Empirical Mode Decomposition and Stationary Wavelet Transformation in Internet Traffic Prediction
Notice bibliographique
Résumé
Optimizing the usage of network resources relies heavily on accurate and efficient internet traffic forecasting. One commonly used method for traffic forecasting involves decomposing the traffic signal into hierarchical components using Empirical Mode Decomposition (EMD) and using different algorithms to predict each component individually. However, this approach can be inefficient, as the number of components varies depending on the input signal, making it challenging to propose and optimize separate prediction models for each component. To address this issue, we propose a new method that utilizes a multi-output single prediction model to forecast each EMD component of target traffic volume individually and combines the individual predictions for the final forecast. We also compared the performance of our EMD-based approach with a Stationary Wavelet Transformation (SWT) integrated deep learning model. We used SWT to decompose our real-world internet traffic into high and low-frequency components, which respectively represent the white noise and long-term trend in the traffic data. To train our deep learning models, we only considered the low-frequency component to extract the trend feature. Our experimental results showed that the EMD-integrated model outperformed traditional deep learning models by approximately 1% to 3%. Furthermore, we improved the traffic prediction accuracy by smoothing the original traffic based on the SWT denoising process. This method outperformed the baseline deep learning model by an additional 3% −5%. Overall, our proposed method offers a more efficient and accurate approach for internet traffic forecasting, and the SWT-based denoising process further enhances its performance.
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 ».