Large Language Models for Wireless Cellular Traffic Prediction: A Multi-timespan Approach
Notice bibliographique
Résumé
Wireless cellular traffic prediction is essential for efficient network management and monitoring, yet it is a challenging task due to the spatial and temporal characteristics of traffic. Recently, machine learning based traffic prediction algorithms have been proposed in the literature. However, these algorithms lack good generalization ability as they cannot adapt to frequent changes in traffic distribution typically encountered in wireless networks. In this paper, we propose a traffic prediction algorithm using large language models (LLMs). We first analyze the temporal characteristics of traffic and identify those timespans in the historical traffic information which are important for traffic prediction. We use a clustering algorithm to identify cells with similar traffic patterns. To predict the traffic in a cell, we incorporate the multi-timespan historical traffic information of the cell as well as those cells with similar traffic patterns into natural language sentences and provide them as input to the LLM. Using our proposed framework, we fine-tune three popular LLMs (BART, BigBird, and PEGASUS) on the traffic prediction task. Experimental results show that our proposed LLM framework outperforms a state-of-the-art graph neural network (GNN) baseline and achieves up to 12.32% improvement in terms of the mean absolute error (MAE). Moreover, the proposed LLM framework has excellent generalization ability under the zero-shot setting, reducing the MAE by up to 46.84% compared to the baseline. The ablation studies reveal that providing information from multiple timespans to the model reduces the MAE by up to 15.05% compared to only providing information from the most recent timespan.
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 | 0,001 | 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) | 0,001 | 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 ».