Multivariate Machine Learning Models for Short-Term Forecast of Lightpath Performance
Notice bibliographique
Résumé
Machine learning (ML) is emerging as a promising solution for managing the physical layer complexity of heterogeneous dynamic optical networks transporting multiple applications in a software defined network (SDN) context, namely for performance prediction. We propose two multivariate neural network models based on gated recurrent unit (GRU) and long short-term memory (LSTM) methods, trained with field performance data and features, for predicting lightpath signal-to-noise ratio (SNR) over forecast horizons of up to 4 days. The best performance is achieved by using a 5-feature LSTM multivariate model over forecast horizons of up to 96 hours, with an absolute maximum error (AME) of 0.90 dB, compared to 0.91 dB and 0.97 dB for the GRU and LSTM univariate models, respectively, and 1.21 dB for a persistence model. The 2-feature multivariate models obtained through feature engineering perform better than their univariate counterparts for forecast horizons of up to 40 hours. Lastly, we explore the concept of transfer learning (TL) by testing the trained multivariate LSTM and univariate GRU models on field data from two lightpaths carried on the same route. The TL models underperform the naive model for the lightpath carried in a different optical fiber. However, for the lightpath carried in the same optical fiber on a portion of the same route, the LSTM-based TL model outperforms the naive model with a difference of up to 0.11 dB at a 96-hour forecast horizon, compared to 0.30 dB for the lightpath in the source domain, while using 3 times less training 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».