論文の概要: PRB-RUPFormer: A Recursive Unified Probabilistic Transformer for Residual PRB Forecasting

• arxiv url: http://arxiv.org/abs/2605.15363v1
• Date: Thu, 14 May 2026 19:42:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.074285
• Title: PRB-RUPFormer: A Recursive Unified Probabilistic Transformer for Residual PRB Forecasting
• Title（参考訳）: PRB-RUPFormer:残差PRB予測のための再帰的統一確率変換器
• Authors: Saad Masrur, Yuxuan Jiang, Matti Hiltunen, Ajay Rajkumar, Ismail Guvenc,
• Abstract要約: 本稿では,残差PRB予測のための統一確率変換器を提案する。 単一共有モデルは、eNBのすべてのキャリアとセクターでトレーニングされ、計算オーバーヘッドの少ない共同トラフィックダイナミクスの効率的な学習を可能にする。 確率認識予測は、動的キャリアアクティベーション、混雑回避、プロアクティブスペクトル共有などのスペクトル対応RAN関数を直接サポートする。
• 参考スコア（独自算出の注目度）: 0.873988874118547
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of residual Physical Resource Blocks (PRBs) is critical for proactive network slice provisioning, energy-efficient operation, and spectrum-aware decision making in cellular systems, where residual PRBs serve as a practical proxy for short- and medium-term spectrum availability. Existing PRB prediction methods typically rely only on historical PRB values and are trained independently per carrier or sector, limiting their ability to capture cross-carrier dependencies and providing no measure of forecast uncertainty. Moreover, point forecasts alone are insufficient for robust spectrum-aware control under highly variable traffic conditions. This paper proposes PRB-RUPFormer, a recursive unified probabilistic Transformer for residual PRB forecasting. The proposed model jointly processes multivariate KPI time series using temporal, seasonal, and carrier-aware embeddings, preserving inter-metric temporal coupling during recursive rollout and stabilizing long-horizon forecasting. A single shared model is trained across all carriers and sectors of an eNB, enabling efficient learning of joint traffic dynamics with low computational overhead. Forecast uncertainty is captured through quantile-based prediction intervals, providing confidence-aware estimates of future PRB availability. Evaluations on six months of commercial LTE network data from multiple U.S. locations demonstrate median MAE below 0.05 and hit probabilities above 0.80 for both one-day and seven-day recursive forecasts. These probabilistic predictions directly support spectrum-aware RAN functions such as dynamic carrier activation, congestion avoidance, and proactive spectrum sharing, making the proposed framework well-suited for dynamic spectrum access scenarios.
• Abstract（参考訳）: 残余物理資源ブロック (PRB) の正確な予測は, ネットワークスライス, エネルギー効率の高い操作, およびスペクトル認識決定において重要である。 既存のPRB予測手法は、典型的には歴史的PRBの値にのみ依存し、キャリアやセクターごとに独立して訓練され、キャリア間の依存関係を捕捉し、予測の不確実性を測定する能力を制限する。 さらに、高度に可変な交通条件下でのスペクトル認識制御には、点予測だけでは不十分である。 本稿では,残差PRB予測のための再帰的統一確率変換器であるPRB-RUPFormerを提案する。 提案モデルでは, 時間差, 季節差, キャリア認識によるKPI時系列を同時処理し, 再帰的ロールアウト時の時間間結合を保ち, 長期予測の安定化を図る。 単一の共有モデルは、eNBのすべてのキャリアとセクターでトレーニングされ、計算オーバーヘッドの少ない共同トラフィックダイナミクスの効率的な学習を可能にする。 予測の不確実性は、量子的ベースの予測間隔を通じて捕捉され、将来のRBB可用性の信頼性を考慮した推定を提供する。 米国内の複数の地域からの6ヶ月の商用LTEネットワークデータの評価では、中央値のMAEが0.05を下回り、1日と7日の繰り返し予測で0.80を超える確率に達した。 これらの確率的予測は、動的キャリアアクティベーション、混雑回避、プロアクティブスペクトル共有などのスペクトル対応RAN関数を直接サポートし、提案フレームワークは動的スペクトルアクセスシナリオに適している。

関連論文リスト

• EMFusion: Conditional Diffusion Framework for Trustworthy Frequency Selective EMF Forecasting in Wireless Networks [16.779358331828327]
  本稿では,条件付き多変量拡散に基づく確率予測フレームワークEMFusionを紹介する。 様々な状況要因(例えば、日時、季節、休日など)を統合し、明確な不確実性評価を提供する。 周波数選択型EMFデータセットを用いた数値実験により,作業時間の文脈情報を用いたEMFusionがベースライン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） (2025-12-17T04:12:52Z)
• EMForecaster: A Deep Learning Framework for Time Series Forecasting in Wireless Networks with Distribution-Free Uncertainty Quantification [11.88654374102813]
  我々は、textitEMForecasterと呼ばれるディープラーニング(DL)時系列予測フレームワークを開発した。 EMForecasterは、短期と長期の両方の予測地平線にまたがって、さまざまなデータセットで優れたパフォーマンスを実現している。 ポイント予測タスクでは、EMForecasterは現在の最先端のDLアプローチを大きく上回り、Transformerアーキテクチャよりも53.97%、ベースラインモデルの平均より38.44%改善している。
  論文  参考訳（メタデータ） (2025-03-31T18:10:08Z)
• On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN [2.526444902695476]
  持続可能なOpen Radio Access Network(O-RAN)アーキテクチャへの移行は、リソース管理に新たな課題をもたらす。 本稿では,確率的予測手法を用いて物理資源ブロック(PRB)負荷を特徴付ける新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T15:25:20Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。