論文の概要: TUBO: A Tailored ML Framework for Reliable Network Traffic Forecasting

• arxiv url: http://arxiv.org/abs/2602.11759v1
• Date: Thu, 12 Feb 2026 09:35:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-13 21:07:25.749028
• Title: TUBO: A Tailored ML Framework for Reliable Network Traffic Forecasting
• Title（参考訳）: TUBO: 信頼性の高いネットワークトラフィック予測のためのMLフレームワーク
• Authors: Zhihang Yuan, Leyang Xue, Waleed Ahsan, Mahesh K. Marina,
• Abstract要約: 本稿では,信頼性の高いネットワークトラフィック予測用に設計された,新しい機械学習フレームワークTUBOを紹介する。 TuBOには,重要なトラフィック変動を処理するバースト処理と,さまざまなトラフィックパターンに対応するモデル選択という,2つの重要なコンポーネントがある。 TuBOは、既存の予測精度の手法(4倍)を大幅に上回り、バースト発生予測において最大94%の精度を達成する。
• 参考スコア（独自算出の注目度）: 12.195177566806393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic forecasting based network operation optimization and management offers enormous promise but also presents significant challenges from traffic forecasting perspective. While deep learning models have proven to be relatively more effective than traditional statistical methods for time series forecasting, their reliability is not satisfactory due to their inability to effectively handle unique characteristics of network traffic. In particular, the burst and complex traffic patterns makes the existing models less reliable, as each type of deep learning model has limited capability in capturing traffic patterns. To address this issue, we introduce TUBO, a novel machine learning framework custom designed for reliable network traffic forecasting. TUBO features two key components: burst processing for handling significant traffic fluctuations and model selection for adapting to varying traffic patterns using a pool of models. A standout feature of TUBO is its ability to provide deterministic predictions along with quantified uncertainty, which serves as a cue for identifying the most reliable forecasts. Evaluations on three real-world network demand matrix (DM) datasets (Abilene, GEANT, and CERNET) show that TUBO significantly outperforms existing methods on forecasting accuracy (by 4 times), and also achieves up to 94% accuracy in burst occurrence forecasting. Furthermore, we also consider traffic demand forecasting based proactive traffic engineering (TE) as a downstream use case. Our results show that compared to reactive approaches and proactive TE using the best existing DM forecasting methods, proactive TE powered by TUBO improves aggregated throughput by 9 times and 3 times, respectively.
• Abstract（参考訳）: 交通予測に基づくネットワーク運用の最適化と管理は、大きな約束を提供するが、交通予測の観点からも大きな課題も提示する。 ディープラーニングモデルは、時系列予測の従来の統計手法よりも比較的効果的であることが証明されているが、ネットワークトラフィックのユニークな特性を効果的に扱えないため、信頼性は不十分である。 特に、バーストかつ複雑なトラフィックパターンは、各タイプのディープラーニングモデルがトラフィックパターンをキャプチャする能力に制限があるため、既存のモデルの信頼性を低下させる。 この問題に対処するために,信頼性の高いネットワークトラフィック予測用に設計された新しい機械学習フレームワークTUBOを紹介する。 TUBOは、重要なトラフィック変動を処理するバースト処理と、モデルのプールを使用してさまざまなトラフィックパターンに適応するためのモデル選択の2つの重要なコンポーネントを備えている。 TUBOの際立った特徴は、決定論的予測と定量化された不確実性を提供することであり、最も信頼できる予測を特定するための手がかりとなる。 3つの実世界のネットワーク需要行列(DM)データセット(Abilene, GEANT, CERNET)の評価は、TUBOが既存の予測精度(4倍)を著しく上回り、バースト発生予測において最大94%の精度を達成していることを示している。 さらに,交通需要予測に基づく積極的交通工学(TE)を下流ユースケースとして検討した。 以上の結果から, 既存のDM予測手法を用いた反応性アプローチと能動的TEと比較して, TUBOを用いた能動的TEは, それぞれ9倍, 3倍のスループットを向上することがわかった。

