論文の概要: Data-Driven Spectrum Demand Prediction: A Spatio-Temporal Framework with Transfer Learning
- arxiv url: http://arxiv.org/abs/2508.03863v1
- Date: Tue, 05 Aug 2025 19:24:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-07 20:09:22.424045
- Title: Data-Driven Spectrum Demand Prediction: A Spatio-Temporal Framework with Transfer Learning
- Title（参考訳）: データ駆動型スペクトル需要予測:伝達学習を伴う時空間フレームワーク
- Authors: Amin Farajzadeh, Hongzhao Zheng, Sarah Dumoulin, Trevor Ha, Halim Yanikomeroglu, Amir Ghasemi,
- Abstract要約: 本稿では,クラウドソーシングされたユーザサイドキーパフォーマンス指標(KPI)とデータセットを利用して,スペクトル需要を予測する効果的な規制予測フレームワークを提案する。
提案手法は, 高度な特徴工学, 包括的相関解析, 伝達学習技術を導入することにより, 予測精度と地域間一般化性を向上する。
- 参考スコア（独自算出の注目度）: 16.609540158400495
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate spectrum demand prediction is crucial for informed spectrum allocation, effective regulatory planning, and fostering sustainable growth in modern wireless communication networks. It supports governmental efforts, particularly those led by the international telecommunication union (ITU), to establish fair spectrum allocation policies, improve auction mechanisms, and meet the requirements of emerging technologies such as advanced 5G, forthcoming 6G, and the internet of things (IoT). This paper presents an effective spatio-temporal prediction framework that leverages crowdsourced user-side key performance indicators (KPIs) and regulatory datasets to model and forecast spectrum demand. The proposed methodology achieves superior prediction accuracy and cross-regional generalizability by incorporating advanced feature engineering, comprehensive correlation analysis, and transfer learning techniques. Unlike traditional ITU models, which are often constrained by arbitrary inputs and unrealistic assumptions, this approach exploits granular, data-driven insights to account for spatial and temporal variations in spectrum utilization. Comparative evaluations against ITU estimates, as the benchmark, underscore our framework's capability to deliver more realistic and actionable predictions. Experimental results validate the efficacy of our methodology, highlighting its potential as a robust approach for policymakers and regulatory bodies to enhance spectrum management and planning.
- Abstract（参考訳）: 正確なスペクトル需要予測は、情報スペクトル割り当て、効果的な規制計画、現代の無線通信ネットワークにおける持続可能な成長の促進に不可欠である。
国際電気通信連合(ITU)が主導する政府努力を支援し、公正なスペクトル割り当てポリシーを確立し、オークション機構を改善し、先進的な5G、近日中の6G、モノのインターネット(IoT)といった新興技術の要件を満たす。
本稿では、クラウドソーシングされたユーザサイドキーパフォーマンス指標(KPI)と規制データセットを利用して、スペクトル需要をモデル化し予測する効果的な時空間予測フレームワークを提案する。
提案手法は, 高度な特徴工学, 包括的相関解析, 伝達学習技術を導入することにより, 予測精度と地域間一般化性を向上する。
任意の入力や非現実的な仮定によって制約される伝統的なITUモデルとは異なり、このアプローチは、スペクトル利用における空間的および時間的変動を考慮に入れた、粒度の高いデータ駆動の洞察を利用する。
ITUの推定に対する比較評価は、ベンチマークとして、より現実的で実行可能な予測を提供するフレームワークの能力を強調します。
提案手法の有効性を実験的に検証し,政策立案者や規制機関がスペクトル管理と計画を強化するための堅牢なアプローチとしての可能性を強調した。
関連論文リスト
- Scalable Spectrum Availability Prediction using a Markov Chain Framework and ITU-R Propagation Models [0.0]
本稿では、スペクトル可用性予測のためのスケーラブルなフレームワークを提案する。
一次ユーザ活動の2状態マルコフ連鎖モデルとITU-Rからの高忠実な伝播モデルを組み合わせる。
フレームワークは柔軟で、様々な周波数帯域やシナリオに適応できる。
論文 参考訳（メタデータ） (2025-07-30T03:22:55Z) - Efficient Federated Learning with Timely Update Dissemination [54.668309196009204]
分散データ管理のための魅力的な方法論として、フェデレートラーニング(FL)が登場した。
そこで本稿では,ダウンリンクの帯域幅を削減し,タイムリーな更新を確実にするための効率的なFL手法を提案する。
論文 参考訳（メタデータ） (2025-07-08T14:34:32Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - Topology-Aware Conformal Prediction for Stream Networks [54.505880918607296]
本研究では,ネットワークトポロジと時間的ダイナミクスを共形予測フレームワークに統合した新しいフレームワークであるspatio-Temporal Adaptive Conformal Inference (textttCISTA)を提案する。
この結果から,TextttCISTAは予測効率とカバレッジのバランスを効果的に保ち,既存のストリームネットワークの共形予測手法よりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-03-06T21:21:15Z) - Global-Decision-Focused Neural ODEs for Proactive Grid Resilience Management [50.34345101758248]
本稿では,機能停止予測とグローバルに最適化された介入を統合するフレームワークPATOGを提案する。
提案手法は,空間的かつ時間的に整合性のある意思決定を保証し,予測精度と操作効率を両立させる。
合成および実世界のデータセットの実験では、停止予測一貫性とグリッドレジリエンスが大幅に改善された。
論文 参考訳（メタデータ） (2025-02-25T16:15:35Z) - Latenrgy: Model Agnostic Latency and Energy Consumption Prediction for Binary Classifiers [0.0]
機械学習システムは、科学分野や産業のイノベーションをますます加速させる。
しかし、特に推論の間、計算オーバーヘッドにおける課題はスケーラビリティと持続可能性を制限する。
この研究は、主に遅延とエネルギー消費に関する一般化予測技術が欠如していることから、文学における重要なギャップに対処する。
論文 参考訳（メタデータ） (2024-12-26T14:51:24Z) - Deep Learning for Spectrum Prediction in Cognitive Radio Networks: State-of-the-Art, New Opportunities, and Challenges [9.499371206380546]
本稿では,新しい帯域内時間スペクトル予測フレームワークViLSTransTMを提案する。
このフレームワークは、視覚的自己注意と長期記憶を統合し、スペクトル利用パターンの局所的およびグローバル的長期的依存関係をキャプチャする。
論文 参考訳（メタデータ） (2024-12-13T04:36:05Z) - Echo State Networks for Spatio-Temporal Area-Level Data [2.411699454065038]
空間時間領域レベルのデータセットは、公式統計において重要な役割を担い、政策決定と地域計画に関する貴重な洞察を提供する。
これらのデータセットの正確なモデリングと予測は、政策立案者が将来の計画のための情報戦略を開発するのに極めて有用である。
本稿では,Echo State Networks (ESNs) の入力段階で近似グラフスペクトルフィルタを組み込む。
政策や計画の文脈において、より情報のある意思決定を支援する方法について説明する。
論文 参考訳（メタデータ） (2024-10-14T15:51:06Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳（メタデータ） (2024-06-23T21:28:50Z) - SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。
伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。
本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-05-29T08:00:15Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳（メタデータ） (2020-11-25T09:17:07Z)
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。