PulseAugur
中
实时 09:58:53
English(EN) Deep Learning Network-Temporal Models For Traffic Prediction

深度学习和LLM增强网络流量预测

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个新的框架，利用深度学习和大语言模型（LLM）来预测网络流量。该方法显式地模拟了多元网络时间序列中的时间动态和结构依赖性。该框架包含一个图注意力模型来捕捉拓扑诱导的相关性，并对微调的LLM进行优化以提高泛化能力。在真实骨干网流量数据上的实验表明，与现有的统计和循环神经网络方法相比，该方法在预测质量的个体时间序列一致性方面取得了持续的改进，并降低了变异性。 AI

影响 这项研究可能带来更准确、更稳定的网络流量管理系统，提高网络环境的效率和可靠性。

排序理由 该集群包含一篇学术论文，详细介绍了使用深度学习和LLM进行网络流量预测的新方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度学习和LLM增强网络流量预测

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Yufeng Xin, Ethan Fan ·

    Deep Learning Network-Temporal Models For Traffic Prediction

    arXiv:2603.11475v2 Announce Type: replace Abstract: Accurate prediction of multivariate time series is essential for emerging network intelligent control, observability, and management functions. Existing statistical-based and shallow machine learning models have shown limited pr…

相关话题