An Accurate and Low-Parameter Machine Learning Architecture for Next Location Prediction

要約

次ロケーション予測は、ユーザーの次ロケーションを予測する学問である。その応用には、リソース割り当て、サービス品質、エネルギー効率、トラフィック管理などがある。本論文では、エネルギー効率が高く、小型で、低パラメータの機械学習（ML）アーキテクチャを提案する。これを達成するために、我々は、最小のモデルパラメータで精度のプラトーに達する正確なMLアーキテクチャを決定するために、都市全体の完全な人間の移動パターンに対して100のハイパーパラメータ実験を行った。私たちは、公表されているMLアーキテクチャのモデルパラメータ数を2億200万から200万まで削減することに成功しました。これにより、モデルパラメータの総容量は791MBから8MBに減少した。さらに、トレーニング時間は4分の1に、トレーニングに必要なGPUメモリ量は20分の1に減少し、全体的な精度は80.16%から82.54%に向上した。この改善により、大容量のメモリやストレージを持たない控えめな基地局やエッジデバイスでも、提案するMLアーキテクチャを導入し、次の位置予測に利用することができる。

要約(オリジナル)

Next location prediction is a discipline that involves predicting a users next location. Its applications include resource allocation, quality of service, energy efficiency, and traffic management. This paper proposes an energy-efficient, small, and low parameter machine learning (ML) architecture for accurate next location prediction, deployable on modest base stations and edge devices. To accomplish this we ran a hundred hyperparameter experiments on the full human mobility patterns of an entire city, to determine an exact ML architecture that reached a plateau of accuracy with the least amount of model parameters. We successfully achieved a reduction in the number of model parameters within published ML architectures from 202 million down to 2 million. This reduced the total size of the model parameters from 791 MB down to 8 MB. Additionally, this decreased the training time by a factor of four, the amount of graphics processing unit (GPU) memory needed for training by a factor of twenty, and the overall accuracy was increased from 80.16% to 82.54%. This improvement allows for modest base stations and edge devices which do not have a large amount of memory or storage, to deploy and utilize the proposed ML architecture for next location prediction.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL