AI強化型の文脈依存クラスタリングと誤差訂正を用いた空間的セルラトラフィック需要予測による5G/6G計画

arXiv cs.LG / 2026/3/12

📰 ニュースSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、文脈を考慮した二段階データ分割と残差空間誤差訂正を導入することで、セルラトラフィック需要予測におけるリークを低減し、空間的一般化を向上させるAI駆動型フレームワークを提示する。
本手法は異種の地理空間情報と社会経済データの層を統合し、5G NR容量計画および将来の6Gシナリオに向けた高細粒度の需要マップを生成する。
この手法は、ナイーブな訓練/検証分割を崩す空間自己相関と近傍リーケージに対処し、より信頼性の高い帯域供給とスペクトラム計画を目指す。
カナダの五大都市を対象としたクラウドソースの利用指標を用いた実験は、場所のみに基づくクラスタリングに対して一貫したMAE低減を報告し、計画の信頼性向上を示している。

本文: arXiv:2603.10800v1 発表タイプ: 新規 Abstract: 要旨: セルラトラフィック需要の正確な空間予測は、5G NR容量計画、ネットワークの密集化、およびデータ駆動型の6G計画にとって不可欠である。機械学習は異種の地理空間情報と社会経済データの層を統合して細粒度の需要マップを推定できるが、空間自己相関はナイーブな訓練/検証分割の下で近隣リーケージを生じさせ、精度を過大評価し計画の信頼性を低下させる。本論文は、文脈適応の二段階分割戦略と残差空間誤差訂正を用いることで、リーケージを低減し空間的一般化を改善するAI駆動型フレームワークを提示する。五大カナダ都市を対象としたクラウドソースの利用指標を用いた実験は、場所のみクラスタリングに対して一貫して平均絶対誤差（MAE）が低減されることを示し、より信頼性の高い帯域提供と根拠に基づくスペクトラム計画・共有評価を支持する。