Hypergraph Attention Recurrent Network for Cellular Traffic Prediction
Notice bibliographique
Résumé
Cellular traffic prediction provides significant support for the management of intelligent networks. Existing models commonly combine recurrent neural networks (RNNs) with attention mechanisms, convolutional neural networks (CNNs), or graph convolutional networks (GCNs) to capture spatial-temporal correlations of cellular traffic. However, attention mechanisms lack sensitivity to local information; CNNs ignore the interaction among distant regions with similar semantics; GCNs exhibit limitations in exploring high-order (beyond pairwise) spatial correlations. To this end, we develop a hypergraph attention recurrent network (HARN) that exploits locality, semantics, and high-order correlations for cellular traffic prediction. Specifically, we first propose a spatial trend-aware attention to perceive local trends, thus easing the mismatching problem of attention mechanisms. Then, we construct a hypergraph to characterize the interactions between distant regions with similar semantics, and leverage a hypergraph convolution network to extract high-order correlations. More importantly, to extract heterogeneous and varying spatial patterns, we further enhance the hypergraph convolution network by incorporating spatial-temporal representations. Last, extensive experiments on three real-world datasets demonstrate the superiority of HARN over state-of-the-art baselines in terms of mean absolute error and root mean square error, with specific improvements of 1.83% and 5.79% on SMS (short message service) dataset, 3.05% and 11.27% on Call dataset, and 1.36% and 1.65% on Internet dataset, 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 | 0,001 |
| 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 ».