論文の概要: RACH Traffic Prediction in Massive Machine Type Communications
- arxiv url: http://arxiv.org/abs/2405.05235v1
- Date: Wed, 8 May 2024 17:28:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-09 13:55:22.231092
- Title: RACH Traffic Prediction in Massive Machine Type Communications
- Title(参考訳): 大規模機械通信におけるRACHトラフィック予測
- Authors: Hossein Mehri, Hao Chen, Hani Mehrpouyan,
- Abstract要約: 本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。
我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
- 参考スコア(独自算出の注目度): 5.416701003120508
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Traffic pattern prediction has emerged as a promising approach for efficiently managing and mitigating the impacts of event-driven bursty traffic in massive machine-type communication (mMTC) networks. However, achieving accurate predictions of bursty traffic remains a non-trivial task due to the inherent randomness of events, and these challenges intensify within live network environments. Consequently, there is a compelling imperative to design a lightweight and agile framework capable of assimilating continuously collected data from the network and accurately forecasting bursty traffic in mMTC networks. This paper addresses these challenges by presenting a machine learning-based framework tailored for forecasting bursty traffic in multi-channel slotted ALOHA networks. The proposed machine learning network comprises long-term short-term memory (LSTM) and a DenseNet with feed-forward neural network (FFNN) layers, where the residual connections enhance the training ability of the machine learning network in capturing complicated patterns. Furthermore, we develop a new low-complexity online prediction algorithm that updates the states of the LSTM network by leveraging frequently collected data from the mMTC network. Simulation results and complexity analysis demonstrate the superiority of our proposed algorithm in terms of both accuracy and complexity, making it well-suited for time-critical live scenarios. We evaluate the performance of the proposed framework in a network with a single base station and thousands of devices organized into groups with distinct traffic-generating characteristics. Comprehensive evaluations and simulations indicate that our proposed machine learning approach achieves a remarkable $52\%$ higher accuracy in long-term predictions compared to traditional methods, without imposing additional processing load on the system.
- Abstract(参考訳): 大規模機械型通信(mMTC)ネットワークにおけるイベント駆動バーストトラフィックの影響を効率的に管理し緩和する手段として,交通パターン予測が期待できるアプローチとして登場した。
しかし、イベント固有のランダム性のため、バーストトラフィックの正確な予測を実現することは自明な作業であり、これらの課題は、ライブネットワーク環境内で強化される。
したがって、ネットワークから継続的に収集されたデータを同調し、mMTCネットワークのバーストトラフィックを正確に予測できる軽量でアジャイルなフレームワークを設計する上で、魅力的な衝動がある。
本稿では,マルチチャネルALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案することにより,これらの課題に対処する。
提案する機械学習ネットワークは、長期短期記憶(LSTM)とフィードフォワードニューラルネットワーク(FFNN)層を備えたDenseNetから構成され、複雑なパターンをキャプチャする際の機械学習ネットワークのトレーニング能力を高める。
さらに,mMTCネットワークから頻繁に収集されるデータを活用することで,LSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。
シミュレーション結果と複雑性解析により,提案アルゴリズムの精度と複雑性の両面において優位性が示され,時間クリティカルなライブシナリオに適していることがわかった。
