时空图Transformer提升边缘计算流量预测能力

研究人员开发了一种新颖的时空图Transformer框架，旨在提高边缘计算环境中的流量预测准确性。该框架利用图神经网络对服务区域之间的空间相关性进行建模，并采用基于Transformer的自注意力机制来捕捉流量数据中的长程时间依赖性。在真实蜂窝网络数据上的实验表明，该方法优于现有的基于图的循环模型，能够实现更有效的预测性资源配置，并降低系统过载的风险。 AI

影响 通过实现更准确的流量预测，改善了边缘计算中的资源管理。

排序理由 详细介绍特定AI任务新模型架构的学术论文。

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• DagsHub
• GCN-GRU
• GCN-LSTM
• GCN-RNN
• Gotit.pub
• graph neural networks
• Hugging Face
• ScienceCast
• Spatiotemporal Graph Transformer
• Transformer++

• 论文
• 基础设施

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