Quality of Transmission Estimation and Short-Term Performance Forecast of Lightpaths
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
With ever-increasing traffic, the need of more dynamic, flexible, and autonomous optical networks is more important than ever. The availability of performance monitoring data makes it possible to leverage machine learning (ML) for fast quality of transmission (QoT) estimation and performance prediction of lightpaths in complex optical networks. In this article, we will explore classifiers based on support vector machine (SVM) and artificial neural network (ANN) for QoT estimation of unestablished lightpaths. Using a synthetic knowledge base (KB), the classification accuracy of the ANN and SVM models decreased from 99%, with a complete feature set, to 85.03% and 88.52%, respectively, with a reduced feature set. We also propose a Long Short-Term Memory (LSTM), an Encoder-Decoder LSTM and a Gated Recurrent Unit (GRU) models, trained with 13-months field performance data, for lightpath signal-to-noise (SNR) prediction over forecast horizons up to four days. Positive R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> values combined with low (<; 0.285 dB) root mean square error (RMSE) indicated that the GRU model achieved slightly better predictions than the naive method for forecast horizons ranging from 1 to 96 hours, whereas the LSTM performed better over 24 to 96-hour forecast horizons. The Encoder-Decoder LSTM model achieved the lowest R <sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">2</sup> and the highest RMSE values (0.296 dB). Additional input data will be needed to improve the prediction accuracy of the LSTM and GRU models trained with single lightpath data.
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 | 0,000 | 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 | 0,000 |
| Science ouverte | 0,000 | 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