本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
総合的な評価とシミュレーションにより,提案した機械学習手法は,システムに付加的な処理負荷を課すことなく,従来の手法と比較して,長期予測において驚くべき5,2\%の精度を達成できることが示唆された。
関連論文リスト
- Exploring Neural Network Pruning with Screening Methods [3.443622476405787]
現代のディープラーニングモデルは数千万のパラメータを持ち、推論プロセスはリソース集約化されている。
本稿では,非必須パラメータを除去するネットワーク・プルーニング・フレームワークの提案と評価を行う。
提案するフレームワークは,従来のネットワークと比較して,競争力のあるリーンネットワークを生成する。
論文 参考訳(メタデータ) (2025-02-11T02:31:04Z) - NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。
ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
論文 参考訳(メタデータ) (2024-12-30T00:47:49Z) - Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。
深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
論文 参考訳(メタデータ) (2024-12-21T10:18:55Z) - Diffusion Models Meet Network Management: Improving Traffic Matrix Analysis with Diffusion-based Approach [12.549916064729313]
本稿では拡散型トラフィック行列解析フレームワークDiffusion-TMを提案する。
我々は,データセットに5%の既知値が残されている場合でも,我々のフレームワークが有望な結果を得ることができることを示す。
論文 参考訳(メタデータ) (2024-11-29T06:20:34Z) - 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) - Cellular Traffic Prediction Using Online Prediction Algorithms [5.416701003120508]
本稿では,リアルタイムシナリオにおけるセルラーネットワークトラフィック予測におけるライブ予測アルゴリズムの有効性について検討する。
機械学習モデルに2つのライブ予測アルゴリズムを適用し,その1つは最近提案されたFast LiveStream Prediction (FLSP)アルゴリズムである。
本研究は,従来のオンライン予測アルゴリズムと比較して,FLSPアルゴリズムが非同期データレポートに必要な帯域幅を半減できることを明らかにする。
論文 参考訳(メタデータ) (2024-05-08T17:36:14Z) - Satellite Federated Edge Learning: Architecture Design and Convergence Analysis [47.057886812985984]
本稿では,FEDMEGAという新しいFEELアルゴリズムを提案する。
軌道内モデルアグリゲーションのための衛星間リンク(ISL)を統合することにより、提案アルゴリズムは低データレートと断続的なGSLの使用を著しく削減する。
提案手法は,環全リデューサに基づく軌道内アグリゲーション機構と,グローバルモデルアグリゲーションのためのネットワークフローベースのトランスミッションスキームを組み合わせたものである。
論文 参考訳(メタデータ) (2024-04-02T11:59:58Z) - Time-to-Green predictions for fully-actuated signal control systems with
supervised learning [56.66331540599836]
本稿では,集約信号とループ検出データを用いた時系列予測フレームワークを提案する。
我々は、最先端の機械学習モデルを用いて、将来の信号位相の持続時間を予測する。
スイスのチューリッヒの信号制御システムから得られた経験的データに基づいて、機械学習モデルが従来の予測手法より優れていることを示す。
論文 参考訳(メタデータ) (2022-08-24T07:50:43Z) - Learning spatiotemporal features from incomplete data for traffic flow
prediction using hybrid deep neural networks [0.28675177318965034]
本研究では,カリフォルニア・フリーウェイ・パフォーマンス・計測システム(PeMS)のトラフィックフローを,欠落した値で予測するハイブリッドディープニューラルネットワークに焦点を当てた。
RNNとCNNをベースとして,並列接続と並列接続の異なるアーキテクチャ構成が検討されている。
PeMSから得られた2つの異なるデータセットを総合的に分析した結果,平均計算手法を用いたシリーズ並列ハイブリッドネットワークは,交通流の予測において最も低い誤差を達成できることがわかった。
論文 参考訳(メタデータ) (2022-04-21T15:57:08Z) - Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。
d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。
トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
論文 参考訳(メタデータ) (2021-08-20T11:53:05Z) - MAF-GNN: Multi-adaptive Spatiotemporal-flow Graph Neural Network for
Traffic Speed Forecasting [3.614768552081925]
交通速度予測のためのマルチ適応時空間フローグラフニューラルネットワーク(MAF-GNN)を提案する。
MAF-GNNは、トラフィックノード間の複数の遅延空間依存性をキャプチャする、効果的なマルチアダプティブ・アジャシエイト・マトリクス機構を導入している。
パブリックトラフィックネットワークの2つの実世界のデータセットであるMETR-LAとPeMS-Bayでは、他のモデルよりも優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2021-08-08T09:06:43Z)
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。