論文の概要: Multi-grained spatial-temporal feature complementarity for accurate online cellular traffic prediction

• arxiv url: http://arxiv.org/abs/2508.08281v1
• Date: Fri, 01 Aug 2025 05:33:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-17 22:58:06.16637
• Title: Multi-grained spatial-temporal feature complementarity for accurate online cellular traffic prediction
• Title（参考訳）: 正確なオンラインセルトラフィック予測のための多次元時空間特徴相補性
• Authors: Ningning Fu, Shengheng Liu, Weiliang Xie, Yongming Huang,
• Abstract要約: 提案手法は,現実的な連続予測シナリオにおいて高精度な予測を実現するために考案された。 4つの実世界のデータセットで実施された実験は、MGSTCが11の最先端のベースラインを一貫して上回ることを示した。
• 参考スコア（独自算出の注目度）: 25.37334609319972
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Knowledge discovered from telecom data can facilitate proactive understanding of network dynamics and user behaviors, which in turn empowers service providers to optimize cellular traffic scheduling and resource allocation. Nevertheless, the telecom industry still heavily relies on manual expert intervention. Existing studies have been focused on exhaustively explore the spatial-temporal correlations. However, they often overlook the underlying characteristics of cellular traffic, which are shaped by the sporadic and bursty nature of telecom services. Additionally, concept drift creates substantial obstacles to maintaining satisfactory accuracy in continuous cellular forecasting tasks. To resolve these problems, we put forward an online cellular traffic prediction method grounded in Multi-Grained Spatial-Temporal feature Complementarity (MGSTC). The proposed method is devised to achieve high-precision predictions in practical continuous forecasting scenarios. Concretely, MGSTC segments historical data into chunks and employs the coarse-grained temporal attention to offer a trend reference for the prediction horizon. Subsequently, fine-grained spatial attention is utilized to capture detailed correlations among network elements, which enables localized refinement of the established trend. The complementarity of these multi-grained spatial-temporal features facilitates the efficient transmission of valuable information. To accommodate continuous forecasting needs, we implement an online learning strategy that can detect concept drift in real-time and promptly switch to the appropriate parameter update stage. Experiments carried out on four real-world datasets demonstrate that MGSTC outperforms eleven state-of-the-art baselines consistently.
• Abstract（参考訳）: 通信データから発見された知識は、ネットワークのダイナミクスやユーザの振る舞いを積極的に理解する上で有効であり、これによりサービスプロバイダは、セルラートラフィックのスケジューリングとリソース割り当てを最適化することが可能になる。 それでも、通信業界は依然として手動の専門家の介入に大きく依存している。 既存の研究は、空間的時間的相関を徹底的に探求することに焦点を当てている。 しかし、彼らはしばしば、通信サービスの散発的でバースト的な性質によって形作られた携帯電話トラフィックの根底にある特徴を見落としている。 さらに、コンセプトドリフトは、連続的な細胞予測タスクにおいて満足な精度を維持するためにかなりの障害を生じさせる。 これらの問題を解決するために, MGSTC (Multi-Grained Space-Temporal Feature Complementarity) に基づくオンラインセルトラフィック予測手法を提案する。 提案手法は,現実的な連続予測シナリオにおいて高精度な予測を実現するために考案された。 具体的には、MGSTCは歴史的データをチャンクに分割し、粗い時間的注意を用いて予測地平線に対するトレンド参照を提供する。 その後, ネットワーク要素間の詳細な相関を捉えるために, きめ細かな空間的注意を生かし, 確立された傾向の局所的改善を可能にする。 これらの空間的特徴の相補性は、価値ある情報の効率的な伝達を促進する。 連続予測のニーズを満たすために,概念のドリフトをリアルタイムで検出し,適切なパラメータ更新ステージに素早く切り替えるオンライン学習戦略を実装した。 4つの実世界のデータセットで実施された実験は、MGSTCが11の最先端のベースラインを一貫して上回ることを示した。

関連論文リスト

• Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism [4.372157417558764]
  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。
  論文  参考訳（メタデータ） (2025-05-26T04:32:15Z)
• ON-Traffic: An Operator Learning Framework for Online Traffic Flow Estimation and Uncertainty Quantification from Lagrangian Sensors [0.0]
  この研究は、新しいディープ演算子であるOn-Trafficを導入し、トラフィック状態のオンライン推定に適した水平方向学習ベースのフレームワークを提案する。 本フレームワークは,不規則でスパースな入力データを処理し,時間シフトに適応し,精度の高い不確実性推定を行うことのできる,数値データとシミュレーションデータの両方で評価される。 その結果, 衝撃波や混雑伝播などの複雑な交通シナリオを捉えるとともに, 騒音やセンサの落下に対する堅牢性を維持していることがわかった。
  論文  参考訳（メタデータ） (2025-03-18T09:13:24Z)
• SFADNet: Spatio-temporal Fused Graph based on Attention Decoupling Network for Traffic Prediction [4.868638426254428]
  本稿では,空間的特徴量に基づいてトラフィックフローを複数のトラフィックパターンに分類する,革新的なトラフィックフロー予測ネットワークであるSFADNetを提案する。 各パターンに対して、残差グラフ畳み込みモジュールと時系列モジュールを用いて、相互アテンション機構に基づく独立適応時間融合グラフを構築する。 大規模な実験結果によると、SFADNetは大規模な4スケールのデータセットで現在の最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-01-07T09:09:50Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Multi-graph Spatio-temporal Graph Convolutional Network for Traffic Flow Prediction [0.5551832942032954]
  毎日の交通量予測は、ネットワーク全体の料金所で依然として課題に直面している。 本稿では,流路時間深度学習による日中交通流ハイウェイ領域の相関予測手法を提案する。 本手法は,ビジネスにおけるベースラインや実践的利益よりも予測精度が向上したことを示す。
  論文  参考訳（メタデータ） (2023-08-10T14:20:43Z)
• 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)
• Adaptive Hybrid Spatial-Temporal Graph Neural Network for Cellular Traffic Prediction [19.88734776818291]
  本稿では,携帯電話のトラフィック予測問題に対処するための新しいディープラーニングネットワークアーキテクチャを提案する。 まず、適応型ハイブリッドグラフ学習を用いて、セルタワー間の複合空間相関を学習する。 第2に、非線形時間依存を捉えるために、多周期時間データ入力を備えた時間的畳み込みモジュールを実装した。
  論文  参考訳（メタデータ） (2023-02-28T06:46:50Z)
• 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)
• Constructing Geographic and Long-term Temporal Graph for Traffic Forecasting [88.5550074808201]
  交通予測のための地理・長期時間グラフ畳み込み型ニューラルネットワーク(GLT-GCRNN)を提案する。 本研究では,地理的・長期的時間的パターンを共有する道路間のリッチな相互作用を学習する交通予測のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-04-23T03:50:46Z)
• A Spatial-Temporal Attentive Network with Spatial Continuity for Trajectory Prediction [74.00750936752418]
  空間連続性をもつ空間時間減衰ネットワーク(STAN-SC)という新しいモデルを提案する。 まず、最も有用かつ重要な情報を探るために、空間的時間的注意機構を提示する。 第2に、生成軌道の空間的連続性を維持するために、シーケンスと瞬間状態情報に基づく共同特徴系列を実行する。
  論文  参考訳（メタデータ） (2020-03-13T04:35:50Z)
• 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。