An empirical evaluation of short-period prediction performance
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Traffic prediction constitutes a hot research topic of network metrology. Thus, tuning the prediction model parameters is very crucial to achieve accurate prediction. This work focuses on the design, the empirical evaluation and the analysis of the behavior of linear models for predicting the throughput of a single link. In this work, the AutoRegressive Integrated Moving Average (ARIMA) model and the linear minimum mean square error (LMMSE) are used for predicting. Via experimentation on real network traffic, we study the effect of some parameters on the prediction performance in terms of error such as the number of last observations of the throughput (i.e. lag) needed as inputs for the model, the data granularity, variance and packet size distribution. We also investigate multi-step prediction that is the number of steps that could be predicted in the future. Besides, we performed a set of predictions based on packets size. Unexpectedly, we find that using more than two lags as inputs for the prediction model increases the prediction error. We find that using the last observation as the predicted value provides the same 1-step prediction performance as ARIMA or LMMSE model. The ARIMA model provides an acceptable multi-step prediction performance. Experimental results show also that there is a granularity value at which the multi-step prediction is more accurate. We also find that the prediction of classified packets based on their size is possible. Especially, throughput of 1,500-byte packets is the less predictable.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle