Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Mobile Networks and Applications
Erschienen in: Mobile Networks and Applications 6/2020

28.05.2020

Traffic Forecasting on Mobile Networks Using 3D Convolutional Layers

verfasst von: Jose Mejia, Alberto Ochoa-Zezzati, Oliverio Cruz-Mejía

Erschienen in: Mobile Networks and Applications | Ausgabe 6/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Increasing demands to access the internet through mobile infrastructures have in turn increased demands for improved quality and speed in communication services. One possible solution to meet these demands is to use cellular traffic forecasting to improve network performance. In this paper, a model for predicting traffic at a selected cellular base station (BS) is proposed. In the model, spatiotemporal features from neighboring stations to the target BS are used, and this information is used for forecasting through a series of surfaces evolving over time and a deep learning architecture consisting of 3D convolutional networks. Experimental results showed that this method outperformed other approaches used to predict traffic data.
Vorheriger Artikel Lagrangian Approach to Modeling Placement Conditions in Optimized Packing Problems
Nächster Artikel Design and Development of Digital Twins: a Case Study in Supply Chains

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Weitere Produktempfehlungen anzeigen
Literatur
1.
Alvizu R, Troia S, Maier G, Pattavina A (2017) Matheuristic with machine-learning-based prediction for software-defined mobile metro-core networks. J Opt Commun Network 9(9):D19–D30CrossRef
2.
Bican B, Yaslan Y (2014) A hybrid method for time series prediction using emd and svr. In: 2014 6th International symposium on communications, control and signal processing (ISCCSP). IEEE, pp 566–569
3.
Chen X, Jin Y, Qiang S, Hu W, Jiang K (2015) Analyzing and modeling spatio-temporal dependence of cellular traffic at city scale. In: 2015 IEEE international conference on communications (ICC). IEEE, pp 3585–3591
4.
5.
Cong I, Choi S, Lukin MD (2019) Quantum convolutional neural networks. Nat Phys 15(12):1273–1278CrossRef
6.
Feng J, Chen X, Gao R, Zeng M, Li Y (2018) Deeptp: an end-to-end neural network for mobile cellular traffic prediction. IEEE Netw 32(6):108–115CrossRef
7.
Hu Z, Lu Z, Wen X, Li Q (2017) Stochastic-geometry-based performance analysis of delayed mobile data offloading with mobility prediction in dense ieee 802.11 networks. IEEE Access 5:23060–23068CrossRef
8.
Ji S, Xu W, Yang M, Yu K (2012) 3d convolutional neural networks for human action recognition. IEEE Trans Pattern Anal Mach Intell 35(1):221–231CrossRef
9.
Kim HY, Won CH (2018) Forecasting the volatility of stock price index: a hybrid model integrating lstm with multiple garch-type models. Expert Systems with Applications
10.
Liu Y, Wang X, Boudreau G, Sediq AB, Abou-zeid H (2020) Deep learning based hotspot prediction and beam management for adaptive virtual small cell in 5g networks. IEEE Trans Emerg Topics Comput Intell 4:83–94CrossRef
11.
Naboulsi D, Fiore M, Ribot S, Stanica R (2015) Large-scale mobile traffic analysis: a survey. IEEE Commun Surv Tutor 18(1):124–161CrossRef
12.
Nie L, Wang X, Wan L, Yu S, Song H, Jiang D (2018) Network traffic prediction based on deep belief network and spatiotemporal compressive sensing in wireless mesh backbone networks. Wirel Commun Mob Comput 2018
13.
Nikravesh AY, Ajila SA, Lung C-H, Ding W (2016) Mobile network traffic prediction using mlp, mlpwd, and svm. In: 2016 IEEE International congress on big data (BigData congress). IEEE, pp 402–409
14.
Powell MJ (1964) An efficient method for finding the minimum of a function of several variables without calculating derivatives. Comput J 7(2):155–162MathSciNetCrossRef
15.
Qiu C, Zhang Y, Feng Z, Zhang P, Cui S (2018) Spatio-temporal wireless traffic prediction with recurrent neural network. IEEE Wireless Commun Lett 7(4):554–557CrossRef
16.
Shen F, Chao J, Zhao J (2015) Forecasting exchange rate using deep belief networks and conjugate gradient method. Neurocomputing 167:243–253CrossRef
17.
Wang X, Zhou Z, Xiao F, Xing K, Yang Z, Liu Y, Peng C (2018) Spatio-temporal analysis and prediction of cellular traffic in metropolis. IEEE Trans Mob Comput 18(9):2190– 2202CrossRef
18.
Xu F, Lin Y, Huang J, Wu D, Shi H, Song J, Li Y (2016) Big data driven mobile traffic understanding and forecasting: a time series approach. IEEE Trans Serv Comput 9(5):796–805CrossRef
19.
Yang H, Yuan C, Li B, Du Y, Xing J, Hu W, Maybank SJ (2019) Asymmetric 3d convolutional neural networks for action recognition. Pattern Recogn 85:1–12CrossRef
20.
Yu Y, Song M, Fu Y, Song J (2013) Traffic prediction in 3g mobile networks based on multifractal exploration. Tsinghua Sci Technol 18(4):398–405CrossRef
Metadaten
Titel
Traffic Forecasting on Mobile Networks Using 3D Convolutional Layers
verfasst von
Jose Mejia
Alberto Ochoa-Zezzati
Oliverio Cruz-Mejía
Publikationsdatum
28.05.2020
Verlag
Springer US
Erschienen in
Mobile Networks and Applications / Ausgabe 6/2020
Print ISSN: 1383-469X
Elektronische ISSN: 1572-8153
DOI
https://doi.org/10.1007/s11036-020-01554-y

Weitere Artikel der Ausgabe 6/2020

Mobile Networks and Applications 6/2020 Zur Ausgabe

OriginalPaper

Adaptive Enhancement Method for Multimode Remote Sensing Image Based on LiDAR

OriginalPaper

A Respiratory Motion Prediction Method Based on Improved Relevance Vector Machine

BriefCommunication

Topology Sensing of Wireless Networks Based on Hawkes Process

OriginalPaper

Lagrangian Approach to Modeling Placement Conditions in Optimized Packing Problems

OriginalPaper

Local Statistics-based Speckle Reducing Bilateral Filter for Medical Ultrasound Images

OriginalPaper

P2P Network Based Smart Parking System Using Edge Computing

Neuer Inhalt

    Bildnachweise