A Dynamic Bernstein Graph Recurrent Network for Wireless Cellular Traffic Prediction
Notice bibliographique
Résumé
Predictive analysis of wireless cellular traffic plays an important role in network resources provisioning. Accurate traffic prediction is a challenging task due to the dynamic spatial-temporal nature of wireless traffic. Most of the existing approaches do not consider spectral domain information for wireless traffic prediction. Some of the approaches cannot capture the spatial dependencies between neighbouring and distant cells. In this paper, we propose a dynamic Bernstein graph recurrent network for traffic prediction in wireless cellular networks. First, we design a spectral dynamic graph construction (SDGC) method to model the spatial dependencies between cells as a dependency graph in a data-driven fashion. A dynamic Bernstein polynomial filtering (DBPF) scheme based on the <tex xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">$K$</tex> -order Bernstein polynomial approximation is then developed to capture the spatial correlations and infer the cell-specific parameters. To predict the spatial-temporal traffic demands, we propose a dynamic Bernstein graph recurrent network (DBGRN), which integrates the proposed DBPF module with a gated recurrent unit (GRU) network. We evaluate the performance of our proposed model using a real-world dataset. Results show that our proposed model outperforms four state-of-the-art baseline schemes, and achieves up to 8% and 10% improvements in terms of the root mean squared error (RMSE) and mean absolute error (MAE), respectively.
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 ».