
regressor prediction error measured in Root Mean Squared Error (RMSE). Finally,
we selected the best time-lagged feature subset for our prediction model based
on AutoRegressive Integrated Moving Average (ARIMA) and Akaike Information
Criterion (AIC) value. Our experiments are conducted on real-world internet
traffic datasets from industry, and the proposed method is compared with
various traditional deep sequence baseline models. Our results show that the
proposed EMD-KNN integrated prediction models outperform comparative models.
- Abstract(参考訳): インターネットトラフィックのボリューム推定は、ISP(Internet Service Provider)産業のビジネスポリシーとビジネス継承に大きな影響を与えている。
インターネットトラフィックの需要予測は、将来のトラフィックトレンドを暗示するのに役立ち、ネットワーク計画活動や投資におけるISPの意思決定に役立ちます。
さらに、将来の傾向を理解する能力は、定期的および長期的操作の管理に寄与する。
本研究では,経験的モード分解(EMD)に基づくノイズ低減,経験則に基づく外乱検出,K$-Nearest Neighbour(KNN)に基づく外乱緩和を組み込んだディープシーケンス手法を用いて,ネットワークトラフィック量需要を予測することを目的とする。
前者の研究とは対照的に、提案モデルは信号のデノイジングのために本質モード関数(imf)と呼ばれる特定のemd分解成分に依存しない。
提案した交通予測モデルでは,すべてのIMFコンポーネントの平均を信号聴取に利用した。
さらに、異常なデータポイントは平均で$K$に近いデータポイントに置き換えられ、Root Mean Squared Error (RMSE)で測定されたKNN回帰器予測誤差に基づいて$K$の値が最適化されている。
最後に,ARIMA(Auto Regressive Integrated Integrated Average)とAIC(Akaike Information Criterion)の値に基づいて,予測モデルに最適な時間付き特徴サブセットを選択した。
実業界におけるインターネットトラフィックデータセットを用いて実験を行い,提案手法を従来のディープシークエンスベースラインモデルと比較した。
その結果,提案したEMD-KNN統合予測モデルは比較モデルよりも優れていた。
関連論文リスト
- Mitigating Reward Hacking via Information-Theoretic Reward Modeling [70.26019860948114]
本稿では,報酬モデリングのための汎用的で堅牢なフレームワークであるInfoRMを提案する。
我々は,潜伏空間における過最適化と外れ値の相関を同定し,報酬過最適化を検出するための有望なツールとしてInfoRMを確立した。
論文 参考訳(メタデータ) (2024-02-14T17:49:07Z) - Deep Learning-Based Cyber-Attack Detection Model for Smart Grids [6.642400003243118]
監視制御とデータ取得(SCADA)により、受信した負荷データに対するデータ完全性サイバー攻撃(DIA)を防止するために、人工知能に基づく新しいサイバー攻撃検出モデルを開発した。
提案モデルでは、まず回帰モデルを用いて負荷データを予測し、処理後、教師なし学習法を用いて処理データをクラスタ化する。
提案したEE-BiLSTM法は,他の2つの手法と比較して,より堅牢かつ高精度に動作可能である。
論文 参考訳(メタデータ) (2023-12-14T10:54:04Z) - Deep Neural Networks Tend To Extrapolate Predictably [51.303814412294514]
ニューラルネットワークの予測は、アウト・オブ・ディストリビューション(OOD)入力に直面した場合、予測不可能で過信される傾向がある。
我々は、入力データがOODになるにつれて、ニューラルネットワークの予測が一定値に向かう傾向があることを観察する。
我々は、OOD入力の存在下でリスクに敏感な意思決定を可能にするために、私たちの洞察を実際に活用する方法を示します。
論文 参考訳(メタデータ) (2023-10-02T03:25:32Z) - Data efficiency and extrapolation trends in neural network interatomic
