論文の概要: ML-based Predictive Models for Power Consumption in Virtualised O-RANs

• arxiv url: http://arxiv.org/abs/2607.24256v1
• Date: Mon, 27 Jul 2026 10:46:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.386793
• Title: ML-based Predictive Models for Power Consumption in Virtualised O-RANs
• Title（参考訳）: MLを用いた仮想O-RANにおける電力消費予測モデル
• Abstract要約: オープン無線アクセスネットワーク(O-RAN)における電力消費予測のための特徴抽出と回帰器ベース機械学習手法の活用について検討する。 我々は、ハイブリッドモデルが他のモデルより一貫して優れており、平均相対誤差が0.5%以下であることが示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As communication networks adopt virtualized and disaggregated architectures, achieving energy efficiency has become increasingly important for both economic and environmental reasons. Traditional methods for power modeling are inadequate in these dynamic software-defined environments due to their inability to model complex and nonlinear factors affecting energy use. We investigate the use of feature extraction and regressor-based machine learning methods for predicting power consumption in virtualized open radio access networks (O-RANs), utilizing datasets from a hardware-instrumented testbed. We test three variants of deep neural networks (DNNs), namely, a standard DNN, a regularized DNN, and a hybrid model combining DNN-based feature extraction with an XGBoost regressor. We evaluate the performance of these models for various system parameters such as transmission gain, modulation/coding schemes, and airtime. We show that the hybrid model consistently outperformed others, achieving a mean relative error below 0.5%. Results suggest hybrid models like DNN-XGBoost offer superior accuracy and could be integrated into O-RAN management tools to enable more energy-efficient network orchestration in future networks.
• Abstract（参考訳）: 通信ネットワークが仮想化および非集約アーキテクチャを採用するにつれて、経済と環境の両方の理由から、エネルギー効率を達成することがますます重要になっている。 電力モデリングの伝統的な方法は、エネルギー使用に影響を与える複雑で非線形な要因をモデル化できないため、これらの動的ソフトウェア定義環境では不十分である。 ハードウェアを組み込んだテストベッドからのデータセットを利用して,仮想オープン無線アクセスネットワーク(O-RAN)の電力消費を予測するための特徴抽出と回帰器ベースの機械学習手法について検討する。 我々は3種類のディープニューラルネットワーク(DNN)、すなわち標準DNN、正規化DNN、およびDNNに基づく特徴抽出とXGBoost回帰器を組み合わせたハイブリッドモデルをテストする。 送信利得,変調/符号化方式,空調など,様々なシステムパラメータに対して,これらのモデルの性能を評価する。 我々は、ハイブリッドモデルが他のモデルより一貫して優れており、平均相対誤差が0.5%以下であることが示している。 結果は、DNN-XGBoostのようなハイブリッドモデルの方が精度が良く、将来のネットワークでよりエネルギー効率の良いネットワークオーケストレーションを可能にするためにO-RAN管理ツールに統合できることを示唆している。

関連論文リスト

• Ge$^\text{2}$mS-T: Multi-Dimensional Grouping for Ultra-High Energy Efficiency in Spiking Transformer [84.8831358775386]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりも優れたエネルギー効率を提供する ANN-SNN ConversionやSpatial-Temporal Backpropagation (STBP)といった既存のパラダイムは、固有の制限に悩まされている。 Ge$text2$mS-Tを提案する。これは時間的・空間的・ネットワーク的構造次元にまたがるグループ計算を実装した新しいアーキテクチャである。
  論文  参考訳（メタデータ） (2026-04-10T02:58:46Z)
• GFPL: Generative Federated Prototype Learning for Resource-Constrained and Data-Imbalanced Vision Task [43.723840781330914]
  フェデレートラーニング(FL)は、分散イメージのセキュアな活用を容易にする。 FLは、非効率的な知識融合と禁止的な通信オーバーヘッドという、現実世界の展開において2つの重要な課題に直面している。 本稿では,これらの問題に対処する新しいジェネレーティブ・フェデレーション・プロトタイプ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-25T12:57:45Z)
• Scientific Knowledge-Guided Machine Learning for Vessel Power Prediction: A Comparative Study [0.0]
  本研究では,海洋実験からの物理知識とデータ駆動残差学習を統合したハイブリッド・モデリング・フレームワークを提案する。 提案するフレームワークは,気象ルーティング,トリム最適化,エネルギー効率計画などに適用可能な,実用的で効率的な船舶性能監視ツールを提供する。
  論文  参考訳（メタデータ） (2026-02-20T18:12:14Z)
• EUGens: Efficient, Unified, and General Dense Layers [56.498769704575544]
  我々は、標準完全連結フィードフォワード層、textbfEfficient、 textbfUnimat、 textbfGeneral dense layer (EUGens) を一般化する新しい階層のクラスを提案する。 EUGensはランダムな特徴を活用して標準的なFFLを近似し、その計算に入力ノルムに直接的な依存を組み込むことによってそれらを超える。
  論文  参考訳（メタデータ） (2026-01-30T05:01:03Z)
• PowerGNN: A Topology-Aware Graph Neural Network for Electricity Grids [0.0]
  本稿では,高再生能統合下での電力系統状態予測のためのトポロジ対応グラフニューラルネットワーク(GNN)フレームワークを提案する。 我々は,電力ネットワークのグラフベース表現を構築し,伝送線路をノードやエッジとしてモデル化し,グラフSAGE畳み込みとGRU(Gated Recurrent Units)を統合した特殊なGNNアーキテクチャを導入する。 提案したGNNは, 完全連結ニューラルネットワーク, 線形回帰モデル, 圧延平均モデルなどのベースラインアプローチより優れ, 予測精度が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2025-03-26T01:22:31Z)
• Improving the Real-Data Driven Network Evaluation Model for Digital Twin Networks [0.2499907423888049]
  デジタルツインネットワーク(DTN)技術は,自律型ネットワークの基礎技術として期待されている。 DTNは、クローズドループシステムにおいて、リアルタイムに収集されたデータに基づいてネットワークを運用およびシステム化できるという利点がある。 DTNの使用を最適化するために、さまざまなAI研究と標準化作業が進行中である。
  論文  参考訳（メタデータ） (2024-05-14T09:55:03Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• Differential Evolution Algorithm based Hyper-Parameters Selection of Transformer Neural Network Model for Load Forecasting [0.0]
  トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。 我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
  論文  参考訳（メタデータ） (2023-07-28T04:29:53Z)
• On Energy-Based Models with Overparametrized Shallow Neural Networks [44.74000986284978]
  エネルギーベースモデル(EBM)は、ジェネレーションモデリングの強力なフレームワークです。 この研究では、浅いニューラルネットワークに焦点を当てます。 我々は、いわゆる「アクティブ」体制で訓練されたモデルが、関連する「怠慢」またはカーネル体制に対して統計的に有利であることを示す。
  論文  参考訳（メタデータ） (2021-04-15T15:34:58Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。