Unveiling the Power of Noise Priors: Enhancing Diffusion Models for Mobile Traffic Prediction

要約

モバイルトラフィックの正確な予測、\ textIT {i.e。、}セルラーベースステーションからのネットワークトラフィックは、ネットワークパフォーマンスを最適化し、都市開発をサポートするために重要です。
ただし、人間の活動と環境の変化によって駆動されるモバイルトラフィックの非定常性は、通常のパターンと突然の変動の両方につながります。
拡散モデルは、固有の不確実性をキャプチャする能力により、このような複雑な時間的ダイナミクスをキャプチャすることに優れています。
ほとんどの既存のアプローチは、新しい除去ネットワークの設計を優先しますが、多くの場合、ノイズ自体の重要な役割を無視し、最適なパフォーマンスにつながる可能性があります。
この論文では、除去プロセスにおけるノイズの役割を強調することにより、新しい視点を紹介します。
私たちの分析は、ノイズがモバイルトラフィックの予測を基本的に形作り、明確で一貫したパターンを示すことを明らかにしています。
NPDIFFを提案します。NPDIFFは、ノイズを\ textIT {prior}および\ textIT {restual}コンポーネントに分解するフレームワークを提案し、データダイナミクスから派生した\ textIT {prior}を使用して、通常の変動と突然の変動の両方をキャプチャするモデルの能力を高めます。
NPDIFFは、さまざまな拡散ベースの予測モデルとシームレスに統合し、効果的で効率的で堅牢な予測を提供できます。
広範な実験は、30 \％を超える改善により優れたパフォーマンスを達成し、このドメインの拡散モデルの活用に関する新しい視点を提供することを示しています。

要約(オリジナル)

Accurate prediction of mobile traffic, \textit{i.e.,} network traffic from cellular base stations, is crucial for optimizing network performance and supporting urban development. However, the non-stationary nature of mobile traffic, driven by human activity and environmental changes, leads to both regular patterns and abrupt variations. Diffusion models excel in capturing such complex temporal dynamics due to their ability to capture the inherent uncertainties. Most existing approaches prioritize designing novel denoising networks but often neglect the critical role of noise itself, potentially leading to sub-optimal performance. In this paper, we introduce a novel perspective by emphasizing the role of noise in the denoising process. Our analysis reveals that noise fundamentally shapes mobile traffic predictions, exhibiting distinct and consistent patterns. We propose NPDiff, a framework that decomposes noise into \textit{prior} and \textit{residual} components, with the \textit{prior} derived from data dynamics, enhancing the model’s ability to capture both regular and abrupt variations. NPDiff can seamlessly integrate with various diffusion-based prediction models, delivering predictions that are effective, efficient, and robust. Extensive experiments demonstrate that it achieves superior performance with an improvement over 30\%, offering a new perspective on leveraging diffusion models in this domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google