Fugu-MT 論文翻訳(概要): DP-LET: An Efficient Spatio-Temporal Network Traffic Prediction Framework

論文の概要: DP-LET: An Efficient Spatio-Temporal Network Traffic Prediction Framework

arxiv url: http://arxiv.org/abs/2504.03792v1
Date: Fri, 04 Apr 2025 02:52:43 GMT
ステータス: 翻訳完了
システム内更新日: 2025-04-17 08:22:06.360369
Title: DP-LET: An Efficient Spatio-Temporal Network Traffic Prediction Framework
Title（参考訳）: DP-LET: 効率的な時空間ネットワークトラフィック予測フレームワーク
Authors: Xintong Wang, Haihan Nan, Ruidong Li, Huaming Wu,
Abstract要約: DP-LETは、効率的な時間的ネットワークトラフィック予測フレームワークである。 DP-LETはデータ処理モジュール、ローカル機能拡張モジュール、トランスフォーマーベースの予測モジュールで構成される。実世界のセルラートラフィック予測はDP-LETの実用性を示す。
参考スコア（独自算出の注目度）: 13.65226228907662
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Accurately predicting spatio-temporal network traffic is essential for dynamically managing computing resources in modern communication systems and minimizing energy consumption. Although spatio-temporal traffic prediction has received extensive research attention, further improvements in prediction accuracy and computational efficiency remain necessary. In particular, existing decomposition-based methods or hybrid architectures often incur heavy overhead when capturing local and global feature correlations, necessitating novel approaches that optimize accuracy and complexity. In this paper, we propose an efficient spatio-temporal network traffic prediction framework, DP-LET, which consists of a data processing module, a local feature enhancement module, and a Transformer-based prediction module. The data processing module is designed for high-efficiency denoising of network data and spatial decoupling. In contrast, the local feature enhancement module leverages multiple Temporal Convolutional Networks (TCNs) to capture fine-grained local features. Meanwhile, the prediction module utilizes a Transformer encoder to model long-term dependencies and assess feature relevance. A case study on real-world cellular traffic prediction demonstrates the practicality of DP-LET, which maintains low computational complexity while achieving state-of-the-art performance, significantly reducing MSE by 31.8% and MAE by 23.1% compared to baseline models.
Abstract（参考訳）: 時空間ネットワークトラフィックの正確な予測は、現代の通信システムにおける計算資源の動的管理とエネルギー消費の最小化に不可欠である。時空間交通予測は広範な研究が注目されているが、予測精度と計算効率のさらなる向上は依然として必要である。特に、既存の分解ベースの方法やハイブリッドアーキテクチャは、局所的およびグローバルな特徴相関を捉え、精度と複雑さを最適化する新しいアプローチを必要とする場合が多い。本稿では,データ処理モジュール,ローカル機能拡張モジュール,トランスフォーマーベースの予測モジュールで構成される,効率的な時空間ネットワークトラフィック予測フレームワークDP-LETを提案する。データ処理モジュールは、ネットワークデータの高効率デノナイズと空間デカップリングのために設計されている。対照的に、ローカル機能拡張モジュールは、複数の時間畳み込みネットワーク(TCN)を活用して、きめ細かいローカル機能を取得する。一方、予測モジュールはTransformerエンコーダを使用して、長期的な依存関係をモデル化し、機能関連性を評価する。実世界のセルラートラフィック予測のケーススタディは、DP-LETの実用性を示している。DP-LETは、最先端の性能を達成しながら計算の複雑さを低く保ち、MSEを31.8%、MAEを23.1%削減する。

