Bài báo này nhằm mục đích giải quyết vấn đề tiêu thụ năng lượng cao của các mô hình học máy hiện có trong việc xử lý và dự đoán dữ liệu di động đang tăng nhanh một cách hiệu quả. Vì mục đích này, chúng tôi đã nghiên cứu dự đoán lưu lượng di động bằng cách sử dụng các mô hình lấy cảm hứng từ sinh học tiết kiệm năng lượng, Mạng nơ-ron gai (SNN) và Mạng trạng thái phản hồi (ESN). Sử dụng dữ liệu từ ba địa điểm tại Barcelona, chúng tôi đã so sánh và phân tích hiệu suất dự đoán và mức tiêu thụ năng lượng của SNN, ESN, CNN và MLP. Chúng tôi cũng đánh giá hiệu suất và hiệu quả năng lượng của chúng trong các môi trường tập trung và phân tán (liên kết). Kết quả của chúng tôi chứng minh rằng SNN và ESN có thể giảm đáng kể mức tiêu thụ năng lượng trong khi vẫn duy trì độ chính xác dự đoán tương đương với các mô hình hiện có, thể hiện hiệu suất năng lượng đặc biệt cao trong các môi trường phân tán. Điều này cho thấy tiềm năng của các mô hình lấy cảm hứng từ sinh học trong việc dự đoán lưu lượng di động bền vững và bảo vệ quyền riêng tư.
