• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>IEEE International Conference on Communications Workshops >Traffic Prediction Based on Ensemble Machine Learning Strategies with Bagging and LightGBM
【24h】

Traffic Prediction Based on Ensemble Machine Learning Strategies with Bagging and LightGBM

机译：基于集成了Bagging和LightGBM的机器学习策略的交通预测

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

With the development of mobile networks, one of the main challenges is performing accurate prediction in order to maximize resource usage, saving energy and improving quality of service (QoS). In the recent big data era, Machine learning (ML) algorithms have been exploited to mine the profound information hidden in the data that are suitable for describing the instability of network traffic, but the performance of a single ML model is often not very good. Ensemble learning can further increase accuracy on a variety of ML tasks. Therefore, in this paper, we apply random forest (RF) and LightGBM to mobile network traffic prediction by using RF to filter redundant features and using LightGBM to train prediction model. Furthermore, we propose a new traffic prediction model based on ensemble framework of bagging and LightGBM. The proposed model is evaluated with a real-life traffic dataset. The experiment results show that the proposed model effectively improves the prediction performance compared to single LightGBM given the same number of decision trees and some other popular algorithms, ARIMA, multi-layer perceptron (MLP) and Linear Regression (LR).
机译：随着移动网络的发展，主要挑战之一是执行准确的预测，以最大程度地利用资源，节省能源并提高服务质量（QoS）。在最近的大数据时代，机器学习（ML）算法已被用来挖掘隐藏在数据中的深层信息，这些信息适合描述网络流量的不稳定性，但是单个ML模型的性能通常不是很好。集成学习可以进一步提高各种ML任务的准确性。因此，在本文中，我们通过使用RF过滤冗余特征并使用LightGBM训练预测模型，将随机森林（RF）和LightGBM应用于移动网络流量预测。此外，我们提出了一种基于Bagging和LightGBM集成框架的新交通预测模型。所提出的模型是通过现实交通数据集进行评估的。实验结果表明，与相同数量的决策树和一些其他流行算法，ARIMA，多层感知器（MLP）和线性回归（LR）相比，所提出的模型与单个LightGBM相比，有效地提高了预测性能。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号