論文の概要: Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need

• arxiv url: http://arxiv.org/abs/2406.16929v2
• Date: Fri, 12 Sep 2025 07:09:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.764316
• Title: Modelling the 5G Energy Consumption using Real-world Data: Energy Fingerprint is All You Need
• Title（参考訳）: 実世界のデータを用いた5Gエネルギー消費のモデリング:エネルギーフィンガープリントは必要なだけ
• Authors: Tingwei Chen, Yantao Wang, Hanzhi Chen, Zijian Zhao, Xinhao Li, Nicola Piovesan, Guangxu Zhu, Qingjiang Shi,
• Abstract要約: 5G技術はエネルギー消費を大幅に増加させ、ネットワークの持続可能性にとって重要な課題となっている。 実世界のデータセットに基づく5G基地局エネルギー消費量推定のための新しいディープラーニングモデルを提案する。 実験の結果、平均絶対パーセンテージエラー(MAPE)を12.75%から4.98%に削減した。
• 参考スコア（独自算出の注目度）: 35.242972942661275
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The introduction of 5G technology has revolutionized communications, enabling unprecedented capacity, connectivity, and ultra-fast, reliable communications. However, this leap has led to a substantial increase in energy consumption, presenting a critical challenge for network sustainability. Accurate energy consumption modeling is essential for developing energy-efficient strategies, enabling operators to optimize resource utilization while maintaining network performance. To address this, we propose a novel deep learning model for 5G base station energy consumption estimation based on a real-world dataset. Unlike existing methods, our approach integrates the Base Station Identifier (BSID) as an input feature through an embedding layer, capturing unique energy patterns across different base stations. We further introduce a masked training method and an attention mechanism to enhance generalization and accuracy. Experimental results show significant improvements, reducing Mean Absolute Percentage Error (MAPE) from 12.75% to 4.98%, achieving over 60% performance gain compared to existing models. The source code for our model is available at https://github.com/RS2002/ARL.
• Abstract（参考訳）: 5G技術の導入はコミュニケーションに革命をもたらし、前例のない容量、接続性、超高速で信頼性の高い通信を可能にした。 しかし、この飛躍によってエネルギー消費が大幅に増加し、ネットワークの持続可能性にとって重要な課題が提示された。 ネットワーク性能を維持しながら資源利用を最適化できるエネルギー効率戦略の開発には,正確なエネルギー消費モデリングが不可欠である。 そこで本研究では,実世界のデータセットに基づく5G基地局エネルギー消費量推定のための新しいディープラーニングモデルを提案する。 既存手法とは異なり,本手法では,BSID(Base Station Identifier)を埋め込み層を介して入力特徴として統合し,異なる基地局にまたがるユニークなエネルギーパターンを抽出する。 さらに,一般化と精度を高めるために,マスク付きトレーニング手法と注意機構を導入する。 実験の結果、平均絶対誤差(MAPE)を12.75%から4.98%に削減し、既存のモデルと比較して60%以上の性能向上を達成した。 私たちのモデルのソースコードはhttps://github.com/RS2002/ARLで公開されています。

