每日 Arxiv

本页面整理了世界各地发表的人工智能相关论文。
本页面使用 Google Gemini 汇总而成，并以非盈利为基础运营。
论文版权归作者及相关机构所有，分享时请注明出处。

DP-LET：一种高效的时空网络流量预测框架

Created by
  • Haebom

作者

王欣桐、南海涵、李瑞东、吴华明

大纲

本文提出了一种高效的框架DP-LET，用于准确预测时空网络流量，从而动态管理计算资源并最大限度地降低现代通信系统的能耗。DP-LET由数据处理模块、局部特征增强模块和基于Transformer的预测模块组成。数据处理模块旨在高效地对网络数据进行去噪和空间分离；局部特征增强模块利用多个时间卷积网络（TCN）来捕获细粒度的局部特征。预测模块使用Transformer编码器来建模长期依赖关系并评估特征相关性。基于现实世界蜂窝流量预测的案例研究表明，DP-LET达到了最佳性能，与基线模型相比，均方误差（MSE）降低了31.8%，平均绝对误差（MAE）降低了23.1%，同时保持了较低的计算复杂度。

Takeaways，Limitations

•
Takeaways：
◦
提出一种时空网络流量预测框架，与现有方法相比，其准确性和计算效率有所提高。
◦
通过数据处理、局部特征增强和基于 Transformer 的预测模块的有效组合实现最先进的性能。
◦
通过使用实际蜂窝流量数据的实验结果来验证性能。
◦
性能显著提升，MSE降低31.8%，MAE降低23.1%。
•
Limitations：
◦
需要进一步研究所提出模型的泛化性能。
◦
需要针对各种网络流量类型进行适用性验证。
◦
特定数据集有性能优化的潜力，但必须考虑其他数据集性能下降的可能性。
◦
可能缺乏对模型复杂性和参数数量的详细分析
👍
Made with Slashpage