論文の概要: Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction

• arxiv url: http://arxiv.org/abs/2601.02694v1
• Date: Tue, 06 Jan 2026 03:58:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:12.793078
• Title: Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction
• Title（参考訳）: どの深層学習者か : ネットワークトラフィック予測のための高度深部予測モデルの精度と効率の体系的評価
• Authors: Eilaf MA Babai, Aalaa MA Babai, Koji Okamura,
• Abstract要約: 本研究は,12種類の高度なTSFモデルを系統的に同定し,評価する。 時間、メモリ、エネルギの観点から、パフォーマンス、異常、データギャップ、外部要因、データ効率、リソース効率を評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Network traffic prediction is essential for automating modern network management. It is a difficult time series forecasting (TSF) problem that has been addressed by Deep Learning (DL) models due to their ability to capture complex patterns. Advances in forecasting, from sophisticated transformer architectures to simple linear models, have improved performance across diverse prediction tasks. However, given the variability of network traffic across network environments and traffic series timescales, it is essential to identify effective deployment choices and modeling directions for network traffic prediction. This study systematically identify and evaluates twelve advanced TSF models -including transformer-based and traditional DL approaches, each with unique advantages for network traffic prediction- against three statistical baselines on four real traffic datasets, across multiple time scales and horizons, assessing performance, robustness to anomalies, data gaps, external factors, data efficiency, and resource efficiency in terms of time, memory, and energy. Results highlight performance regimes, efficiency thresholds, and promising architectures that balance accuracy and efficiency, demonstrating robustness to traffic challenges and suggesting new directions beyond traditional RNNs.
• Abstract（参考訳）: 現代のネットワーク管理を自動化するためには,ネットワークトラフィック予測が不可欠である。 複雑なパターンをキャプチャできるため、ディープラーニング(DL)モデルによって対処されてきた、TSF(時系列予測)の難しい問題である。 高度なトランスフォーマーアーキテクチャから単純な線形モデルへの予測の進歩は、様々な予測タスクのパフォーマンスを改善した。 しかし,ネットワーク環境におけるネットワークトラフィックの変動やトラフィック系列の時間スケールの変動を考えると,ネットワークトラフィック予測のための効果的なデプロイメント選択とモデル化の方向を特定することが不可欠である。 本研究は、トランスフォーマーベースおよび従来のDLアプローチを含む12種類の先進的TSFモデルを体系的に同定し、評価する。ネットワークトラフィック予測には、複数の時間スケールと地平線をまたいだ4つの実トラフィックデータセット上の3つの統計的ベースラインに対して、時間、メモリ、エネルギの観点から、パフォーマンス、異常、データギャップ、外部要因、データ効率、リソース効率の3つの利点がある。 その結果は、精度と効率のバランスを保ち、交通問題に対する堅牢性を実証し、従来のRNNを超える新たな方向性を提案する、パフォーマンスのレシエーション、効率のしきい値、有望なアーキテクチャが強調された。

関連論文リスト

• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• From Optimization to Prediction: Transformer-Based Path-Flow Estimation to the Traffic Assignment Problem [39.36424353588699]
  本研究では、ディープニューラルネットワークを用いて平衡経路を直接予測する新しいデータ駆動手法を提案する。 Transformerベースのモデルは、再計算を必要とせず、需要やネットワーク構造の変化に適応しながら、計算時間を劇的に削減する。 モデルはまた、様々な需要やネットワーク条件に柔軟に対応し、トラフィック管理をサポートし、迅速なWhat-if'分析を可能にする。
  論文  参考訳（メタデータ） (2025-10-22T16:45:12Z)
• Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
  ネットワーク化された都市システムは人、資源、サービスのフローを促進する。 グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。 本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
  論文  参考訳（メタデータ） (2025-07-31T01:24:01Z)
• Research on Cloud Platform Network Traffic Monitoring and Anomaly Detection System based on Large Language Models [5.524069089627854]
  本稿では,大規模言語モデル(LLM)に基づくネットワークトラフィック監視と異常検出システムを提案する。 事前訓練された大言語モデルは、予測可能なネットワークトラフィックを分析し予測し、異常検出層は時間性とコンテキストを考慮する。 その結果,設計したモデルは,検出精度と計算効率において従来の手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-22T07:42:07Z)
• NetFlowGen: Leveraging Generative Pre-training for Network Traffic Dynamics [72.95483148058378]
  我々は,NetFlowレコードからのトラフィックデータのみを用いて,トラフィックダイナミクスをキャプチャする汎用機械学習モデルを事前学習することを提案する。 ネットワーク特徴表現の統一,未ラベルの大規模トラフィックデータ量からの学習,DDoS攻撃検出における下流タスクのテストといった課題に対処する。
  論文  参考訳（メタデータ） (2024-12-30T00:47:49Z)
• RACH Traffic Prediction in Massive Machine Type Communications [5.416701003120508]
  本稿では,ALOHAネットワークにおけるバーストトラフィック予測に適した機械学習ベースのフレームワークを提案する。 我々は,mMTCネットワークから頻繁に収集されたデータを活用することでLSTMネットワークの状態を更新する,新しい低複雑さオンライン予測アルゴリズムを開発した。 本研究では,単一基地局と数千のデバイスを異なるトラフィック発生特性を持つグループに編成したネットワーク上でのフレームワークの性能を評価する。
  論文  参考訳（メタデータ） (2024-05-08T17:28:07Z)
• Energy-Guided Data Sampling for Traffic Prediction with Mini Training Datasets [13.065729535009925]
  本稿では、畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)アーキテクチャを融合して、トラフィックフローのダイナミクスを予測する革新的なソリューションを提案する。 本研究の重要な成果は,小規模な交通システムを対象としたシミュレーションから,大規模交通システムのトレーニングデータをサンプリングできることである。
  論文  参考訳（メタデータ） (2024-03-27T15:57:42Z)
• Transfer Learning Based Efficient Traffic Prediction with Limited Training Data [3.689539481706835]
  インターネットトラフィックの効率的な予測は、積極的な管理を確保するための自己組織化ネットワーク(SON)の不可欠な部分である。 限られた訓練データを用いたネットワークトラフィック予測における深部シーケンスモデルは、現在研究されている研究で広く研究されていない。 不適切な歴史データを用いた交通予測における深層移動学習手法の性能について検討・評価を行った。
  論文  参考訳（メタデータ） (2022-05-09T14:44:39Z)
• TSSRGCN: Temporal Spectral Spatial Retrieval Graph Convolutional Network for Traffic Flow Forecasting [41.87633457352356]
  本稿では,ネットワークのグローバル性と局所性に着目したニューラルネットワークモデルを提案する。 2つの実世界のデータセットの実験により、このモデルが交通データの空間的時間的相関を精査できることが示されている。
  論文  参考訳（メタデータ） (2020-11-30T09:21:43Z)
• Integrated Traffic Simulation-Prediction System using Neural Networks with Application to the Los Angeles International Airport Road Network [39.975268616636]
  提案システムは,最適化に基づくOD行列生成手法と,トラフィックフローのパターンを介してOD行列を予測するニューラルネットワーク(NN)モデルと,微視的トラフィックシミュレータを含む。 ロサンゼルス国際空港(LAX)中央ターミナルエリア(CTA)の道路ネットワーク上で提案システムをテストする。
  論文  参考訳（メタデータ） (2020-08-05T01:41:10Z)

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。