論文の概要: A Multi-Agent System for 5G Throughput Prediction in Multi-Operator Urban Environments
- arxiv url: http://arxiv.org/abs/2607.16930v1
- Date: Sat, 18 Jul 2026 18:48:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.305147
- Title: A Multi-Agent System for 5G Throughput Prediction in Multi-Operator Urban Environments
- Title（参考訳）: マルチオペレータ都市環境における5G出力予測のためのマルチエージェントシステム
- Abstract要約: タイアード・マルチエージェント・システム(TMAS)は、マレーシアのサンウェイ市で収集された48,618個のサンプルのデータセットに基づいて、テレメトリをドメインマイクロエージェントに動的にルーティングする。
TMASは予測可能性ボトルネックを克服し、最大0.931の判定係数(R2)と平均絶対誤差(MAE)を0.53Mbpsまで下げる。
- 参考スコア（独自算出の注目度）: 1.2599533416395763
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Throughput prediction is foundational for artificial intelligence-driven 6G resource orchestration. Conventional monolithic machine learning models struggle to generalize across diverse operators, mobility modes, and traffic types, leaving a critical stochasticity gap between signal conditions and achievable throughput. To overcome these constraints in heterogeneous urban environments, we propose a Tiered Multi-Agent System (TMAS) that dynamically routes edge telemetry to context-aware Domain Micro-Agents, validated on a dataset of 48,618 samples collected in Sunway City, Malaysia, with Nemo Handy drive test software, spanning three Tier-1 mobile network operators, three mobility modes, namely (i) elevated pedestrian walkway, (ii) ground-level shuttle bus, and (iii) elevated bus rapid transit; and three traffic profiles, namely (i) persistent download, (ii) persistent upload, and (iii) adaptive video streaming. Our evaluations reveal that TMAS overcomes predictability bottlenecks, achieving a coefficient of determination (R2) of up to 0.931 and a Mean Absolute Error (MAE) as low as 0.53 Mbps. The system demonstrates high operational efficiency, with rapid micro-agent training times, low inference latencies, and agentic routing overhead of 0.004 to 0.126 ms. These latency characteristics indicate the architecture is a promising candidate for the response times required by next-generation wireless networks.
- Abstract（参考訳）: スループット予測は人工知能駆動の6Gリソースオーケストレーションの基礎となる。
従来のモノリシック機械学習モデルは、さまざまなオペレータ、モビリティモード、トラフィックタイプをまたいだ一般化に苦慮し、信号条件と達成可能なスループットの間に重要な確率的ギャップを残している。
異種都市環境におけるこれらの制約を克服するため,マレーシアのサンウェイ市で収集された48,618個のサンプルのデータセット上で検証された,エッジテレメトリをコンテキスト対応のドメインマイクロエージェントに動的にルーティングするTiered Multi-Agent System (TMAS)を提案する。
(i)高架歩行者通路
(二)地上レベルのシャトルバス、及び
三 高速バスの高架化、及び三つの交通形態
(i) 永続的なダウンロード
(ii)永続的なアップロード、および
(III)アダプティブビデオストリーミング。
評価の結果,TMASは予測可能性ボトルネックを克服し,最大0.931の判定係数(R2)と平均絶対誤差(MAE)を0.53Mbpsで達成した。
このシステムは,高速マイクロエージェントトレーニング時間,低推論レイテンシ,エージェントルーティングオーバーヘッド0.004～0.126msという高い運用効率を示す。これらのレイテンシ特性は,次世代無線ネットワークで要求される応答時間に対して,アーキテクチャが有望な候補であることを示している。
関連論文リスト