関連論文リスト

• Joint Resource Management for Energy-efficient UAV-assisted SWIPT-MEC: A Deep Reinforcement Learning Approach [50.52139512096988]
  6G Internet of Things (IoT)ネットワークは、地上インフラストラクチャが利用できない遠隔地や災害シナリオにおいて、課題に直面している。 本稿では、指向性アンテナにより強化された新しい無人航空機(UAV)支援コンピューティングシステムを提案する。
  論文  参考訳（メタデータ） (2025-05-06T06:46:19Z)
• PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
  本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。 このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。 提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
  論文  参考訳（メタデータ） (2025-03-01T03:37:09Z)
• AI-in-the-Loop Sensing and Communication Joint Design for Edge Intelligence [65.29835430845893]
  本稿では,AI-in-the-loopジョイントセンシングと通信によるエッジインテリジェンス向上のためのフレームワークを提案する。 私たちの研究の重要な貢献は、バリデーション損失とシステムのチューニング可能なパラメータとの間に明確な関係を確立することです。 提案手法は, 通信エネルギー消費を最大77%削減し, 試料数で測定した検知コストを最大52%削減する。
  論文  参考訳（メタデータ） (2025-02-14T14:56:58Z)
• THOR: A Generic Energy Estimation Approach for On-Device Training [34.57867978862375]
  THORは、ディープニューラルネットワーク(DNN)トレーニングにおけるエネルギー消費推定のための一般的なアプローチである。 我々は、様々な現実世界のプラットフォームにまたがる様々なタイプのモデルで広範な実験を行う。 その結果,THORは平均絶対パーセンテージ誤差(MAPE)を最大30%削減した。
  論文  参考訳（メタデータ） (2025-01-27T03:29:02Z)
• GDM4MMIMO: Generative Diffusion Models for Massive MIMO Communications [61.56610953012228]
  生成拡散モデル (generative diffusion model, GDM) は、生成モデルの最先端のファミリーの一つである。 GDMは、暗黙の事前知識と堅牢な一般化能力を学ぶ能力を示す。 ケーススタディは、GDMが有望な、効率的な超次元チャネルステートメント情報取得を促進する可能性を示唆している。
  論文  参考訳（メタデータ） (2024-12-24T08:42:01Z)
• Revisiting DNN Training for Intermittently Powered Energy Harvesting Micro Computers [0.6721767679705013]
  本研究では,エネルギー制約環境下でのディープニューラルネットワークに適した新しいトレーニング手法を紹介し,評価する。 本稿では,デバイスアーキテクチャとエネルギー可用性の変動性の両方に適応する動的ドロップアウト手法を提案する。 予備的な結果は、この戦略が5%未満の計算量を持つ最先端技術と比較して6～22%の精度向上をもたらすことを示している。
  論文  参考訳（メタデータ） (2024-08-25T01:13:00Z)
• Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
  本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。 スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。 以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
  論文  参考訳（メタデータ） (2023-09-19T14:28:09Z)
• Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [60.17407932691429]
  基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。 本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。 提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
  論文  参考訳（メタデータ） (2023-09-04T17:30:21Z)
• Power Consumption Modeling of 5G Multi-Carrier Base Stations: A Machine Learning Approach [6.74575019261951]
  人工ニューラルネットワークを用いた5G AAUの消費電力モデルを提案する。 各種のAAUの消費電力挙動を把握できる汎用モデルの設計の利点を示す。
  論文  参考訳（メタデータ） (2022-12-08T15:16:44Z)
• Machine Learning and Analytical Power Consumption Models for 5G Base Stations [6.287715553901191]
  本稿では,5GマルチキャリアBSの消費電力を現実的に評価するための新しいモデルを提案する。 このフレームワークが収集した知識を活用して、現実的で分析可能な電力消費モデルを導出する。
  論文  参考訳（メタデータ） (2022-09-23T14:07:36Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Power Modeling for Effective Datacenter Planning and Compute Management [53.41102502425513]
  我々は,すべてのハードウェア構成とワークロードに適用可能な,正確でシンプルで解釈可能な統計パワーモデルの設計と検証の2つのクラスについて論じる。 提案された統計的モデリング手法は, 単純かつスケーラブルでありながら, 4つの特徴のみを用いて, 95% 以上の多様な配電ユニット (2000 以上) に対して, 5% 未満の絶対パーセンテージエラー (MAPE) で電力を予測できることを実証した。
  論文  参考訳（メタデータ） (2021-03-22T21:22:51Z)
• True-data Testbed for 5G/B5G Intelligent Network [46.09035008165811]
  私たちは5G/B5Gインテリジェントネットワーク(TTIN)のための世界初の真のデータテストベッドを構築します TTINは5G/B5Gオンサイト実験ネットワーク、データ取得とデータウェアハウス、AIエンジンとネットワーク最適化で構成されている。 本稿では,TTINのシステムアーキテクチャとモジュール設計について詳述する。
  論文  参考訳（メタデータ） (2020-11-26T06:42:36Z)
• Energy-Based Processes for Exchangeable Data [109.04978766553612]
  エネルギーベースモデルを交換可能なデータに拡張するために、エネルギーベースプロセス(EBP)を導入する。 EBPの鍵となる利点は、集合上のより柔軟な分布を、その濃度を制限することなく表現できることである。 本研究では,多種多様なタスクにおける最先端性能を実演する電子掲示板の効率的な訓練手順を開発する。
  論文  参考訳（メタデータ） (2020-03-17T04:26:02Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。