Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
도시의 이동성 및 혼잡 정보를 통합하여 네트워크 트래픽을 예측하는 PEHT 프레임워크를 제안합니다. LoRA를 활용해 매개변수 효율성을 높이고 멀티모달 융합 전략을 통해 예측 정확도를 개선했습니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기정확한 네트워크 트래픽 예측은 동적인 도시 셀룰러 네트워크(cellular networks)에서 효율적인 자원 할당을 위한 핵심 요소입니다. 그러나 네트워크 수요는 복잡한 이동 패턴(mobility patterns), 혼잡 역학(congestion dynamics), 그리고 이질적인 사용자 행동(heterogeneous user behavior)의 영향을 받기 때문에 예측은 여전히 어려운 과제로 남아 있습니다. 본 논문은 도시 이동성(urban mobility) 및 혼잡 정보를 Transformer 기반 아키텍처에 통합하는 네트워크 트래픽 예측 프레임워크인 매개변수 효율적 하이브리드 트랜스포머 (Parameter-Efficient Hybrid Transformer, PEHT)를 소개합니다. PEHT는 주요 네트워크 통신 특징을 보조적인 도시 이동성 특징과 분리하며, 높은 예측 정확도를 유지하면서 학습 가능한 매개변수의 수를 줄이기 위해 Transformer 인코더에 저차원 적응 (Low-Rank Adaptation, LoRA)을 통합합니다. 그런 다음 멀티모달 융합 (multimodal fusion) 전략을 통해 외부 이동성 및 혼잡 특징을 디코더(decoder)에 주입하여 트래픽 예측을 개선합니다. Telecom Italia Milan 데이터셋과 여러 합성 혼잡 시나리오에 대한 실험 결과, PEHT는 RMSE, MAE 및 $R^2$ 측면에서 최첨단 (state-of-the-art) 베이스라인 모델보다 뛰어난 성능을 보여줍니다. 구현 코드는 GitHub 저장소에서 확인할 수 있습니다.