論文の概要: TD-STGT: A Spatio-Temporal Graph Transformer for Mobile Traffic Demand Forecasting

• arxiv url: http://arxiv.org/abs/2609.06636v1
• Date: Sun, 06 Sep 2026 14:33:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.287275
• Title: TD-STGT: A Spatio-Temporal Graph Transformer for Mobile Traffic Demand Forecasting
• Title（参考訳）: TD-STGT:モバイル交通需要予測のための時空間グラフ変換器
• Abstract要約: 本稿では,細粒度グリッド間の無線移動トラフィックの変化を予測するためのグラフニューラルネットワーク予測フレームワークを提案する。 このフレームワークは、クラウドソーシングされたモバイル計測と日中の人口情報から開発された人口規模の需要プロキシを使用する。
• 参考スコア（独自算出の注目度）: 19.56599244753046
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fine-grained mobile traffic demand forecasting is essential for long-term planning of 5G and future 6G networks, including radio upgrades, site densification, backhaul expansion, and spectrum activation. This paper proposes the Traffic Demand Spatio-Temporal Graph Transformer (TD-STGT), a graph neural forecasting framework for predicting changes in wireless mobile traffic demand across fine geographic grids. The framework uses a population-scaled demand proxy developed from crowdsourced mobile measurements and daytime population information. Experiments across five Canadian metropolitan regions show that TD-STGT achieves the best performance in forecasting grid-level demand changes, reaching a $ΔR^2$ of 0.462 and reducing $Δ$RMSE by 5.7\% relative to the strongest baseline. The proposed model provides a practical tool for identifying areas with increasing demand pressure and prioritizing future mobile-network capacity upgrades.
• Abstract（参考訳）: 5Gおよび将来の6Gネットワークの長期計画には,無線アップグレード,サイト密度化,バックホール拡張,スペクトル活性化など,詳細なモバイルトラフィックの予測が不可欠である。 本稿では,交通需要時空間グラフ変換器(TD-STGT)を提案する。 このフレームワークは、クラウドソーシングされたモバイル計測と日中の人口情報から開発された人口規模の需要プロキシを使用する。 カナダの5大都市圏での実験では、TD-STGTはグリッドレベルの需要変化を予測する上で最高のパフォーマンスを達成し、ΔR^2$0.462に達し、最強のベースラインに対してΔ$RMSEを5.7\%下げている。 提案モデルは,需要圧力を増大させ,将来の移動ネットワーク容量のアップグレードを優先する領域を特定するための実用的なツールを提供する。

関連論文リスト

• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• AI-Enhanced Spatial Cellular Traffic Demand Prediction with Contextual Clustering and Error Correction for 5G/6G Planning [17.409018763425]
  空間的自己相関は、単純列車/テストスプリットの下で近所の漏れを引き起こす可能性がある。 本稿では,リークを低減し,空間一般化を改善するAI駆動型フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-11T14:11:37Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• 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)
• Learning-based Radio Link Failure Prediction Based on Measurement Dataset in Railway Environments [46.243901410461596]
  CNN、LSTM、XGBoost、Anomaly Transformer、PatchTST、TimesNetの6つのモデルをベンチマークする。 その結果,商用デバイスで利用可能な軽量機能を用いて,信頼性の低下を事前に予測できることが示唆された。
  論文  参考訳（メタデータ） (2025-11-12T00:13:37Z)
• GCN-Based Throughput-Oriented Handover Management in Dense 5G Vehicular Networks [0.20482269513546458]
  本稿では,高密度5Gネットワークにおけるハンドオーバ管理を最適化するための新しい手法TH-GCNを提案する。 グラフニューラルネットワーク(GNN)を使用して、TH-GCNは、信号品質、スループット、車両速度、基地局負荷といった特徴が豊富な動的グラフのノードとして車両と基地局をモデル化する。 シミュレーションの結果、TH-GCNは、ハンドオーバを最大78%削減し、信号品質を10%改善し、既存の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2025-05-08T02:03:46Z)
• FLEXIBLE: Forecasting Cellular Traffic by Leveraging Explicit Inductive Graph-Based Learning [1.4216957119562985]
  本稿では,新しい帰納学習手法と一般化可能なGNNベースの予測モデルを導入する。 実験の結果、最先端と比較して9.8%の性能改善が見られた。
  論文  参考訳（メタデータ） (2024-05-14T07:53:23Z)
• 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)
• Pre-training on Synthetic Driving Data for Trajectory Prediction [61.520225216107306]
  軌道予測におけるデータ不足の問題を緩和するパイプラインレベルのソリューションを提案する。 我々は、駆動データを生成するためにHDマップ拡張とトラジェクトリ合成を採用し、それらを事前学習することで表現を学習する。 我々は、データ拡張と事前学習戦略の有効性を実証するための広範な実験を行う。
  論文  参考訳（メタデータ） (2023-09-18T19:49:22Z)
• 5G Long-Term and Large-Scale Mobile Traffic Forecasting [0.0]
  我々は、異なる大都市圏に設置された14,000以上の細胞からトラフィックパターンを抽出し、シミュレートする。 提案したモデルは,31週間以上の都市で収集された実世界の5Gモバイルトラフィックデータセットを用いてテストされている。
  論文  参考訳（メタデータ） (2022-12-21T09:26:33Z)
• Deep Reinforcement Learning with Spatio-temporal Traffic Forecasting for Data-Driven Base Station Sleep Control [39.31623488192675]
  5G時代のモバイル交通需要の増加に対応するため、基地局(BS)は無線アクセスネットワーク(RAN)に密に展開され、ネットワークカバレッジと容量が向上しています。 BSの高密度はピークトラフィックに対応するために設計されているため、オフピーク時にBSがオンになっている場合、不必要に大量のエネルギーを消費します。 セルラーネットワークのエネルギー消費を抑えるために、交通需要に応えないアイドルベースステーションを非活性化する方法が効果的である。 本論文では,DeepBSC と呼ばれるトラフィック認識型動的 BS 睡眠制御フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-01-21T01:39:42Z)

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。