論文の概要: Sim-MSTNet: sim2real based Multi-task SpatioTemporal Network Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2601.21384v1
• Date: Thu, 29 Jan 2026 08:20:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-30 16:22:49.665154
• Title: Sim-MSTNet: sim2real based Multi-task SpatioTemporal Network Traffic Forecasting
• Title（参考訳）: Sim-MSTNet: sim2realベースのマルチタスク時空間ネットワークトラフィック予測
• Authors: Hui Ma, Qingzhong Li, Jin Wang, Jie Wu, Shaoyu Dou, Li Feng, Xinjun Pei,
• Abstract要約: SIM2realアプローチに基づくネットワークトラフィック予測シミュレータSim-MSTNetを提案する。 本手法は,データ不足による一般化不良問題に効果的に対処する合成データを生成する。 実験の結果,Sim-MSTNetは最先端のベースラインを一貫して上回っていることがわかった。
• 参考スコア（独自算出の注目度）: 12.102656041220783
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Network traffic forecasting plays a crucial role in intelligent network operations, but existing techniques often perform poorly when faced with limited data. Additionally, multi-task learning methods struggle with task imbalance and negative transfer, especially when modeling various service types. To overcome these challenges, we propose Sim-MSTNet, a multi-task spatiotemporal network traffic forecasting model based on the sim2real approach. Our method leverages a simulator to generate synthetic data, effectively addressing the issue of poor generalization caused by data scarcity. By employing a domain randomization technique, we reduce the distributional gap between synthetic and real data through bi-level optimization of both sample weighting and model training. Moreover, Sim-MSTNet incorporates attention-based mechanisms to selectively share knowledge between tasks and applies dynamic loss weighting to balance task objectives. Extensive experiments on two open-source datasets show that Sim-MSTNet consistently outperforms state-of-the-art baselines, achieving enhanced accuracy and generalization.
• Abstract（参考訳）: ネットワークトラフィック予測はインテリジェントなネットワーク操作において重要な役割を担っているが、既存の技術は限られたデータに直面すると性能が悪くなることが多い。 さらに、マルチタスク学習手法はタスクの不均衡や負の転送に苦慮する。 これらの課題を克服するために,sim2realアプローチに基づくマルチタスク時空間ネットワークトラフィック予測モデルであるSim-MSTNetを提案する。 本手法は,データ不足による一般化の貧弱な問題に効果的に対処するため,シミュレータを用いて合成データを生成する。 領域ランダム化手法を用いることで,サンプル重み付けとモデルトレーニングの両レベル最適化により,合成データと実データ間の分布ギャップを小さくする。 さらに、Sim-MSTNetは、タスク間の知識を選択的に共有するアテンションベースのメカニズムを導入し、タスク目標のバランスに動的損失重み付けを適用する。 2つのオープンソースデータセットに対する大規模な実験により、Sim-MSTNetは最先端のベースラインを一貫して上回り、精度の向上と一般化を実現している。

関連論文リスト

• Learning traffic flows: Graph Neural Networks for Metamodelling Traffic Assignment [1.078439500019266]
  トラヒックアサインメント問題(Traffic Assignment Problem)は、特に大規模ネットワークにおいて、交通モデリングにおける基本的な作業である。 従来の手法では、反復的なシミュレーションを平衡に到達させ、リアルタイムまたは大規模シナリオ分析を困難にしている。 本稿では,ユーザ平衡割当の平衡フローを近似するメタモデルとして,メッセージパッシングニューラルネットワークを用いた学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-16T13:25:22Z)
• World Model-Based Learning for Long-Term Age of Information Minimization in Vehicular Networks [53.98633183204453]
  本稿では,車載ネットワークにおけるパケット完全性認識情報(CAoI)の年齢を最小化するために,新しい世界モデルに基づく学習フレームワークを提案する。 mmWave V2X環境の動的モデルを共同で学習し、リンクスケジューリングの方法を学ぶための軌跡を想像するために使用する世界モデルフレームワークを提案する。 特に、長期的な政策は環境相互作用の代わりに、異なる想像軌道で学習される。
  論文  参考訳（メタデータ） (2025-05-03T06:23:18Z)
• DG-STMTL: A Novel Graph Convolutional Network for Multi-Task Spatio-Temporal Traffic Forecasting [0.0]
  正確な予測の鍵となる課題は、複雑な時間的依存関係をモデル化し、データ固有のダイナミクスに適応する方法である。 従来のグラフコンテンポラルネットワーク(GCN)は、バイアスや学習可能なパターンを導入する静的な隣接行列に悩まされることが多い。 本研究では,新しいMTLフレームワークDGS-TLTM(Dynamic Group-wise S-temporal Multi-Temporal Learning)を提案する。
  論文  参考訳（メタデータ） (2025-04-10T15:00:20Z)
• Learning for Cross-Layer Resource Allocation in MEC-Aided Cell-Free Networks [71.30914500714262]
  移動エッジコンピューティング(MEC)を援用したセルフリーネットワーク上でのクロスレイヤリソース割り当ては、データレートを促進するために、送信およびコンピューティングリソースを十分に活用することができる。 深層学習の観点からMEC支援セルフリーネットワークのサブキャリア配置とビームフォーミング最適化について検討した。
  論文  参考訳（メタデータ） (2024-12-21T10:18:55Z)
• 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)
• Learning-based adaption of robotic friction models [50.72489248401199]
  我々は、可能な限り少ないデータを用いて、既存の摩擦モデルを新しいダイナミクスに適用するための新しいアプローチを導入する。 本手法はトレーニング中に外部負荷を伴うデータに依存しないため,外部トルクセンサは不要である。
  論文  参考訳（メタデータ） (2023-10-25T14:50:15Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Multi-intersection Traffic Optimisation: A Benchmark Dataset and a Strong Baseline [85.9210953301628]
  交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。 問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。 エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2021-01-24T03:55:39Z)

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。