論文の概要: Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism

• arxiv url: http://arxiv.org/abs/2506.15688v1
• Date: Mon, 26 May 2025 04:32:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.747057
• Title: Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism
• Title（参考訳）: 注意機構を持つ深部状態空間モデルによるセルトラフィック予測
• Authors: Hui Ma, Kai Yang, Man-On Pun,
• Abstract要約: 本稿では,隣接する細胞間のセルトラフィックのパターンを明確に特徴付けるために,2つの変種を持つエンドツーエンドフレームワークを提案する。 空間力学を捉えるための注意機構を備えた畳み込みニューラルネットワークと、時間分解のためのカルマンフィルタを使用する。 実世界の3つのデータセットについて広範な実験を行った。
• 参考スコア（独自算出の注目度）: 4.372157417558764
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cellular traffic prediction is of great importance for operators to manage network resources and make decisions. Traffic is highly dynamic and influenced by many exogenous factors, which would lead to the degradation of traffic prediction accuracy. This paper proposes an end-to-end framework with two variants to explicitly characterize the spatiotemporal patterns of cellular traffic among neighboring cells. It uses convolutional neural networks with an attention mechanism to capture the spatial dynamics and Kalman filter for temporal modelling. Besides, we can fully exploit the auxiliary information such as social activities to improve prediction performance. We conduct extensive experiments on three real-world datasets. The results show that our proposed models outperform the state-of-the-art machine learning techniques in terms of prediction accuracy.
• Abstract（参考訳）: セルトラフィック予測は、オペレーターがネットワークリソースを管理し、決定する上で非常に重要である。 交通は極めてダイナミックであり、多くの外因性要因の影響を受けており、交通予測精度の低下につながる。 本稿では,隣接する細胞間通信の時空間パターンを明確に特徴付けるために,2つの変種を持つエンドツーエンドフレームワークを提案する。 空間力学を捉えるためのアテンション機構を備えた畳み込みニューラルネットワークと、時間的モデリングのためのカルマンフィルタを使用する。 さらに,社会活動などの補助情報をフル活用して予測性能を向上させる。 実世界の3つのデータセットについて広範な実験を行った。 その結果,提案手法は予測精度において最先端の機械学習技術より優れていることがわかった。

関連論文リスト

• Deep learning framework for action prediction reveals multi-timescale locomotor control [41.985053522482545]
  我々は,行動予測のためのディープラーニングベースのフレームワークを開発した。 フレキシブルな入力履歴を持つニューラルネットワークアーキテクチャは、GRUやTransformerといったタイムスケールが全体的なパフォーマンスに優れています。
  論文  参考訳（メタデータ） (2025-03-20T16:57:15Z)
• Deep Learning-driven Mobile Traffic Measurement Collection and Analysis [0.43512163406552007]
  本稿では,空間的・時間的領域において,深層学習(DL)技術の強力な階層的特徴学習能力を利用する。 そこで我々は,都市規模の交通分析と予測のためのソリューションを開発した。
  論文  参考訳（メタデータ） (2024-10-14T06:53:45Z)
• 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)
• 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)
• Dynamic Causal Graph Convolutional Network for Traffic Prediction [19.759695727682935]
  本稿では,時間変動動的ネットワークを組み込んだトラフィック予測手法を提案する。 次に、グラフ畳み込みネットワークを使用してトラフィック予測を生成します。 実交通データを用いた実験結果から,提案手法の予測性能が優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-12T10:46:31Z)
• Attention-based Spatial-Temporal Graph Neural ODE for Traffic Prediction [3.4806267677524896]
  本稿では,交通システムの力学を明示的に学習するアテンションベースグラフニューラルODE(AST)を提案する。 本モデルでは,異なる期間のトラフィックパターンを集約し,実世界の2つのトラフィックデータセットに対して良好な性能を示す。
  論文  参考訳（メタデータ） (2023-05-01T00:58:48Z)
• 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)
• Preference Enhanced Social Influence Modeling for Network-Aware Cascade Prediction [59.221668173521884]
  本稿では,ユーザの嗜好モデルを強化することで,カスケードサイズ予測を促進する新しいフレームワークを提案する。 エンド・ツー・エンドの手法により,ユーザの情報拡散プロセスがより適応的で正確になる。
  論文  参考訳（メタデータ） (2022-04-18T09:25:06Z)
• Spatial-Temporal Tensor Graph Convolutional Network for Traffic Prediction [46.762437988118386]
  本稿では,交通速度予測に対処する空間時間グラフ畳み込みネットワークを提案する。 計算負荷を軽減するために、タッカーテンソル分解を行い、テンソル畳み込みを導出する。 2つの実世界の交通速度データセットの実験は、従来の交通予測方法よりも効果的な方法を示しています。
  論文  参考訳（メタデータ） (2021-03-10T15:28:07Z)

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。