論文の概要: Using Causality for Enhanced Prediction of Web Traffic Time Series

• arxiv url: http://arxiv.org/abs/2502.00612v1
• Date: Sun, 02 Feb 2025 00:36:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 14:53:43.771532
• Title: Using Causality for Enhanced Prediction of Web Traffic Time Series
• Title（参考訳）: Webトラフィック時系列の高次予測における因果性の利用
• Authors: Chang Tian, Mingzhe Xing, Zenglin Shi, Matthew B. Blaschko, Yinliang Yue, Marie-Francine Moens,
• Abstract要約: 本稿では,サービス間の因果関係を抽出する効果的なニューラルネットワークモジュールCCMPlusを提案する。 本手法は,MSE(Mean Squared Error)とMAE(Mean Absolute Error)の最先端手法を超越して,サービストラフィック時系列の予測を行う。
• 参考スコア（独自算出の注目度）: 36.39678202395453
• License:
• Abstract: Predicting web service traffic has significant social value, as it can be applied to various practical scenarios, including but not limited to dynamic resource scaling, load balancing, system anomaly detection, service-level agreement compliance, and fraud detection. Web service traffic is characterized by frequent and drastic fluctuations over time and are influenced by heterogeneous web user behaviors, making accurate prediction a challenging task. Previous research has extensively explored statistical approaches, and neural networks to mine features from preceding service traffic time series for prediction. However, these methods have largely overlooked the causal relationships between services. Drawing inspiration from causality in ecological systems, we empirically recognize the causal relationships between web services. To leverage these relationships for improved web service traffic prediction, we propose an effective neural network module, CCMPlus, designed to extract causal relationship features across services. This module can be seamlessly integrated with existing time series models to consistently enhance the performance of web service traffic predictions. We theoretically justify that the causal correlation matrix generated by the CCMPlus module captures causal relationships among services. Empirical results on real-world datasets from Microsoft Azure, Alibaba Group, and Ant Group confirm that our method surpasses state-of-the-art approaches in Mean Squared Error (MSE) and Mean Absolute Error (MAE) for predicting service traffic time series. These findings highlight the efficacy of leveraging causal relationships for improved predictions.
• Abstract（参考訳）: Webサービスのトラフィックを予測することは、動的なリソーススケーリング、ロードバランシング、システム異常検出、サービスレベルのコンプライアンスコンプライアンス、不正検出など、さまざまな実践シナリオに適用できるため、大きな社会的価値を持つ。 Webサービスのトラフィックは、時間とともに頻繁で急激な変動が特徴であり、不均一なWebユーザの振る舞いに影響され、正確な予測が困難なタスクとなる。 従来の研究では、統計的アプローチや、予測のために前回のサービストラフィック時系列から特徴をマイニングするニューラルネットワークを幅広く研究してきた。 しかし、これらの手法はサービス間の因果関係をほとんど見落としている。 生態システムにおける因果関係からインスピレーションを得て,Web サービス間の因果関係を実証的に認識する。 Web サービストラフィック予測の改善にこれらの関係を活用するために,サービス間の因果関係を抽出する効果的なニューラルネットワークモジュール CCMPlus を提案する。 このモジュールは既存の時系列モデルとシームレスに統合することができ、Webサービスのトラフィック予測のパフォーマンスを継続的に向上させることができます。 我々は,CCMPlusモジュールが生成する因果関係行列がサービス間の因果関係を捉えることを理論的に正当化する。 Microsoft Azure、Alibaba Group、Ant Groupの実際のデータセットに関する実証的な結果から、当社の手法がMean Squared Error(MSE)とMean Absolute Error(MAE)の最先端アプローチを超え、サービストラフィック時系列を予測することが確認された。 これらの結果から, 因果関係の活用による予測精度の向上が示唆された。

関連論文リスト

• Utilizing Graph Neural Networks for Effective Link Prediction in Microservice Architectures [0.0]
  本研究では、特にグラフ注意ネットワークGATを用いて、マイクロサービスコールグラフのリンク予測を行うグラフニューラルネットワークベースのアプローチを提案する。 インタラクションが散発的に発生し、しばしば頻度が低くなるソーシャルネットワークとは異なり、マイクロサービスコールグラフは、非常に頻繁で時間に敏感なインタラクションを伴います。 実世界のデータを用いて、AUC、Precision、Recall、F1 Scoreなどのパフォーマンス指標でモデルを評価し、マイクロサービスのインタラクションを予測する上で、その精度と堅牢性を実証した。
  論文  参考訳（メタデータ） (2025-01-25T01:51:30Z)
• 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)
• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)
• TPMCF: Temporal QoS Prediction using Multi-Source Collaborative Features [0.5161531917413706]
  時間的予測は、時間とともに適切なサービスを特定するために不可欠である。 近年の手法は, 様々な制約により, 所望の精度が得られなかった。 本稿では,マルチソース協調機能を用いた時間予測のためのスケーラブルな戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-30T06:49:53Z)
• Online Spatio-Temporal Correlation-Based Federated Learning for Traffic Flow Forecasting [11.253575460227127]
  本稿では,FLフレームワークにおけるオンライン学習(OL)方式を用いた交通流の予測に関する最初の研究を行う。 次に,オンライン時空間相関に基づくフェデレート学習(FedOSTC)という新しい予測手法を提案する。
  論文  参考訳（メタデータ） (2023-02-17T02:37:36Z)
• GT-CausIn: a novel causal-based insight for traffic prediction [4.399130897743016]
  本稿では,因果関係をグラフ拡散層と時間畳み込みネットワーク層と統合したグラフ空間時間ネットワーク(GT-CausIn)を提案する。 P.EMS-BAYとMETR-LAの2つの実世界の交通データセットで実験が行われ、GT-CausInは中期および長期の予測において最先端のモデルを著しく上回っている。
  論文  参考訳（メタデータ） (2022-12-12T09:09:39Z)
• STCGAT: Spatial-temporal causal networks for complex urban road traffic flow prediction [12.223433627287605]
  交通データは非常に非線形であり、道路ノード間の複雑な空間的相関を持つ。 既存のアプローチでは、固定された道路ネットワークトポロジマップと独立した時系列モジュールを使用して、時空間相関をキャプチャする。 本稿では,グラフ注意ネットワーク(GAT)を介して交通ネットワークの空間依存性を捕捉し,交通データの因果関係を解析する新しい予測モデルを提案する。
  論文  参考訳（メタデータ） (2022-03-21T06:38:34Z)
• 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)
• Spatial-Temporal Transformer Networks for Traffic Flow Forecasting [74.76852538940746]
  本稿では,長期交通予測の精度を向上させるため,時空間変圧器ネットワーク(STTN)の新たなパラダイムを提案する。 具体的には、有向空間依存を動的にモデル化することにより、空間変換器と呼ばれる新しいグラフニューラルネットワークを提案する。 提案モデルにより,長期間にわたる空間的依存関係に対する高速かつスケーラブルなトレーニングが可能になる。
  論文  参考訳（メタデータ） (2020-01-09T10:21:04Z)

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。