関連論文リスト

• Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction [0.0]
  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。
  論文  参考訳（メタデータ） (2026-01-06T03:58:57Z)
• RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting [29.01605113478814]
  PTFFのための時間的主成分学習とドメイン固有の輸送理論を統合した道路インピーダンス主成分ネットワークであるRIPCNを提案する。 RIPCNは、渋滞レベルと流動変動によって引き起こされる交通伝達パターンをキャプチャし、不確実性の直接的な原因を明らかにし、信頼性と解釈可能性の両方を高める。
  論文  参考訳（メタデータ） (2025-12-25T14:08:50Z)
• Using Causality for Enhanced Prediction of Web Traffic Time Series [40.41423341997987]
  本稿では,サービス間の因果関係を抽出する効果的なニューラルネットワークモジュールCCMPlusを提案する。 本手法は,MSE(Mean Squared Error)とMAE(Mean Absolute Error)の最先端手法を超越して,サービストラフィック時系列の予測を行う。
  論文  参考訳（メタデータ） (2025-02-02T00:36:40Z)
• Causally-Aware Spatio-Temporal Multi-Graph Convolution Network for Accurate and Reliable Traffic Prediction [5.200012764049096]
  本研究は,高精度かつ信頼性の高い予測を行うための高度な深層学習モデルを実証するために,時間的問題-トラヒック予測の事例に焦点を当てた。 本稿では,3つの主要コンポーネントを有効活用し,高精度かつ信頼性の高いトラフィック予測を行う,エンドツーエンドのトラフィック予測フレームワークを提案する。 2つの実世界の交通データセットの実験結果から,この手法は予測精度においていくつかの最先端モデルより優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T14:35:54Z)
• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• Towards Explainable Traffic Flow Prediction with Large Language Models [36.86937188565623]
  本稿では,Large Language Models (LLMs) に基づく交通流予測モデルを提案する。 マルチモーダルなトラフィックデータを自然言語記述に転送することで、xTP-LLMは複雑な時系列パターンと外部要因を包括的なトラフィックデータからキャプチャする。 経験的に、xTP-LLMは、ディープラーニングのベースラインと比較して、競争の正確さを示すと同時に、予測の直感的で信頼性の高い説明を提供する。
  論文  参考訳（メタデータ） (2024-04-03T07:14:15Z)
• TrafPS: A Shapley-based Visual Analytics Approach to Interpret Traffic [39.8945062366245]
  TrafPSは、交通管理と都市計画における意思決定を支援するために、交通予測結果の視覚的分析手法である。 ドメインエキスパートのタスク要求に基づき,多視点探索と重要なフローパターンの解析にインタラクティブなビジュアルインタフェースを用いる。 2つの実世界のケーススタディは、TrafPSが重要なルートを特定し、都市計画における意思決定支援に有効であることを実証している。
  論文  参考訳（メタデータ） (2024-03-07T01:00:55Z)
• Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting [42.640766130080415]
  本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。 次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
  論文  参考訳（メタデータ） (2023-12-25T14:29:09Z)
• A Comparative Study of Loss Functions: Traffic Predictions in Regular and Congestion Scenarios [0.0]
  本稿では、重み解析と不均衡な分類問題から着想を得た種々の損失関数を探索し、この問題に対処する。 平均絶対誤差(MAE)を最適化する場合,MAE-Focal Loss関数が最も有効であることがわかった。 本研究は,混雑による急激な速度変化を予測する深層学習モデルの能力を高める。
  論文  参考訳（メタデータ） (2023-08-29T17:44:02Z)
• Deep Echo State Networks for Short-Term Traffic Forecasting: Performance Comparison and Statistical Assessment [8.586891288891263]
  短期的な交通予測では、関心のある交通パラメータの将来の値を正確に予測することが目的である。 Deep Echo State Networksは、考慮されている他のモデリングモデルよりも正確なトラフィック予測を実現している。
  論文  参考訳（メタデータ） (2020-04-17T11:07:25Z)

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。