potentials [0.0]
ニューラルネットワーク間ポテンシャル(NNIP)の一般化にアーキテクチャと最適化がどう影響するかを示す。
NNIPにおけるテストエラーはスケーリング関係に従っており、ノイズに対して堅牢であるが、高精度なシステムではMD安定性を予測できないことを示す。
我々の研究は、多くの共通NNIPの補間性能に対する深い学習の正当性を提供する。
論文 参考訳(メタデータ) (2023-02-12T00:34:05Z) - Exploiting Temporal Structures of Cyclostationary Signals for
Data-Driven Single-Channel Source Separation [98.95383921866096]
単一チャネルソース分離(SCSS)の問題点について検討する。
我々は、様々なアプリケーション領域に特に適するサイクロ定常信号に焦点を当てる。
本稿では,最小MSE推定器と競合するU-Netアーキテクチャを用いたディープラーニング手法を提案する。
論文 参考訳(メタデータ) (2022-08-22T14:04:56Z) - Deep Sequence Modeling for Anomalous ISP Traffic Prediction [3.689539481706835]
異常交通予測のための異なるディープシーケンスモデルの性能について検討・評価を行った。
LSTM_Encoder_Decoder (LSTM_En_De) は我々の実験で最高の予測モデルである。
論文 参考訳(メタデータ) (2022-05-03T17:01:45Z) - RoMA: Robust Model Adaptation for Offline Model-based Optimization [115.02677045518692]
入力出力クエリの静的データセットからブラックボックス目的関数を最大化する入力を探索する問題を考える。
この問題を解決するための一般的なアプローチは、真の客観的関数を近似するプロキシモデルを維持することである。
ここでの大きな課題は、検索中に逆最適化された入力を避ける方法である。
論文 参考訳(メタデータ) (2021-10-27T05:37:12Z) - Predictive and Prescriptive Performance of Bike-Sharing Demand Forecasts
for Inventory Management [8.441020454345932]
本稿では,ポアソン繰り返しニューラルネットワークモデル(VP-RNN)を導入し,今後のピックアップとリターン率を予測する。
本稿は,米国ニューヨーク市からの実旅行データに対する従来の予測手法と学習に基づく予測手法の両方に対するアプローチを実証的に評価する。
論文 参考訳(メタデータ) (2021-07-28T14:11:34Z) - Sketching Curvature for Efficient Out-of-Distribution Detection for Deep
Neural Networks [32.629801680158685]
Sketching Curvature of OoD Detection (SCOD)は、訓練されたディープニューラルネットワークにタスク関連不確実性推定を装備するためのアーキテクチャに依存しないフレームワークである。
SCODは,既存のベースラインと比較して計算負担の少ないOoD検出性能の同等あるいは優れたOoD検出性能を達成できることを実証する。
論文 参考訳(メタデータ) (2021-02-24T21:34:40Z) - LoRD-Net: Unfolded Deep Detection Network with Low-Resolution Receivers [104.01415343139901]
本稿では,1ビット計測から情報シンボルを復元する「LoRD-Net」というディープ検出器を提案する。
LoRD-Netは、関心のシグナルを回復するためのタスクベースのアーキテクチャである。
無線通信における1ビット信号回復のためのレシーバアーキテクチャの評価を行った。
論文 参考訳(メタデータ) (2021-02-05T04:26:05Z) - Prediction of Traffic Flow via Connected Vehicles [77.11902188162458]
本稿では,交通機関が交通の流れを早期に制御し,渋滞を防止するための短期交通流予測フレームワークを提案する。
我々は,過去の流れデータと,コネクテッド・ビークル(CV)技術によって提供されるリアルタイムフィードや軌道データといった革新的な特徴に基づいて,将来の道路セグメントにおける流れを予測する。
本手法は, 流れの予測, CVが軌道に沿ったセグメントに現実的に遭遇する様々な事象の影響を組み込むことによって, 高度なモデリングを可能にすることを示す。
論文 参考訳(メタデータ) (2020-07-10T16:00:44Z)
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。