- A VAE-Driven Multi-Task Satellite-Aided Semantic Communication Framework for 6G-Enabled Connected Autonomous Vehicles [51.449502491030756]
衛星支援自動運転のためのマルチタスク・セマンティック・コミュニケーション・フレームワークを提案する。
このフレームワークは、両方のタスクを共同で最適化するために、エンドツーエンドで訓練されている。
提案手法は,87.23%から98.17%までの帯域幅削減を実現している。
論文 参考訳（メタデータ） (2026-07-15T06:49:41Z) - Spatiotemporal Heterogeneity of AI-Driven Traffic Flow Patterns and Land Use Interaction: A GeoAI-Based Analysis of Multimodal Urban Mobility [0.0]
土地利用と移動需要の複雑な非線形相互作用による都市交通の流れ
本研究では,交通流パターンをモデル化するGeoAI Hybrid frameworkを提案する。
このフレームワークを2つの対照的な都市形態にまたがる6都市にわたる350の交通分析ゾーンのデータセットに適用すると、4つの結果が浮かび上がっている。
論文 参考訳（メタデータ） (2026-03-05T18:45:44Z) - Blockchain-Enabled Routing for Zero-Trust Low-Altitude Intelligent Networks [77.17664010626726]
低高度インテリジェントネットワーク(LAIN)における複数のUAVクラスタによるルーティングに焦点を当てる。
潜在的な脅威によるダメージを最小限に抑えるため,ソフトウェア定義の周辺技術とブロックチェーン技術を用いたゼロトラストアーキテクチャを提案する。
提案手法は,平均E2E遅延を59%削減し,TSRを29%改善することを示した。
論文 参考訳（メタデータ） (2026-02-27T04:30:35Z) - 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) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - Enhanced Urban Traffic Management Using CCTV Surveillance Videos and Multi-Source Data Current State Prediction and Frequent Episode Mining [3.3248768737711045]
本研究の目的は、CCTV監視ビデオとマルチソースデータを統合し、リアルタイムの都市交通予測を強化する統一的なフレームワークを開発することである。
このフレームワークは46台のカメラにまたがる313,931個のバウンディングボックスからなるCityFlowデータセットで評価された。
論文 参考訳（メタデータ） (2025-10-04T06:11:34Z) - MSGAT-GRU: A Multi-Scale Graph Attention and Recurrent Model for Spatiotemporal Road Accident Prediction [0.0]
局所的空間依存と長距離空間依存をキャプチャするグラフアテンション・リカレントモデルMSGAT-GRUを提案する。
ハイブリッド北京事故データセットでは、MSGAT-GRUは0.334のRMSEと0.878のF1スコアを達成し、一貫して強いベースラインを上回っている。
これらの結果は、MSGAT-GRUをインテリジェントトランスポートシステムのスケーラブルで一般化可能なモデルとして位置づけている。
論文 参考訳（メタデータ） (2025-09-22T14:05:23Z) - Confidence-Regulated Generative Diffusion Models for Reliable AI Agent Migration in Vehicular Metaverses [55.70043755630583]
車両用AIエージェントには、環境認識、意思決定、行動実行能力が与えられている。
本稿では、信頼性の高い車両用AIエージェントマイグレーションフレームワークを提案し、信頼性の高い動的マイグレーションと効率的なリソーススケジューリングを実現する。
我々は,AIエージェントのマイグレーション決定を効率的に生成する信頼性制御型生成拡散モデル(CGDM)を開発した。
論文 参考訳（メタデータ） (2025-05-19T05:04:48Z) - MULTI-LF: A Unified Continuous Learning Framework for Real-Time DDoS Detection in Multi-Environment Networks [1.5922526181364094]
既存のAIベースの検出システムは、新たな攻撃戦略に適応し、リアルタイムの攻撃検出機能を欠いている。
本研究では,M-EnネットワークにおけるDDoS検出のためのオンライン連続学習手法を提案する。
論文 参考訳（メタデータ） (2025-04-15T19:44:53Z) - iPLAN: Intent-Aware Planning in Heterogeneous Traffic via Distributed
Multi-Agent Reinforcement Learning [57.24340061741223]
本稿では,高密度および不均一な交通シナリオにおける軌跡や意図を予測できる分散マルチエージェント強化学習(MARL)アルゴリズムを提案する。
インテント対応プランニングのアプローチであるiPLANにより、エージェントは近くのドライバーの意図をローカルな観察からのみ推測できる。
論文 参考訳（メタデータ） (2023-06-09T20:12:02Z) - 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)
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。