An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments

要約

私たちは、これまで見たことのない無線環境においてモバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列分析を使用した新しいフレームワークを開発しました。
私たちのフレームワークは学習された行動を選択的に採用しており、現在の研究と比較して 50% 以上改善され、単一モデルよりも優れたパフォーマンスを発揮します。
さらに重要なのは、細胞に関する事前知識を必要とせずに、従来のアプローチを上回っていることです。
このペーパーでは適応予測フレームワークを使用したネットワーク トラフィック予測に焦点を当てていますが、このフレームワークは不確実な環境における他の機械学習アプリケーションにも適用できます。
このフレームワークは、時系列データの教師なしクラスタリングから始まり、固有の傾向と季節パターンを特定します。
続いて、各クラスター内のトラフィック量予測に教師あり学習を適用します。
特定のトラフィック動作に対するこの特殊化は、空間的および時間的変動によるペナルティなしに発生します。
最後に、フレームワークは、トレーニングされたモデルを、これまで見えなかった新しいセルに適応的に割り当てます。
セルのリアルタイム測定を分析することで、私たちのフレームワークは、時空間変動に合わせてクラスター割り当てを動的に調整しながら、そのセルに最適なクラスターを常にインテリジェントに選択します。

要約(オリジナル)

We have developed a new framework using time-series analysis for dynamically assigning mobile network traffic prediction models in previously unseen wireless environments. Our framework selectively employs learned behaviors, outperforming any single model with over a 50% improvement relative to current studies. More importantly, it surpasses traditional approaches without needing prior knowledge of a cell. While this paper focuses on network traffic prediction using our adaptive forecasting framework, this framework can also be applied to other machine learning applications in uncertain environments. The framework begins with unsupervised clustering of time-series data to identify unique trends and seasonal patterns. Subsequently, we apply supervised learning for traffic volume prediction within each cluster. This specialization towards specific traffic behaviors occurs without penalties from spatial and temporal variations. Finally, the framework adaptively assigns trained models to new, previously unseen cells. By analyzing real-time measurements of a cell, our framework intelligently selects the most suitable cluster for that cell at any given time, with cluster assignment dynamically adjusting to spatio-temporal fluctuations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google