論文の概要: Data Matters: The Case of Predicting Mobile Cellular Traffic

• arxiv url: http://arxiv.org/abs/2411.02418v1
• Date: Mon, 21 Oct 2024 11:30:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-10 12:31:09.732660
• Title: Data Matters: The Case of Predicting Mobile Cellular Traffic
• Title（参考訳）: データ問題:モバイルセルトラフィック予測の事例
• Authors: Natalia Vesselinova, Matti Harjula, Pauliina Ilmonen,
• Abstract要約: 本研究では, スマート道路に着目し, セルラー交通の発生過程をモデル化するための道路交通対策について検討する。 実験では、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、セルラーロード予測エラーを最大56.5%削減できることを示した。
• 参考スコア（独自算出の注目度）: 0.5939858158928474
• License:
• Abstract: Accurate predictions of base stations' traffic load are essential to mobile cellular operators and their users as they support the efficient use of network resources and sustain smart cities and roads. Traditionally, cellular network time-series have been considered for this prediction task. More recently, exogenous factors such as points of presence and other environmental knowledge have been introduced to facilitate cellular traffic forecasting. In this study, we focus on smart roads and explore road traffic measures to model the processes underlying cellular traffic generation with the goal to improve prediction performance. Comprehensive experiments demonstrate that by employing road flow and speed, in addition to cellular network metrics, cellular load prediction errors can be reduced by as much as 56.5 %. The code and more detailed results are available on https://github.com/nvassileva/DataMatters.
• Abstract（参考訳）: 基地局の交通負荷の正確な予測は、ネットワークリソースの効率的な利用とスマートシティや道路の維持を支援するため、携帯電話事業者とその利用者にとって不可欠である。 従来,この予測にはセルラーネットワークの時系列が考慮されてきた。 近年では、携帯電話の交通予測を容易にするために、プレゼンスポイントやその他の環境知識などの外生的要因が導入されている。 本研究では,スマート道路に着目し,道路交通対策を探求し,予測性能の向上を目的としたセルトラフィック生成プロセスのモデル化を行う。 総合的な実験は、道路の流れと速度を利用することで、細胞ネットワークのメトリクスに加えて、細胞負荷予測誤差を最大56.5%削減できることを示した。 コードと詳細な結果はhttps://github.com/nvassileva/DataMatters.comで公開されている。

関連論文リスト

• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Implicit Occupancy Flow Fields for Perception and Prediction in Self-Driving [68.95178518732965]
  自動運転車(SDV)は、周囲を認識でき、他の交通参加者の将来の行動を予測できなければならない。 既存の作業は、検出されたオブジェクトの軌跡が続くオブジェクト検出を実行するか、シーン全体の密度の高い占有とフローグリッドを予測するかのいずれかである。 これは、認識と将来の予測に対する統一されたアプローチを動機付け、単一のニューラルネットワークで時間とともに占有とフローを暗黙的に表現します。
  論文  参考訳（メタデータ） (2023-08-02T23:39:24Z)
• On the road to more accurate mobile cellular traffic predictions [0.0]
  我々は、セル上の短期的な将来の負荷を予測するために、ハイウェイフローと平均速度変数とセルネットワークトラフィックメトリクスを併用する。 これは、主に都市のシナリオを研究する先行技術とは対照的である。 学習構造は、セルまたはエッジレベルで使用することができ、フェデレーション付き学習と集中型学習の両方に適用できる。
  論文  参考訳（メタデータ） (2023-05-24T15:18:46Z)
• 5G Long-Term and Large-Scale Mobile Traffic Forecasting [0.0]
  我々は、異なる大都市圏に設置された14,000以上の細胞からトラフィックパターンを抽出し、シミュレートする。 提案したモデルは,31週間以上の都市で収集された実世界の5Gモバイルトラフィックデータセットを用いてテストされている。
  論文  参考訳（メタデータ） (2022-12-21T09:26:33Z)
• Mobility prediction Based on Machine Learning Algorithms [7.078487870739008]
  本稿では,移動予測技術の現状を紹介する。 そこで我々は,現実的な交通日付学習のためのSVMアルゴリズムとMLアルゴリズムを選択した。 最後に,移動性予測のシミュレーション結果を分析し,移動性予測をモバイル通信改善に応用する今後の作業計画を提案する。
  論文  参考訳（メタデータ） (2021-11-12T13:49:29Z)
• 5G Traffic Prediction with Time Series Analysis [0.0]
  トラフィックを生成するアプリケーションの3つの主要な目的を分類しようと試みる。 予測・分類システムの設計は,Long Short Term Memory Modelを用いて行う。
  論文  参考訳（メタデータ） (2021-10-07T20:24:34Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)
• Multivariate and Propagation Graph Attention Network for Spatial-Temporal Prediction with Outdoor Cellular Traffic [25.081221761654756]
  本稿では,電話会社における1日20億件以上のレコードから抽出した屋外セルラートラフィックを用いて,この問題に対処する。 都市部における道路交差点について検討し,歴史的屋外セル・トラフィックが与えられたすべての交差点の今後の屋外セル・トラフィックを予測することを目的としている。 実験により,提案したモデルが,我々のデータセットの最先端手法を著しく上回っていることが示された。
  論文  参考訳（メタデータ） (2021-08-18T17:31:11Z)
• A Graph Convolutional Network with Signal Phasing Information for Arterial Traffic Prediction [63.470149585093665]
  動脈交通予測は 現代のインテリジェント交通システムの発展に 重要な役割を担っています 動脈交通予測に関する既存の研究の多くは、ループセンサからの流量と占有率の時間的測定のみを考慮し、上流と下流の検出器間のリッチな空間的関係を無視している。 我々は,信号タイミング計画から発生する空間情報を用いて,深層学習アプローチである拡散畳み込みリカレントニューラルネットワークを強化することで,このギャップを埋める。
  論文  参考訳（メタデータ） (2020-12-25T01:40:29Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)
• TPNet: Trajectory Proposal Network for Motion Prediction [81.28716372763128]
  Trajectory Proposal Network (TPNet) は、新しい2段階の動作予測フレームワークである。 TPNetはまず、仮説の提案として将来の軌道の候補セットを生成し、次に提案の分類と修正によって最終的な予測を行う。 4つの大規模軌道予測データセットの実験は、TPNetが定量的かつ定性的に、最先端の結果を達成することを示した。
  論文  参考訳（メタデータ） (2020-04-26T00:01:49Z)

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。