Co-Adaptive End-to-End Synergistic AI for Real-Time Traffic Prediction and Load Balancing in Mobile Networks
Notice bibliographique
Résumé
Recently, the development of Artificial Intelligence (AI) has improved traffic prediction, Load Balancing (LB) and network automation in mobile systems for enabling more efficient and adaptive management of dynamic resources. However, the existing models of traffic prediction and LB have limited responsiveness under unpredictable network fluctuations and varying service demands. Hence, this research proposes a Co-Adaptive End-to-end Synergistic AI (CAESA) framework for real-time and uncertainty-aware traffic prediction as well as intelligent LB in mobile networks. Here, the proposed CAESA allows the predictor and controller to continuously exchange the feedback and adapt to real-time changes for maintaining stable LB even under sudden traffic flows. Initially, the input data is collected from streaming telemetry and mobility traces and preprocessed with K-Nearest Neighbors (KNN) imputation and min-max normalization to fill missing values and scale features to a uniform range. Similarly, the fixed-length overlapping sliding windows and adjacency-based dynamic graph generation to convert the continuous time series data into sequences and construct evolving graph representations respectively. After that, a Graph Transformer with Temporal Attention (GTTA) is employed to capture spatial dependencies and temporal evolution. Further, the differentiable convex optimization is used to generate the safe LB actions. Finally, the hierarchical co-adaptive control module executes and refines these actions in real-time by using MultiAgent Proximal Policy Optimization (MAPPO) and meta-learning. The proposed CAESA framework achieved better results in terms of throughput (923 Mbps) than the existing FlowBender-Enhanced Reinforcement Learning for LB (FERL-LB) algorithm.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 source (Gemma direct ou Codex distillé), 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 ».