Методы машинного обучения для прогнозирования трафика в многоуровневой облачной архитектуре для сервисов автономных транспортных средств
https://doi.org/10.31854/1813-324X-2022-8-4-89-99
Аннотация
Автономные транспортные средства (AV, аббр. от англ. Autonomous Vehicle) являются одним из наиболее важных новых вариантов использования и перспективной технологией для сетей пятого поколения (5G) и следующего поколения в многочисленных приложениях. В настоящее время использование AV экспоненциально растет во всем мире, благодаря быстрому росту осведомленности и применению методов искусственного интеллекта в различных областях. Прогнозирование потоков данных необходимо для AV, чтобы улучшить передачу данных и уменьшить задержки за счет более эффективного использования соответствующих возможностей, мониторинга, управления и контроля дорожной системы. В данной работе предлагается подход глубокого обучения с двунаправленной моделью с долгой краткосрочной памятью (BI-LSTM, аббр. от англ. Bidirectional Long-Short-Term Memory) для прогнозирования сетевого трафика AV с многоуровневыми сервисами облачных вычислений. С точки зрения точности прогнозирования проводится сравнение между BI-LSTM и однонаправленной моделью с долгой краткосрочной памятью (LSTM) в зависимости от количества используемых пакетов. Точность предсказания рассчитывается с помощью среднеквадратичной ошибки, средней абсолютной процентной ошибки, коэффициента детерминации (R2) и времени обработки. Результаты показывают, что точность прогнозирования с помощью BI-LSTM превосходит модель LSTM. Кроме того, точность прогнозирования с использованием размера обучающей партии (BatchSize) равной 8, превосходит конкурентов и обеспечивает высокую производительность.
Об авторе
М. Аль-Свейти
Санкт-Петербургский государственный университет телекоммуникаций им. М.А. Бонч-Бруевича
Россия
Россия
Аль-Свейти Малик, аспирант кафедры сети связи и передачи данных
Санкт-Петербург, 193232
Список литературы
1. Abdellah A.R., Alshahrani A., Muthanna A., Koucheryavy A. Performance Estimation in V2X Networks Using Deep Learning-Based M-Estimator Loss Functions in the Presence of Outliers // Symmetry. 2021. Vol. 13. Iss. 11. P. 2207. DOI:10.3390/sym13112207.
2. Chochliouros I.P., Spiliopoulou A.S., Lazaridis P., Dardamanis A., Zaharis Z., Kostopoulos A. Dynamic Network Slicing: Challenges and Opportunities // Proceedings of the International Conference on Artificial Intelligence Applications and Innovations (AIAI 2020, Neos Marmaras, Greece, 5–7 June 2020). IFIP WG 12.5 International Workshops. IFIP Advances in Information and Communication Technology. Vol. 585. Cham: Springer, 2020. DOI:10.1007/978-3-030-49190-1_5
3. Miglani A., Kumar N. Deep larning models for traffic flow prediction in autonomous vehicles: A review, solutions, and challenges // Vehicular Communications. 2019. Vol. 20. P. 100184. DOI:10.1016/j.vehcom.2019.100184
4. Gillani M., Niaz H.A., Farooq M.U., Ullah A. Data collection protocols for VANETs: a survey // Complex & Intelligent Systems. 2022. Vol. 8. Iss. 3. PP. 2593‒2622. DOI:10.1007/s40747-021-00629-x
5. Grigorescu S, Trasnea B, Cocias T, Macesanu G. A survey of deep learning techniques for autonomous driving // Journal of Field Robotics. 2020. Vol. 37. Iss. 3. PP. 362–386. DOI:10.1002/rob.21918
6. Pfülb B., Hardegen C., Gepperth A., Rieger S. A Study of Deep Learning for Network Traffic Data Forecasting // Proceedings of the 28th International Conference on Artificial Neural Networks and Machine Learning (ICANN 2019, Munich, Germany, 17–19 September 2019). Lecture Notes in Computer Science. Vol. 11730. Cham: Springer, 2019. PP. 497–512. DOI:10.1007/978-3-030-30490-4_40
7. Ateeq M., Ishmanov F., Afzal M.K., Naeem M. Predicting Delay in IoT Using Deep Learning: A Multiparametric Approach // IEEE Access. 2019. Vol. 7. PP. 62022‒62032. DOI:10.1109/ACCESS.2019.2915958
8. Abdellah A.R., Koucheryavy A. Deep Learning with Long Short-Term Memory for IoT Traffic Prediction // Proceedings of the 20th International Conference on Next Generation Networks and Systems, NEW2AN 2020, and 13th Conference on Internet of Things, Smart Spaces, ruSMART 2020 (St. Petersburg, Russia, 26–28 August 2020. Lecture Notes in Computer Science. Vol. 12525. Cham: Springer, 2020. PP. 267–280. DOI:10.1007/978-3-030-65726-0_24
