論文の概要: AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation
- arxiv url: http://arxiv.org/abs/2603.09916v1
- Date: Tue, 10 Mar 2026 17:11:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-11 15:25:24.492909
- Title: AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation
- Title（参考訳）: スペクトル需要推定のためのAIによるデータ駆動インテリジェンス
- Authors: Colin Brown, Mohamad Alkadamani, Halim Yanikomeroglu,
- Abstract要約: 本稿では、人工知能(AI)と機械学習(ML)を活用して、スペクトル需要を推定・管理するデータ駆動型アプローチを提案する。
このアプローチでは、サイトライセンスデータから、クラウドソースデータから派生した、スペクトル需要の複数のプロキシを使用する。
提案されたMLモデルは、カナダの5つの主要都市でテストされ、検証され、その一般化性と堅牢性を示す。
- 参考スコア（独自算出の注目度）: 17.409018763425
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Accurately forecasting spectrum demand is a key component for efficient spectrum resource allocation and management. With the rapid growth in demand for wireless services, mobile network operators and regulators face increasing challenges in ensuring adequate spectrum availability. This paper presents a data-driven approach leveraging artificial intelligence (AI) and machine learning (ML) to estimate and manage spectrum demand. The approach uses multiple proxies of spectrum demand, drawing from site license data and derived from crowdsourced data. These proxies are validated against real-world mobile network traffic data to ensure reliability, achieving an R$^2$ value of 0.89 for an enhanced proxy. The proposed ML models are tested and validated across five major Canadian cities, demonstrating their generalizability and robustness. These contributions assist spectrum regulators in dynamic spectrum planning, enabling better resource allocation and policy adjustments to meet future network demands.
- Abstract（参考訳）: スペクトル需要の正確な予測は、効率的なスペクトル資源割り当てと管理の鍵となる要素である。
無線サービスの需要が急増する中で、モバイルネットワーク事業者や規制機関は、適切なスペクトルの可用性を確保することの難しさに直面している。
本稿では、人工知能(AI)と機械学習(ML)を活用して、スペクトル需要を推定・管理するデータ駆動型アプローチを提案する。
このアプローチは、サイトライセンスデータから、クラウドソースデータから派生した、スペクトル需要の複数のプロキシを使用する。
これらのプロキシは、信頼性を確保するために、実世界のモバイルネットワークトラフィックデータに対して検証され、強化されたプロキシに対してR$^2$値0.89を達成する。
提案されたMLモデルは、カナダの5つの主要都市でテストされ、検証され、その一般化性と堅牢性を示す。
これらのコントリビューションは、ダイナミックスペクトル計画におけるスペクトル規制の助けとなり、将来のネットワーク要求を満たすために、より良いリソース割り当てとポリシー調整を可能にします。
関連論文リスト
- Towards Flexible Spectrum Access: Data-Driven Insights into Spectrum Demand [17.409018763425]
本稿では,空間上のスペクトル需要変動を推定するためのデータ駆動手法を提案する。
地理空間分析と機械学習を活用して、カナダにおけるケーススタディに適用する。
提案モデルでは,ある都市部で訓練を行った場合のスペクトル需要の70%を計測し,別の都市部で試験を行った。
論文 参考訳（メタデータ） (2026-03-10T17:34:16Z) - A Graph-Based Approach to Spectrum Demand Prediction Using Hierarchical Attention Networks [17.409018763425]
本稿では,地理空間データを用いたスペクトル需要予測を目的とした階層分解能グラフアテンションネットワークモデルHR-GATを提案する。
HR-GATはカナダの5大都市でテストされており、8つのベースラインモデルに対してスペクトル需要の予測精度を21%改善している。
論文 参考訳（メタデータ） (2026-03-10T16:20:51Z) - Large Language Model (LLM)-enabled Reinforcement Learning for Wireless Network Optimization [79.27012080083603]
大型言語モデル(LLM)は、無線ネットワークにおける強化学習を強化するための有望なツールを提供する。
マルチエージェント強化学習フレームワークを強化するために,LLM支援状態表現と意味抽出を提案する。
論文 参考訳（メタデータ） (2026-01-15T01:42:39Z) - Data-Driven Spectrum Demand Prediction: A Spatio-Temporal Framework with Transfer Learning [16.609540158400495]
本稿では,クラウドソーシングされたユーザサイドキーパフォーマンス指標(KPI)とデータセットを利用して,スペクトル需要を予測する効果的な規制予測フレームワークを提案する。
提案手法は, 高度な特徴工学, 包括的相関解析, 伝達学習技術を導入することにより, 予測精度と地域間一般化性を向上する。
論文 参考訳（メタデータ） (2025-08-05T19:24:55Z) - SpectrumFM: Redefining Spectrum Cognition via Foundation Modeling [65.65474629224558]
本稿ではスペクトル認識のための新しいパラダイムを提供するスペクトルFMと呼ばれるスペクトル基盤モデルを提案する。
畳み込みニューラルネットワークを利用した革新的なスペクトルエンコーダを提案し、スペクトルデータにおける微細な局所信号構造と高レベルのグローバルな依存関係の両方を効果的に捕捉する。
2つの新しい自己教師型学習タスク、すなわちマスク付き再構成と次のスロット信号予測が、SpectrumFMの事前学習のために開発され、モデルがリッチで伝達可能な表現を学習できるようにする。
論文 参考訳（メタデータ） (2025-08-02T14:40:50Z) - SpectrumFM: A Foundation Model for Intelligent Spectrum Management [99.08036558911242]
既存のインテリジェントスペクトル管理手法は、通常は小規模モデルに基づいており、認識精度、収束速度、一般化の顕著な制限に悩まされている。
本稿では、スペクトルFMと呼ばれる新しいスペクトル基盤モデルを提案し、スペクトル管理のための新しいパラダイムを確立する。
実験により、SpectrumFMは精度、堅牢性、適応性、少数ショット学習効率、収束速度の点で優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-05-02T04:06:39Z) - Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。
本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。
次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
論文 参考訳（メタデータ） (2025-02-21T14:36:12Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Federated Dynamic Spectrum Access [29.302039892247787]
動的スペクトラムアクセス(DSA)タスクのためのフェデレートラーニング(FL)ベースのフレームワークを提案する。
FLは、異種データ分散下でネットワーク端末のプライバシを保護できる分散機械学習フレームワークである。
論文 参考訳（メタデータ） (2021-06-28T20:49:41Z)
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。