Mobility-Adaptive Digital Twin Modeling for Post-Disaster Network Traffic Prediction
Notice bibliographique
Résumé
In this paper, we propose a mobility-adaptive digital twin (MADT) framework for network traffic prediction in a post-disaster scenario where some affected terrestrial base stations (BSs) are malfunctional, causing unavailable user traffic data under their coverage areas. The MADT framework consists of three core modules: 1) DT data construction, 2) DT modeling for traffic prediction, and 3) DT model calibration. For the data construction, we generate a distribution of user volumes over a considered region, where a clustered modular mobility model (clustered-Mo<sup xmlns:mml="http://www.w3.org/1998/Math/MathML" xmlns:xlink="http://www.w3.org/1999/xlink">3</sup>) is tailored to characterize the post-disaster user movements and a spatial-temporal-aware-k-nearest-neighbors (STAK)-based data imputation technique is applied to supplement the missing user traffic data under malfunctional BSs. For traffic prediction, a spatial-temporal graph convolutional network (STGCN) is utilized to establish the DT model under a sequence-to-sequence (seq2seq) forecasting architecture. To improve the traffic prediction accuracy, we further develop a residual calibration (ResCAL) model to estimate and calibrate the traffic prediction errors. The MADT framework establishes a complete DT lifecycle, where the DT model performance is continuously monitored and fed back to trigger the model update if the network traffic pattern changes. Experimental results show that the MADT framework outperforms state-of-the-art spatiotemporal prediction schemes in terms of prediction accuracy and adaptation to user mobility, achieving performance comparable to that of the complete-data-trained STGCN (CD-STGCN).
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 ».