Wavelet-Based Hybrid Machine Learning Model for Out-of-distribution Internet Traffic Prediction
Notice bibliographique
Résumé
Internet traffic prediction is a crucial component for the proactive management of self-organizing networks (SON) to ensure better Quality of Service (QoS) and Quality of Experience (QoE). Modern machine learning techniques have shown outstanding performance in analyzing and predicting complex internet traffic, which has non-linear and non-stationary characteristics. But most existing works assumed that model training and testing data came from independent and identical distribution (IID), which is hardly valid in actual scenarios. Also, they considered synthetic traffic datasets, which do not have enough random properties like real-world traffic. As a result, the model’s prediction accuracy measured using IID data samples is inconsistent with the accuracy of out-of-distribution (OOD) data instances. In this study, we investigated several machine learning models’ performances using four actual traffic datasets whose distribution is different than each other. The best prediction accuracy using IID samples was 96.4% which significantly dropped when we used OOD samples to evaluate the same model. Therefore, we proposed a hybrid machine learning model combining discrete wavelet transformation to decompose original data into several hierarchical components before feeding them into a prediction model. We train our hybrid models using these detail components as features that improve our best performance using IID samples by 1%. Also, it considerably reduces the best accuracy gap of conventional machine learning models in predicting IID and OOD samples by 3.5%, 6.7%, and 2.1%, respectively, for three OOD test sets.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».