関連論文リスト

PreMixer: MLP-Based Pre-training Enhanced MLP-Mixers for Large-scale Traffic Forecasting [30.055634767677823]
都市コンピューティングでは,交通ネットワークからの時系列データの正確かつ迅速な予測が重要である。現在の研究制限は、モデル固有の非効率性と、モデル複雑さによる大規模トラフィックアプリケーションに対する不適合性のためである。本稿では,このギャップを埋めるための新しいフレームワークPreMixerを提案する。MLP(Multi-Layer Perceptrons)の原理に基づく予測モデルと事前学習機構を特徴とする。我々のフレームワークは,大規模トラフィックデータセットの広範な実験により検証され,高い計算効率を維持しながら,同等の最先端性能を実現している。
論文参考訳（メタデータ） (2024-12-18T08:35:40Z)
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)
Hyperdimensional Computing Empowered Federated Foundation Model over Wireless Networks for Metaverse [56.384390765357004]
本稿では,新しい基礎モデルのための統合型分割学習と超次元計算フレームワークを提案する。この新しいアプローチは通信コスト、計算負荷、プライバシーリスクを低減し、Metaverseのリソース制約されたエッジデバイスに適している。
論文参考訳（メタデータ） (2024-08-26T17:03:14Z)
CCDSReFormer: Traffic Flow Prediction with a Criss-Crossed Dual-Stream Enhanced Rectified Transformer Model [32.45713037210818]
我々はCriss-Crossed Dual-Stream Enhanced Rectified Transformer Model (CCDSReFormer)を紹介する。 ReSSA(Enhanced Rectified Spatial Self-attention)、ReDASA(Enhanced Rectified Delay Aware Self-attention)、ReTSA(Enhanced Rectified Temporal Self-attention)の3つの革新的なモジュールが含まれている。これらのモジュールは、疎注意による計算ニーズの低減、トラフィックダイナミクスの理解向上のためのローカル情報への注力、ユニークな学習手法による空間的および時間的洞察の融合を目的としている。
論文参考訳（メタデータ） (2024-03-26T14:43:57Z)
Attention-based Spatial-Temporal Graph Convolutional Recurrent Networks for Traffic Forecasting [12.568905377581647]
交通予測は交通科学と人工知能における最も基本的な問題の一つである。既存の手法では、長期的相関と短期的相関を同時にモデル化することはできない。本稿では,GCRN(Graph Convolutional Recurrent Module)とグローバルアテンションモジュールからなる新しい時空間ニューラルネットワークフレームワークを提案する。
論文参考訳（メタデータ） (2023-02-25T03:37:00Z)
PDFormer: Propagation Delay-Aware Dynamic Long-Range Transformer for Traffic Flow Prediction [78.05103666987655]
空間時空間グラフニューラルネットワーク(GNN)モデルは、この問題を解決する最も有望な方法の1つである。本稿では,交通流の正確な予測を行うために,遅延を意識した動的長距離トランスフォーマー(PDFormer)を提案する。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2023-01-19T08:42:40Z)
Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文参考訳（メタデータ） (2023-01-05T13:59:29Z)
STLGRU: Spatio-Temporal Lightweight Graph GRU for Traffic Flow Prediction [0.40964539027092917]
本稿では,交通流を正確に予測する新しい交通予測モデルSTLGRUを提案する。提案するSTLGRUは,交通ネットワークの局所的・大域的空間的関係を効果的に捉えることができる。提案手法は,最先端の性能を達成するだけでなく,計算効率の競争力も発揮できる。
論文参考訳（メタデータ） (2022-12-08T20:24:59Z)
PSTN: Periodic Spatial-temporal Deep Neural Network for Traffic Condition Prediction [8.255993195520306]
本稿では,交通条件の予測性能を改善するために,周期的深部ニューラルネットワーク(PSTN)を3つのモジュールで提案する。まず、歴史交通情報を折り畳み、グラフ畳み込みネットワークと時間畳み込みネットワークからなるモジュールに供給する。
論文参考訳（メタデータ） (2021-08-05T07:42:43Z)
Spatio-temporal Modeling for Large-scale Vehicular Networks Using Graph Convolutional Networks [110.80088437391379]
SMARTと呼ばれるグラフベースのフレームワークが提案され、大規模な地理的領域にわたるV2I通信遅延の統計をモデル化し、追跡する。深層Q-networksアルゴリズムと統合したグラフ畳み込みネットワークを用いたグラフ再構築型手法を開発する。その結果,提案手法は,モデル化の精度と効率と,大規模車両ネットワークにおける遅延性能を有意に向上させることが示された。
論文参考訳（メタデータ） (2021-03-13T06:56:29Z)
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。