論文の概要: Denoising Refinement Diffusion Models for Simultaneous Generation of Multi-scale Mobile Network Traffic

• arxiv url: http://arxiv.org/abs/2511.17532v2
• Date: Tue, 25 Nov 2025 03:14:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.24751
• Title: Denoising Refinement Diffusion Models for Simultaneous Generation of Multi-scale Mobile Network Traffic
• Title（参考訳）: マルチスケールモバイルネットワークトラフィックの同時生成のための分極拡散モデル
• Authors: Xiaoqian Qi, Haoye Chai, Sichang Liu, Lei Yue, Raoyuan Pan, Yue Wang, Yong Li,
• Abstract要約: マルチスケールモバイルトラフィック生成のための拡散モデルZoomDiffを提案する。 DRDMはマルチステージノイズ付加・復調機構を採用しており、異なるステージが時間分解能でトラフィックを発生させることができる。 実世界のモバイルトラフィックデータセットの実験によると、ZoomDiffは、マルチスケールトラフィック生成タスクにおける最先端のベースラインよりも少なくとも18.4%改善されている。
• 参考スコア（独自算出の注目度）: 7.300362420979762
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The planning, management, and resource scheduling of cellular mobile networks require joint estimation of mobile traffic across different layers and nodes. Mobile traffic generation can proactively anticipate user demands and capture the dynamics of network load. However, existing methods mainly focus on generating traffic at a single spatiotemporal resolution, making it difficult to jointly model multi-scale traffic patterns. In this paper, we propose ZoomDiff, a diffusion-based model for multi-scale mobile traffic generation. ZoomDiff maps urban environmental context into mobile traffic with multiple spatial and temporal resolutions through a set of customized Denoising Refinement Diffusion Models (DRDM). DRDM employs a multi-stage noise-adding and denoising mechanism, enabling different stages to generate traffic at distinct spatiotemporal resolutions. This design aligns the progressive denoising process with hierarchical network layers, including base stations, cells, and grids of varying granularities. Experiments on real-world mobile traffic datasets show that ZoomDiff achieves at least an 18.4% improvement over state-of-the-art baselines in multi-scale traffic generation tasks. Moreover, ZoomDiff demonstrates strong efficiency and cross-city generalization, highlighting its potential as a powerful generative framework for modeling multi-scale mobile network dynamics.
• Abstract（参考訳）: 携帯電話ネットワークの計画、管理、リソーススケジューリングは、異なる層やノードにわたるモバイルトラフィックを共同で推定する必要がある。 モバイルトラフィック生成は、ユーザの要求を積極的に予測し、ネットワーク負荷のダイナミクスをキャプチャする。 しかし、既存の手法は主に1つの時空間分解能でトラフィックを生成することに焦点を当てており、複数スケールのトラフィックパターンを共同でモデル化することは困難である。 本稿では,マルチスケールモバイルトラフィック生成のための拡散モデルであるZoomDiffを提案する。 ZoomDiffは、カスタマイズされたDenoising Refinement Diffusion Models (DRDM)を通じて、都市環境コンテキストを複数の空間的および時間的解像度でモバイルトラフィックにマッピングする。 DRDMはマルチステージノイズ付加・復調機構を採用しており、異なるステージで異なる時空間分解能でトラフィックを生成することができる。 この設計は、プログレッシブデノナイジングプロセスと、様々な粒度の基地局、セル、グリッドを含む階層的なネットワーク層とを整合させる。 実世界のモバイルトラフィックデータセットの実験によると、ZoomDiffは、マルチスケールトラフィック生成タスクにおける最先端のベースラインよりも少なくとも18.4%改善されている。 さらにZoomDiffは、強力な効率性と都市間一般化を示し、マルチスケールモバイルネットワークのダイナミクスをモデル化するための強力な生成フレームワークとしての可能性を強調している。

関連論文リスト

• Multi-Scale Diffusion Transformer for Jointly Simulating User Mobility and Mobile Traffic Pattern [20.211463364436202]
  MSTDiffはモバイルトラフィックとユーザトラジェクトリの同時シミュレーションのためのマルチスケール拡散変換器である。 トラフィックと軌道生成タスクの最先端のベースラインを超えている。
  論文  参考訳（メタデータ） (2025-10-11T10:45:39Z)
• Aerial Reliable Collaborative Communications for Terrestrial Mobile Users via Evolutionary Multi-Objective Deep Reinforcement Learning [59.660724802286865]
  無人航空機(UAV)は、地上通信を改善するための航空基地局(BS)として登場した。 この作業では、UAV対応仮想アンテナアレイによる協調ビームフォーミングを使用して、UAVから地上モバイルユーザへの伝送性能を向上させる。
  論文  参考訳（メタデータ） (2025-02-09T09:15:47Z)
• 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)
• Adaptive Hierarchical SpatioTemporal Network for Traffic Forecasting [70.66710698485745]
  本稿では,AHSTN(Adaptive Hierarchical SpatioTemporal Network)を提案する。 AHSTNは空間階層を利用し、マルチスケール空間相関をモデル化する。 2つの実世界のデータセットの実験により、AHSTNはいくつかの強いベースラインよりも優れたパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2023-06-15T14:50:27Z)
• 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)
• Decoupled Dynamic Spatial-Temporal Graph Neural Network for Traffic Forecasting [27.82230529014677]
  道路網における交通状況を予測する能力は重要な機能であり、課題である。 近年の時空間グラフニューラルネットワークの提案は,交通データにおける複雑な時空間相関のモデル化において大きな進歩を遂げている。 本稿では,データ駆動方式で拡散と固有トラフィック情報を分離する分散空間時間フレームワーク(DSTF)を提案する。
  論文  参考訳（メタデータ） (2022-06-18T04:14:38Z)
• Short-term passenger flow prediction for multi-traffic modes: A residual network and Transformer based multi-task learning method [21.13073816634534]
  Res-Transformerは、複数交通モードの短期的乗客フロー予測のための学習モデルである。 モデルは北京の2つの大規模な実世界のデータセットで評価される。 本稿では,複数交通モードにおける短時間の乗客フロー予測について,重要な洞察を与えることができる。
  論文  参考訳（メタデータ） (2022-02-27T01:09:19Z)
• Adaptive Multi-receptive Field Spatial-Temporal Graph Convolutional Network for Traffic Forecasting [0.0]
  本稿では,移動基地局のトラフィック動態をモデル化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。 4つの実世界のデータセットの実験では、AMF-STGCNは最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2021-11-01T06:47:42Z)
• Road Network Guided Fine-Grained Urban Traffic Flow Inference [108.64631590347352]
  粗いトラフィックからのきめ細かなトラフィックフローの正確な推測は、新たな重要な問題である。 本稿では,道路ネットワークの知識を活かした新しい道路対応交通流磁化器(RATFM)を提案する。 提案手法は,高品質なトラフィックフローマップを作成できる。
  論文  参考訳（メタデータ） (2021-09-29T07:51:49Z)

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。