論文の概要: Cellular Predictions on the Move: What about Data?

• arxiv url: http://arxiv.org/abs/2606.25709v1
• Date: Wed, 24 Jun 2026 11:21:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:05:30.316757
• Title: Cellular Predictions on the Move: What about Data?
• Title（参考訳）: 移動中の細胞予測:データはどうか?
• Abstract要約: 本稿では,モバイルデータトラフィックの時系列化に加えて,セルラートラフィック源の潜在的数とその移動量といった人口動態を特徴付けることを提案する。 総合的な実験では、これらのデータのみを使用することで、60ドルのオーダーで予測の改善が示される。
• 参考スコア（独自算出の注目度）: 0.15039745292757667
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mobile cellular load forecasting is native to network resource optimization and delivery of services with reliability, latency and quality guarantees. The mainstream of machine learning research in the area is focused primarily on developing powerful learning structures for improved prediction accuracy. The data used for forecasting traditionally belong to the cellular domain and at most contain exogenous information about the surroundings of the base stations. We approach the prediction task from the perspective of data as a vital component of any data learning process. We hypothesize that substantial improvements could be achieved when the data inform on the processes that create the cellular load. Specifically, we propose to characterize the population dynamics -- the potential number of cellular traffic sources and their mobility -- in addition to employing historical time series of mobile data traffic. We validate our hypothesis for the rarely examined highway scenario. Comprehensive experiments show forecasting improvements on the order of $60\%$ due to the use of these data alone.
• Abstract（参考訳）: モバイルのセルラーロード予測は、信頼性、レイテンシ、品質保証を備えたサービスのネットワークリソース最適化と配信にネイティブである。 この分野における機械学習研究の主流は、予測精度を向上させるための強力な学習構造の開発に重点を置いている。 予測に使用されるデータは、伝統的に細胞ドメインに属し、ほとんどの場合、基地局の周囲に関する外因性情報を含んでいる。 我々は,データ学習プロセスにおいて重要な要素であるデータの観点から,予測タスクにアプローチする。 我々は、データが細胞負荷を生成するプロセスに通知すると、大幅な改善が達成できると仮定する。 具体的には,モバイルデータトラフィックの時系列化に加えて,セルラートラフィック源の潜在的数とその移動量といった人口動態を特徴付けることを提案する。 めったに検討されていない高速道路のシナリオの仮説を検証する。 総合的な実験では、これらのデータのみを使用することで、$60\%のオーダーで予測される改善が示されている。

関連論文リスト

• Efficient and Privacy-Preserving Distribution Statistics Analytics on Mobile Spatial Data [76.32349627923843]
  空間データに対する効率的な分散統計解析は、リアルタイムなモバイルコンピューティングアプリケーションにとって不可欠である。 既存のプライバシー保護技術は、過度のオーバーヘッドや不正確さをもたらすことが多い。 本稿では,移動空間データに対する効率的かつプライバシ保護型分布統計解析を支援する最初のシステムの設計,実装,評価を行う。
  論文  参考訳（メタデータ） (2026-05-25T12:37:27Z)
• Multi-grained spatial-temporal feature complementarity for accurate online cellular traffic prediction [25.37334609319972]
  提案手法は,現実的な連続予測シナリオにおいて高精度な予測を実現するために考案された。 4つの実世界のデータセットで実施された実験は、MGSTCが11の最先端のベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-01T05:33:32Z)
• Cellular Traffic Prediction via Deep State Space Models with Attention Mechanism [4.372157417558764]
  本稿では,隣接する細胞間のセルトラフィックのパターンを明確に特徴付けるために,2つの変種を持つエンドツーエンドフレームワークを提案する。 空間力学を捉えるための注意機構を備えた畳み込みニューラルネットワークと、時間分解のためのカルマンフィルタを使用する。 実世界の3つのデータセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2025-05-26T04:32:15Z)
• Data Matters: The Case of Predicting Mobile Cellular Traffic [0.5939858158928474]
  本稿では, 人口動態データを用いて, 細胞負荷発生の過程を学習することを提案する。 本研究では,スマート道路に着目し,道路交通対策を用いて予測精度を向上させる。 総合的な実験により、道路の流れと速度を利用することで、セルラーネットワークのメトリクスに加えて、基地局の負荷予測誤差を大幅に低減できることが示された。
  論文  参考訳（メタデータ） (2024-10-21T11:30:13Z)
• Learning Cellular Network Connection Quality with Conformal [5.695027198038298]
  我々は不確実性マップを構築するための新しい共形予測手法を導入する。 我々は、目標とする手動データ収集を優先するために、不確実性の高い地域を特定する。 また,提案手法は,研究者が高品質なデータを選択的に収集するためのサンプリング戦略にも繋がる。
  論文  参考訳（メタデータ） (2024-06-04T19:33:00Z)
• QoS prediction in radio vehicular environments via prior user information [54.853542701389074]
  セルラーテストネットワークから収集したデータを用いて,時間帯を予測するためのMLツリーアンサンブル手法の評価を行った。 具体的には、先行車両の情報を含め、無線環境から得られる測定値の相関を利用して、目標車両の予測を強化する。
  論文  参考訳（メタデータ） (2024-02-27T17:05:41Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• On the road to more accurate mobile cellular traffic predictions [0.0]
  我々は、セル上の短期的な将来の負荷を予測するために、ハイウェイフローと平均速度変数とセルネットワークトラフィックメトリクスを併用する。 これは、主に都市のシナリオを研究する先行技術とは対照的である。 学習構造は、セルまたはエッジレベルで使用することができ、フェデレーション付き学習と集中型学習の両方に適用できる。
  論文  参考訳（メタデータ） (2023-05-24T15:18:46Z)
• Meta-Learning over Time for Destination Prediction Tasks [53.12827614887103]
  交通分野における公共目的と民間目標の両方を、車両の行動を理解し、予測する必要がある。 近年の研究では、時間情報の導入による予測性能の限界改善しか見出されていない。 本稿では、ニューラルネットワークが入力に応じて自身の重みを変えることを学習するハイパーネットワークに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T17:58:12Z)
• Urban Sensing based on Mobile Phone Data: Approaches, Applications and Challenges [67.71975391801257]
  モバイルデータ分析における多くの関心は、人間とその行動に関連している。 本研究の目的は,携帯電話データから知識を発見するために実装された手法や手法をレビューすることである。
  論文  参考訳（メタデータ） (2020-08-29T15:14:03Z)

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。