Deep Learning Models for Time-Series Forecasting of RF-EMF in Wireless Networks
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
Radio-frequency electromagnetic field (RF-EMF) forecasting plays an important role in the evaluation of regulatory compliance, network planning and system optimization. The knowledge of RFEMF levels is essential to ensure compliance with standards and avoid public health concerns, especially with the arrival of new frequencies and scenarios in fifth-generation (5G) and sixth generation (6G) wireless networks. This work provides a comprehensive study on time series forecasting for RF-EMF measured in frequency from 100 kHz -3 GHz. The state-of-the-art deep learning model architectures consist of deep neural network (DNN), convolutional neural network (CNN), long-short term memory (LSTM), and transformer are applied for time series forecasting. The prediction performance is evaluated under three different scenarios -namely single-step input single-step output (SISO), multi-step input single-step output (MISO), and multi-step input multi-step output (MIMO). The findings from the simulation demonstrate that SISO forecasting is inadequate in predicting long-term radio-frequency electromagnetic fields (RF-EMF) data as it lacks accuracy while MISO and MIMO forecasting scenarios offer more precise predictions. Specifically, in these two scenarios where the input width and label width are both set to 20 steps, the LSTM and CNN models exhibit superior performance compared to other models. Nonetheless, as the input width and label width in a MIMO scenario increase, the accuracy of both CNN and LSTM models decline considerably, whereas the transformer model consistently maintains good performance. Additionally, the transformer model continues to deliver accurate predictions as the label width and shift length increase, which is not the case for DNN, CNN, and LSTM models.
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 | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,004 | 0,001 |
| 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