論文の概要: Improving Internet Traffic Matrix Prediction via Time Series Clustering

• arxiv url: http://arxiv.org/abs/2509.15072v1
• Date: Thu, 18 Sep 2025 15:33:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:53.302462
• Title: Improving Internet Traffic Matrix Prediction via Time Series Clustering
• Title（参考訳）: 時系列クラスタリングによるインターネットトラフィックマトリックス予測の改善
• Authors: Martha Cash, Alexander Wyglinski,
• Abstract要約: モデル学習に先立って,同種の時間パターンで群流を流す2つのクラスタリング手法,すなわちソースクラスタリングとヒストグラムクラスタリングを提案する。 既存のTM予測法と比較して,アビレンでは最大92%,G'EANTでは75%削減できる。 ルーティングのシナリオでは、クラスタ化された予測により、最大リンク利用率(MLU)のバイアスをそれぞれ18%と21%削減する。
• 参考スコア（独自算出の注目度）: 45.88028371034407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a novel framework that leverages time series clustering to improve internet traffic matrix (TM) prediction using deep learning (DL) models. Traffic flows within a TM often exhibit diverse temporal behaviors, which can hinder prediction accuracy when training a single model across all flows. To address this, we propose two clustering strategies, source clustering and histogram clustering, that group flows with similar temporal patterns prior to model training. Clustering creates more homogeneous data subsets, enabling models to capture underlying patterns more effectively and generalize better than global prediction approaches that fit a single model to the entire TM. Compared to existing TM prediction methods, our method reduces RMSE by up to 92\% for Abilene and 75\% for G\'EANT. In routing scenarios, our clustered predictions also reduce maximum link utilization (MLU) bias by 18\% and 21\%, respectively, demonstrating the practical benefits of clustering when TMs are used for network optimization.
• Abstract（参考訳）: 本稿では、時系列クラスタリングを活用して、ディープラーニング(DL)モデルを用いたインターネットトラフィックマトリックス(TM)予測を改善する新しいフレームワークを提案する。 TM内のトラフィックフローは、様々な時間的挙動を示すことが多く、全てのフローにわたって単一のモデルをトレーニングする際の予測精度を阻害する可能性がある。 そこで本研究では,モデル学習に先立って,同種の時間的パターンで群流されるソースクラスタリングとヒストグラムクラスタリングという2つのクラスタリング手法を提案する。 クラスタリングにより、より均質なデータサブセットが生成され、単一のモデルをTM全体に適用するグローバル予測アプローチよりも、基礎となるパターンをより効果的に、より一般化することができる。 既存のTM予測法と比較して,アビレンでは最大92.%,G.EANTでは最大75.%削減できる。 ルーティングのシナリオでは,クラスタ化予測により最大リンク利用率(MLU)のバイアスが18～21～%削減され,TMをネットワーク最適化に使用する場合のクラスタリングの実用的メリットが示された。

関連論文リスト

• An Enhanced Model-based Approach for Short Text Clustering [58.60681789677676]
  Twitter、Google+、Facebookなどのソーシャルメディアの人気が高まり、短いテキストのクラスタリングがますます重要になっている。 既存の手法は、トピックモデルに基づくアプローチと深層表現学習に基づくアプローチの2つのパラダイムに大別することができる。 短文の空間性と高次元性を効果的に扱えるDirichlet Multinomial Mixture Model (GSDMM) のギブスサンプリングアルゴリズムを提案する。 さらなる改良を保証しているGSDMMのいくつかの側面に基づいて,さらなる性能向上を目的とした改良されたアプローチであるGSDMM+を提案する。
  論文  参考訳（メタデータ） (2025-07-18T10:07:42Z)
• DKGCM: A Spatio-Temporal Prediction Model for Traffic Flow by Fusing Spatial Node Clustering Method and Fourier Bidirectional Mamba Mechanism [6.647935633052109]
  DKGCMと呼ばれる新しいグラフ畳み込みネットワーク構造を提案し、交通需要予測の精度を向上させる。 動的時間ウォーピング(DTW)とK平均クラスタリングを使用してトラフィックノードをグループ化し、より効果的に空間依存性をキャプチャする。 我々のモデルはいくつかの高度な手法より優れており、3つの公開データセットに対して強力な結果が得られる。
  論文  参考訳（メタデータ） (2025-06-26T06:33:36Z)
• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Towards Generalizable Trajectory Prediction Using Dual-Level Representation Learning And Adaptive Prompting [107.4034346788744]
  既存の車両軌道予測モデルは、一般化可能性、予測の不確実性、複雑な相互作用を扱う。 本研究では,(1)自己拡張(SD)とマスドレコンストラクション(MR)による二重レベル表現学習,グローバルコンテキストと細部の詳細の収集,(2)レジスタベースのクエリと事前学習の強化,クラスタリングと抑圧の必要性の排除,(3)微調整中の適応型プロンプトチューニング,メインアーキテクチャの凍結,および少数のプロンプトの最適化といった,新たなトラジェクタ予測フレームワークであるPerceiverを提案する。
  論文  参考訳（メタデータ） (2025-01-08T20:11:09Z)
• UniFlow: A Foundation Model for Unified Urban Spatio-Temporal Flow Prediction [23.79904267354509]
  都市インフラの最適化と交通災害対応管理には,都市時流予測が不可欠である。 従来のアプローチは、グリッドベースのデータまたはグラフベースのデータに合わせた、別々のモデルに依存してきた。 本稿では,グリッドベースのグラフベースデータを統一した一般都市流予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-11-20T01:54:52Z)
• Time series clustering based on prediction accuracy of global forecasting models [0.0]
  本稿では,時系列のモデルに基づくクラスタリング手法を提案する。 文献で提案されているほとんどの手法とは異なり、この手法はクラスタリング分割を構成する主要な要素として予測精度を考慮している。 シミュレーション実験により,クラスタリングの有効性と予測精度の両面で,本手法はいくつかの代替手法より優れていることが示された。
  論文  参考訳（メタデータ） (2023-04-30T13:12:19Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Neural Mixture Models with Expectation-Maximization for End-to-end Deep Clustering [0.8543753708890495]
  本稿では,ニューラルネットワークを用いた混合モデルに基づくクラスタリングを実現する。 我々は,Eステップとして前方パス,Mステップとして後方パスを動作させるバッチワイズEMイテレーションにより,ネットワークのエンドツーエンドをトレーニングする。 トレーニングされたネットワークは、k-meansに依存した単一ステージのディープクラスタリング手法よりも優れています。
  論文  参考訳（メタデータ） (2021-07-06T08:00:58Z)
• Pre-Trained Models for Heterogeneous Information Networks [57.78194356302626]
  異種情報ネットワークの特徴を捉えるための自己教師付き事前学習・微調整フレームワークPF-HINを提案する。 PF-HINは4つのデータセットにおいて、各タスクにおける最先端の代替よりも一貫して、大幅に優れています。
  論文  参考訳（メタデータ） (2020-07-07T03:36:28Z)

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。