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

• Customer Lifetime Value Prediction with Uncertainty Estimation Using Monte Carlo Dropout [3.187236205541292]
  本稿では,モンテカルロ・ドロップアウト(MCD)フレームワークを組み込むことにより,純粋ニューラルネットワークモデルのアーキテクチャを強化する新しいアプローチを提案する。 世界で最もダウンロード数の多いモバイルゲームのデータを用いて,提案手法のベンチマークを行った。 提案手法は,ニューラルネットワークモデル間での性能評価を行うための余分な次元として信頼性指標を提供する。
  論文  参考訳（メタデータ） (2024-11-24T18:14:44Z)
• Improving Traffic Flow Predictions with SGCN-LSTM: A Hybrid Model for Spatial and Temporal Dependencies [55.2480439325792]
  本稿ではSGCN-LSTM(Signal-Enhanced Graph Convolutional Network Long Short Term Memory)モデルを提案する。 PEMS-BAYロードネットワークトラフィックデータセットの実験は、SGCN-LSTMモデルの有効性を示す。
  論文  参考訳（メタデータ） (2024-11-01T00:37:00Z)
• MetaTrading: An Immersion-Aware Model Trading Framework for Vehicular Metaverse Services [94.61039892220037]
  本稿では,車載メタバースにおける拡張現実(AR)サービスの学習モデルを支援するために,メタバースユーザ(MU)にインセンティブを与える新しい没入型モデルトレーディングフレームワークを提案する。 動的ネットワーク条件とプライバシの懸念を考慮して、マルチエージェントマルコフ決定プロセスとしてMSPの報酬決定を定式化する。 実験により,提案フレームワークは,実AR関連車両データセット上でのARサービスにおいて,オブジェクト検出と分類のための高価値モデルを効果的に提供できることが示されている。
  論文  参考訳（メタデータ） (2024-10-25T16:20:46Z)
• A Dynamic Approach to Stock Price Prediction: Comparing RNN and Mixture of Experts Models Across Different Volatility Profiles [0.0]
  MoEフレームワークは揮発性株のRNNと安定株の線形モデルを組み合わせて、ゲーティングネットワークを介して各モデルの重量を動的に調整する。 その結果,MoE法は様々な変動性プロファイルの予測精度を著しく向上させることがわかった。 MoEモデルの適応性は個々のモデルよりも優れており、Mean Squared Error(MSE)やMean Absolute Error(MAE)などのエラーを減らすことができる。
  論文  参考訳（メタデータ） (2024-10-04T14:36:21Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• 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)
• 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。