論文の概要: Parameter Efficient Hybrid Transformer (PEHT) for Network Traffic Prediction via Dynamic Urban Congestion Integration
- arxiv url: http://arxiv.org/abs/2606.28274v1
- Date: Fri, 26 Jun 2026 17:17:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.545995
- Title: Parameter Efficient Hybrid Transformer (PEHT) for Network Traffic Prediction via Dynamic Urban Congestion Integration
- Title(参考訳): 動的都市渋滞統合によるネットワーク交通予測のためのパラメータ有効ハイブリッド変圧器(PEHT)
- Abstract要約: 本稿ではそのことを紹介します。
Efficient Hybrid Transformer (PEHT) - ネットワークトラフィック予測フレームワーク。
都市移動と混雑情報をTransformerベースのアーキテクチャに統合する。
実験の結果、PEHTはRMSE、MAE、R2$で最先端のベースラインを上回っていることがわかった。
- 参考スコア(独自算出の注目度): 0.8717253904965373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate network traffic prediction is a critical element for efficient resource allocation in dynamic urban cellular networks. However, prediction remains challenging because network demand is influenced by complex mobility patterns, congestion dynamics, and heterogeneous user behavior. This paper introduces the Parameter-Efficient Hybrid Transformer (PEHT), a network traffic prediction framework that integrates urban mobility and congestion information into a Transformer-based architecture. PEHT separates primary network communication features from secondary urban mobility features and incorporates Low-Rank Adaptation (LoRA) into the Transformer encoder to reduce the number of trainable parameters while maintaining high predictive accuracy. A multimodal fusion strategy then injects external mobility and congestion features into the decoder to improve traffic forecasting. Experiments on the Telecom Italia Milan dataset and multiple synthetic congestion scenarios show that PEHT outperforms state-of-the-art baselines in terms of RMSE, MAE, and $R^2$. The implementation is available in the GitHub repository.
- Abstract(参考訳): 正確なネットワークトラフィック予測は、動的都市セルネットワークにおける効率的な資源配分の鍵となる要素である。
しかし,ネットワークの需要は複雑なモビリティパターン,混雑ダイナミクス,異種ユーザ行動の影響を受けており,予測は依然として困難である。
本稿では,都会のモビリティと混雑情報を統合したネットワークトラフィック予測フレームワークであるパラメータ効率ハイブリッドトランス (PEHT) について紹介する。
PEHTは、二次都市移動機能から主要なネットワーク通信機能を分離し、高い予測精度を維持しながらトレーニング可能なパラメータの数を減らすために、ローランド適応(LoRA)をトランスフォーマーエンコーダに組み込む。
マルチモーダル融合戦略は、トラフィック予測を改善するために、外部モビリティと渋滞機能をデコーダに注入する。
Telecom Italia Milanデータセットと複数の合成渋滞シナリオの実験により、PEHTはRMSE、MAE、および$R^2$で最先端のベースラインを上回っていることが示された。
実装はGitHubリポジトリから入手可能だ。
関連論文リスト
- Spatiotemporal Decision Transformer for Traffic Coordination [1.2099551931618155]
MADT(Multi-Agent Decision Transformer)は、シーケンスモデリング問題としてマルチエージェント信号制御を再構成する新しい手法である。
当社のアプローチでは,過去のトラフィックデータからオフラインで学習することが可能になる。
論文 参考訳(メタデータ) (2026-02-02T23:19:13Z) - 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) - Multi-Scale Diffusion Transformer for Jointly Simulating User Mobility and Mobile Traffic Pattern [20.211463364436202]
