Sep, 2024

克服互联网流量预测中的数据限制：结合迁移学习和小波增广的LSTM模型

HTML
PDF
TL;DR本研究解决了小型ISP网络中互联网流量预测因数据不足而面临的挑战，提出了利用迁移学习和数据增广技术的创新方法。研究发现，虽然在单步预测中两个LSTM模型表现良好，但在多步预测中的长期准确性则存在瓶颈，通过应用小波变换进行数据增广显著提升了模型在数据匮乏情况下的预测能力。
发现论文，激发创造
  • 手机网络中应用层流量数据的学习和预测

    本文提出了一种基于字典学习的交替方向方法，用于综合研究和预测蜂窝网络流量建模和预测框架，并提高了预测准确性和鲁棒性。

    Jun, 2016

  • 基于长短时记忆循环神经网络的网络流量矩阵预测框架

    本文提出了一种基于LSTM RNN框架的网络流量长短期预测方法，并在GEANT网络实验数据中验证表明，该方法可以很快地收敛且在相对较小的模型中取得了最先进的短期和长期流量矩阵预测性能。

    May, 2017

  • 基于长短期记忆网络的时间序列预测深度学习

    本文介绍LSTM模型的结构和前向传播机制，提出了Random Connectivity LSTM（RCLSTM）模型，并通过在电信网络交通预测和用户移动性中的应用证明了RCLSTM模型可实现相同的预测准确性，同时具有计算复杂度更低的优点

    Oct, 2018

  • 堆叠双向和单向LSTM循环神经网络用于具有缺失值的网络宽度交通状态预测

    本文提出了基于深度学习方法，特别是循环神经网络的短期交通预测模型，其中采用双向LSTM等技术来处理空间 - 时间数据中的缺失值，实验结果表明该模型在准确性和鲁棒性方面的表现优异。

    May, 2020

  • LSTM网络在机器通信中基于事件的源流量预测

    提出了一种基于LSTM的深度学习方法，用于事件驱动的源流量预测，该方法可以有效地预测机器类型设备的传输状态，较现有基准解决方案具有更高的资源节约和准确性。

    Jan, 2021

  • 基于小波的混合机器学习模型用于未知来源的互联网流量预测

    本文探讨和评估了使用多种机器学习算法对于相同分布和非同分布数据的表现，同时提出了一种混合机器学习模型，结合小波分解以提高泛化性能，实验结果显示，相比于独立模型，我们的混合模型在处理非同分布数据时表现更优。

    May, 2022

  • 基于迁移学习的有限训练数据下高效交通预测

    研究了深度迁移学习技术在具有不足历史数据的交通预测中的表现，使用源域中的最佳模型进行目标域预测，结果表明，迁移学习可减少执行时间并提高模型的准确性。

    May, 2022

  • 交通分类的数据增强

    数据增强（DA）在计算机视觉（CV）和自然语言处理（NLP）领域被广泛采用以提高模型性能，然而在网络环境中，尤其是在流量分类（TC）任务中，数据增强一直存在问题。本文通过对3个TC数据集使用数据包时间序列作为输入表示，并考虑多种训练条件，基准测试了18种增强函数，结果显示（i）DA可以获得以前未探索的优势，（ii）基于时间序列顺序和掩码的增强函数更适用于TC，（iii）简单的潜在空间分析可以提供有关增强效果的线索。

    Jan, 2024

  • 使用在线预测算法进行蜂窝网络流量预测

    我们研究了实时场景下应用于移动网络流量预测的两种实时预测算法的有效性，发现Fast LiveStream Prediction（FLSP）算法相对于传统的在线预测算法，在异步数据汇报情况下，能够减少所需带宽一半，并提高预测准确性和降低处理负载。我们还通过对各种机器学习模型的算法复杂度和内存需求进行了细致分析，从而提供有关不同预测策略的权衡，为动态环境下的网络优化和资源分配提供了有价值的指导。

    May, 2024

  • ConvLSTMTransNet：一种用于互联网流量遥测的混合深度学习方法

    本研究解决了传统模型在互联网流量时间序列预测中的局限性，提出了一种新颖的混合深度学习模型ConvLSTMTransNet。该模型结合了卷积神经网络、长短期记忆网络和Transformer编码器的优势，显著提高了预测准确性，结果显示其预测准确性比基线模型提高了约10%。

    Sep, 2024