論文の概要: Time Series Network Utilization KPI Forecasting Using Advanced AI/ML Models

• arxiv url: http://arxiv.org/abs/2607.19974v1
• Date: Wed, 22 Jul 2026 09:57:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:38.052435
• Title: Time Series Network Utilization KPI Forecasting Using Advanced AI/ML Models
• Title（参考訳）: 高度なAI/MLモデルを用いた時系列ネットワーク利用KPI予測
• Abstract要約: 本研究は,季節分解,預言,ランダムフォレスト,XGBoost,サポートベクター回帰を含む多様なモデルのスペクトルを評価することで,課題に対処する。 最終的に、この研究はモデル精度と計算効率のトレードオフに関する実用的な洞察を提供する。
• 参考スコア（独自算出の注目度）: 0.13048920509133805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid proliferation of data-intensive applications, cloud infrastructure, and IoT ecosystems has made proactive resource provisioning critical for maintaining optimal network performance. However, network administrators face a constant battle against capacity constraints, where traditional reactive approaches fail to accurately anticipate traffic fluctuations. This inability to foresee demand leads to costly over-provisioning, unexpected downtime, and degraded quality of service directly impacting operational budgets and business continuity. To achieve efficient capacity planning, accurate forecasting of bandwidth utilization is essential. This study addresses the challenge by evaluating a diverse spectrum of models including seasonal decomposition, Prophet, Random Forest, XGBoost, Support Vector Regression, and advanced deep learning architectures like bidirectional and Convolutional LSTMs - using a common interface dataset benchmarked across MAPE, NRMSE, and R-square metrics. Ultimately, this research delivers actionable insights into the trade-offs between model accuracy and computational efficiency, empowering engineers, operators, and business owners to select the optimal forecasting model for their specific infrastructure needs.
• Abstract（参考訳）: データ集約型アプリケーション、クラウドインフラストラクチャ、IoTエコシステムの急速な普及により、最適なネットワークパフォーマンスを維持するために、プロアクティブなリソースプロビジョニングが重要になった。 しかし、従来のリアクティブアプローチではトラフィックの変動を正確に予測できないため、ネットワーク管理者はキャパシティ制約に対して絶え間ない戦いに直面している。 この需要を予測できないことは、運用予算やビジネス継続性に直接影響を及ぼす、過剰な計画、予期せぬダウンタイム、サービスの品質低下につながる。 効率的な容量計画を実現するためには、帯域利用の正確な予測が不可欠である。 本研究は,季節分解,預言者,ランダムフォレスト,XGBoost,サポートベクター回帰,双方向および畳み込みLSTMなどの高度なディープラーニングアーキテクチャなど,さまざまなモデルのスペクトルを評価することで,MAPE,NRMSE,R-squareメトリクス間でベンチマークされた共通インターフェースデータセットを用いて,課題に対処する。 最終的に、この研究は、モデル精度と計算効率のトレードオフに関する実用的な洞察を提供し、エンジニア、オペレータ、そしてビジネスオーナーに、特定のインフラのニーズに対して最適な予測モデルを選択する権限を与えます。

関連論文リスト

• MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices [53.94035827454474]
  信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。 MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。 実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-24T11:12:50Z)
• On Electric Vehicle Energy Demand Forecasting and the Effect of Federated Learning [1.2599533416395765]
  電気自動車供給機器(EVSE)のエネルギー需給予測は、効率的なエネルギー管理と持続可能性を確保する上で最も重要な作業の1つである。 ユーティリティプロバイダは、エネルギー/電力需要を予測し、リソース割り当てを最適化し、グリッド信頼性を改善するための積極的な対策を実行することができる。 プライバシーやサステナビリティに関する懸念や制限が高まるにつれ、トレーニングデータの断片化がますます進んでいる。
  論文  参考訳（メタデータ） (2026-02-24T11:21:45Z)
• Which Deep Learner? A Systematic Evaluation of Advanced Deep Forecasting Models Accuracy and Efficiency for Network Traffic Prediction [0.0]
  本研究は,12種類の高度なTSFモデルを系統的に同定し,評価する。 時間、メモリ、エネルギの観点から、パフォーマンス、異常、データギャップ、外部要因、データ効率、リソース効率を評価する。
  論文  参考訳（メタデータ） (2026-01-06T03:58:57Z)
• Accelerating Time Series Foundation Models with Speculative Decoding [46.99742287518152]
  大規模トランスフォーマーベースのモデルは、時系列予測において最先端のパフォーマンスを達成したが、高い計算コストに悩まされている。 本稿では、投機的復号化を自己回帰時系列モデルに適応させる一般的な推論加速フレームワークを提案する。 我々のアプローチでは、より小さな"ドラフト"モデルを用いて、将来の時系列パッチを提案し、さらに大きな"ターゲット"モデルによって並列に検証する。
  論文  参考訳（メタデータ） (2025-11-22T21:04:57Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• DRL Optimization Trajectory Generation via Wireless Network Intent-Guided Diffusion Models for Optimizing Resource Allocation [58.62766376631344]
  本稿では、無線通信ネットワークの異なる状態変化に対応するために、カスタマイズされた無線ネットワークインテント(WNI-G)モデルを提案する。 大規模シミュレーションにより、動的通信システムにおけるスペクトル効率と従来のDRLモデルの変動の安定性が向上する。
  論文  参考訳（メタデータ） (2024-10-18T14:04:38Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
  本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。 ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。 その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
  論文  参考訳（メタデータ） (2023-12-31T10:03:08Z)
• XRMDN: An Extended Recurrent Mixture Density Network for Short-Term Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
  本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。 XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-10-15T14:18:42Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network for Enhanced Long-Term Taxi Demand Prediction [16.07685260834701]
  本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。 転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。 その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-26T07:37:50Z)

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。