9. Almutairi M.S. Deep Learning-Based Solutions for 5G Network and 5G-Enabled Internet of Vehicles: Advances, Meta-Data Analysis, and Future Direction // Mathematical Problems in Engineering. 2022. Vol. 2022. P. 6855435. DOI:10.1155/2022/6855435
10. Kaur J., Khan M.A., Iftikhar M., Imran M., Haq Q.E.U. Machine Learning Techniques for 5G and Beyond // IEEE Access. 2021. Vol. 9. PP. 23472‒23488. DOI:10.1109/ACCESS.2021.3051557
11. Abdellah A.R., Volkov A., Muthanna A., Gallyamov D., Koucheryavy A. Deep Learning for IoT Traffic Prediction Based on Edge Computing // Proceedings of the 23rd International Conference on Distributed Computer and Communication Networks: Control, Computation, Communications (DCCN 2020, Moscow, Russia, 14‒18 September 2020). Com munications in Computer and Information Science. Vol. 1337. PP. 18‒29. Cham: Springer, 2020. DOI:10.1007/978-3-030-66242-4_2
12. Khedkar S.P., Canessane R.A., Najafi M.L. Prediction of Traffic Generated by IoT Devices Using Statistical Learning Time Series Algorithms // Wireless Communications and Mobile Computing. 2021. Vol. 2021. P. 5366222. DOI:10.1155/2021/5366222
13. Selvamanju E., Shalini V.B. Machine Learning Based Mobile Data Traffic Prediction in 5G Cellular Networks // Proceedings of the 5th International Conference on Electronics, Communication and Aerospace Technology (ICECA, Coimbatore, India, 02‒04 December 2021). IEEE, 2021. PP. 1318‒1324. DOI:10.1109/ICECA52323.2021.9675887
14. Choi D., Yim J., Baek M., Lee S. Machine Learning-Based Vehicle Trajectory Prediction Using V2V Communications and On-Board Sensors // Electronics. 2021. Vol. 10. Iss. 4. P. 420. DOI:10.3390/electronics10040420
15. Rasouli A., Tsotsos J.K. Autonomous Vehicles That Interact With Pedestrians: A Survey of Theory and Practice // IEEE Transactions on Intelligent Transportation Systems. 2020. Vol. 21. Iss. 3. PP. 900‒918. DOI:10.1109/TITS.2019.2901817
16. Badicu A., Suciu G., Balanescu M., Dobrea M., Birdici A., Orza O., Pasat A. PMs concentration forecasting using ARIMA algorithm // Proceedings of the 91-st Vehicular Technology Conference (VTC2020-Spring, Antwerp, Belgium, 25–28 May 2020). IEEE, 2020. DOI:10.1109/VTC2020-Spring48590.2020.9129390
17. Shang Q., Tan D., Gao S., Feng L. A Hybrid Method for Traffic Incident Duration Prediction Using BOA-Optimized Random Forest Combined with Neighborhood Components Analysis // Journal of Advanced Transportation. 2019. Vol. 2019. P. 4202735. DOI:10.1155/2019/4202735
18. Кучерявый А.Е. Сети связи с ультрамалыми задержками // Труды научно-исследовательского института радио. 2019. № 1. С. 69‒74.
19. Мутханна А.С. Интеллектуальная распределенная архитектура сети связи для поддержки беспилотных автомобилей // Электросвязь. 2020. № 7. С. 29‒34. DOI:10.34832/ELSV.2020.8.7.004
20. Владыко А.Г., Мутханна А.С., Кучерявый А.Е. Метод выгрузки трафика в V2X/5G сетях на основе системы граничных вычислений // Электросвязь. 2020. № 8. С. 24‒30. DOI:10.34832/ELSV.2020.9.8.004
21. Shrestha R., Bajracharya R., Nam S.Y. Challenges of Future VANET and Cloud-Based Approaches // Wireless Communications and Mobile Computing. 2018. Vol. 2018. P. 5603518. DOI:10.1155/2018/5603518
22. Плотников П.В., Владыко А.Г. Минимизация задержек при взаимодействии граничных устройств с использованием кластеризации в сетях VANETs // Труды учебных заведений связи. 2022. Т. 8. № 2. С. 6–13. DOI:10.31854/1813-324X-2022-8-2-6-13
Рецензия
Для цитирования:
Аль-Свейти М. Методы машинного обучения для прогнозирования трафика в многоуровневой облачной архитектуре для сервисов автономных транспортных средств. Труды учебных заведений связи. 2022;8(4):89-99. https://doi.org/10.31854/1813-324X-2022-8-4-89-99
For citation:
Alsweity M. Deep Learning Approaches for Traffic Prediction Forecasting in Multi-Level Cloud Architecture for Autonomous Vehicle Services. Proceedings of Telecommunication Universities. 2022;8(4):89-99. (In Russ.) https://doi.org/10.31854/1813-324X-2022-8-4-89-99
Просмотров:
461
Послать статью по эл. почте 