論文の概要: AI-Enhanced Spatial Cellular Traffic Demand Prediction with Contextual Clustering and Error Correction for 5G/6G Planning

• arxiv url: http://arxiv.org/abs/2603.10800v1
• Date: Wed, 11 Mar 2026 14:11:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-12 16:22:32.985906
• Title: AI-Enhanced Spatial Cellular Traffic Demand Prediction with Contextual Clustering and Error Correction for 5G/6G Planning
• Title（参考訳）: 5G/6G計画のためのコンテキストクラスタリングと誤り補正によるAIによる空間セルトラフィック予測
• Authors: Mohamad Alkadamani, Colin Brown, Halim Yanikomeroglu,
• Abstract要約: 空間的自己相関は、単純列車/テストスプリットの下で近所の漏れを引き起こす可能性がある。 本稿では,リークを低減し,空間一般化を改善するAI駆動型フレームワークを提案する。
• 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: Accurate spatial prediction of cellular traffic demand is essential for 5G NR capacity planning, network densification, and data-driven 6G planning. Although machine learning can fuse heterogeneous geospatial and socio-economic layers to estimate fine-grained demand maps, spatial autocorrelation can cause neighborhood leakage under naive train/test splits, inflating accuracy and weakening planning reliability. This paper presents an AI-driven framework that reduces leakage and improves spatial generalization via a context-aware two-stage splitting strategy with residual spatial error correction. Experiments using crowdsourced usage indicators across five major Canadian cities show consistent mean absolute error (MAE) reductions relative to location-only clustering, supporting more reliable bandwidth provisioning and evidence-based spectrum planning and sharing assessments.
• Abstract（参考訳）: 5G NRキャパシティプランニング,ネットワーク密度化,データ駆動6Gプランニングには,正確なセルトラフィック需要予測が不可欠である。 機械学習は不均一な地理空間層と社会経済層を融合させて細粒度の需要マップを推定するが、空間的自己相関は、単純な列車/テストの分割の下で近所の漏れを生じさせ、精度を膨らませ、計画の信頼性を弱める。 本稿では,余剰空間誤差補正を伴う文脈認識型2段階分割戦略により,漏洩を低減し,空間一般化を改善するAI駆動型フレームワークを提案する。 カナダの主要都市5都市を対象としたクラウドソースを用いた実験では、ロケーションのみのクラスタリングと比較して、一貫した平均絶対誤差(MAE)が減少し、より信頼性の高い帯域供給とエビデンスベースのスペクトル計画と共有アセスメントがサポートされている。

関連論文リスト

• Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs [0.07456526005219317]
  予測のための最も情報性の高い空間コンテキストを保存しながら、冗長な隣接特徴をフィルタリングする適応型プルーニングアルゴリズムを提案する。 このアルゴリズムは、最近のモデル性能に基づいてプルーニング率を調整し、各クラウドレットが精度を損なうことなく、トラフィックの変化を経験する領域に集中できるようにする。 当社のアプローチは,従来のFL,サーバフリーFL,Gossip Learningを併用した,大規模トラフィックデータセットのオンライン半分散環境で評価する。
  論文  参考訳（メタデータ） (2025-12-19T08:48:36Z)
• 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)
• Spatio-temporal Prediction of Fine-Grained Origin-Destination Matrices with Applications in Ridesharing [14.537612238247565]
  本稿では,データ空間の疎結合を緩和するための教師なし空間粗大化技術と,意味的および地理的依存関係の両方をキャプチャするエンコーダ・デコーダ・アーキテクチャとを組み合わせたOD-CEDを紹介する。 従来の統計手法に比べて、ルート平均二乗誤差が最大45%減少し、平均絶対パーセンテージ誤差が60%減少した。
  論文  参考訳（メタデータ） (2025-03-31T15:52:27Z)
• Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study [8.027373700091331]
  交通流、温度、犯罪率などの都市予測タスクは、効率的な都市計画と管理に不可欠である。 既存の時空間グラフニューラルネットワーク(ST-GNN)は、その予測における空間的および人口的格差を見越して、精度にのみ依存することが多い。 本研究では,Residual-Aware Attention (RAA) ブロックと,これらの相違に対処するための等価性向上損失関数を導入する。
  論文  参考訳（メタデータ） (2025-01-20T01:28:49Z)
• 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)
• A Robust Machine Learning Approach for Path Loss Prediction in 5G Networks with Nested Cross Validation [0.6138671548064356]
  5Gネットワークシステムにおいて,従来の経路損失予測モデルを克服する機械学習(ML)手法を用いて経路損失予測を行う。 まず,中国北京の都市マクロセルシナリオで実施した総合的な計測キャンペーンから得られたデータセットを取得する。 我々は、経路損失を予測するために、サポートベクトル回帰(SVR)、キャットブースト回帰(CBR)、eXtreme Gradient Boosting Regression(XGBR)、人工ニューラルネットワーク(ANN)、ランダムフォレスト(RF)メソッドをデプロイし、平均絶対誤差(MAE)、平均平方誤差(MSE)で予測結果を比較した。
  論文  参考訳（メタデータ） (2023-10-02T09:21:58Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• 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)
• Federated Learning for 5G Base Station Traffic Forecasting [0.0]
  基地局LTEデータに分散学習を適用した時系列予測の有効性について検討した。 この結果から,フェデレートされた設定に適応した学習アーキテクチャは,集中型設定に等価な予測誤差をもたらすことがわかった。 さらに,基地局における前処理技術により予測精度が向上する一方,先進的な統合アグリゲータは単純なアプローチを超越しない。
  論文  参考訳（メタデータ） (2022-11-28T11:03:29Z)

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。