MSTDiffはモバイルトラフィックとユーザトラジェクトリの同時シミュレーションのためのマルチスケール拡散変換器である。
トラフィックと軌道生成タスクの最先端のベースラインを超えている。
論文 参考訳(メタデータ) (2025-10-11T10:45:39Z) - CollaPipe: Adaptive Segment-Optimized Pipeline Parallelism for Collaborative LLM Training in Heterogeneous Edge Networks [57.95170323315603]
CollaPipeは、コラボレーティブパイプライン並列性とフェデレーションアグリゲーションを統合し、自己進化型ネットワークをサポートする分散学習フレームワークである。
CollaPipeでは、エンコーダ部分は可変サイズのセグメントに適応的に分割され、パイプライン並列トレーニングのためにモバイルデバイスにデプロイされ、デコーダは生成タスクを処理するためにエッジサーバにデプロイされる。
トレーニング効率を向上させるために,モデルセグメント,マイクロバッチ,帯域幅,送信電力を適応的に割り当てる共同最適化問題を定式化する。
論文 参考訳(メタデータ) (2025-09-24T07:54:01Z) - Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
ネットワーク化された都市システムは人、資源、サービスのフローを促進する。
グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。
本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
論文 参考訳(メタデータ) (2025-07-31T01:24:01Z) - MART: MultiscAle Relational Transformer Networks for Multi-agent Trajectory Prediction [5.8919870666241945]
マルチエージェント軌道予測のためのMultiplescleimat Transformer (MART) ネットワークを提案する。
MARTは、変圧器機械の個人およびグループ動作を考えるためのハイパーグラフトランスフォーマーアーキテクチャである。
さらに,実環境における複雑なグループ関係の推論を目的としたAdaptive Group Estor (AGE)を提案する。
論文 参考訳(メタデータ) (2024-07-31T14:31:49Z) - ST-MambaSync: The Complement of Mamba and Transformers for Spatial-Temporal in Traffic Flow Prediction [36.89741338367832]
本稿では,変圧器技術とST-Mambaブロックを組み合わせた,革新的な交通流予測モデルST-MambaSyncを紹介する。
我々は、トランスフォーマーフレームワーク内でResNetと統合されたアテンションメカニズムであるMambaメカニズムを採用する先駆者です。
論文 参考訳(メタデータ) (2024-04-24T14:41:41Z) - 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) - STAEformer: Spatio-Temporal Adaptive Embedding Makes Vanilla Transformer
SOTA for Traffic Forecasting [10.875804648633832]
適応埋め込み(Adaptive Embedding)と呼ばれる,優れた利得を得られるコンポーネントを提案する。
実験により,本質的な時間的関係と情報トラフィック時系列を捉えることにより,適応的な埋め込みが交通予測において重要な役割を担っていることが示された。
論文 参考訳(メタデータ) (2023-08-21T02:27:13Z) - Cross-receptive Focused Inference Network for Lightweight Image
Super-Resolution [64.25751738088015]
トランスフォーマーに基づく手法は、単一画像超解像(SISR)タスクにおいて顕著な性能を示した。
動的に特徴を抽出するために文脈情報を組み込む必要がある変換器は無視される。
我々は,CNNとTransformerを混合したCTブロックのカスケードで構成される,軽量なクロスレセプティブ・フォーカスド・推論・ネットワーク(CFIN)を提案する。
論文 参考訳(メタデータ) (2022-07-06T16:32:29Z) - Multi-intersection Traffic Optimisation: A Benchmark Dataset and a
Strong Baseline [85.9210953301628]
交通信号の制御は、都市部の交通渋滞の緩和に必要不可欠である。
問題モデリングの複雑さが高いため、現在の作業の実験的な設定はしばしば矛盾する。
エンコーダ・デコーダ構造を用いた深層強化学習に基づく新規で強力なベースラインモデルを提案する。
論文 参考訳(メタデータ) (2021-01-24T03:55:39Z) - Communication Efficient Federated Learning with Energy Awareness over
Wireless Networks [51.645564534597625]
フェデレートラーニング(FL)では、パラメータサーバとモバイルデバイスが無線リンク上でトレーニングパラメータを共有する。
我々は、勾配の符号のみを交換するSignSGDという考え方を採用する。
2つの最適化問題を定式化し、学習性能を最適化する。
FLでは非常に不均一な方法でモバイルデバイスに分散される可能性があることを考慮し,手話に基づくアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-04-15T21:25:13Z)
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。