用于下一位置预测的精确低参数机器学习架构
机器学习
2024-02-05 v2 人工智能
摘要
下一位置预测是一门涉及预测用户下一位置的学科。其应用包括资源分配、服务质量、能效和交通管理。本文提出了一种节能、小型且低参数的机器学习（ML）架构，用于精确的下一位置预测，可部署于普通基站和边缘设备上。为此，我们在一个城市完整的人群移动模式上进行了上百次超参数实验，以确定一个精确的 ML 架构，使其在模型参数最少的情况下达到准确率平台期。我们成功地将已发表的 ML 架构的模型参数数量从 2.02 亿减少到 200 万。这将模型参数的总大小从 791 MB 降至 8 MB。此外，这将训练时间减少了四分之三，训练所需的图形处理器（GPU）内存减少了二十分之十九，总体准确率从 80.16% 提高到了 82.54%。这一改进使得不具备大量内存或存储空间的普通基站和边缘设备能够部署并利用所提出的 ML 架构进行下一位置预测。
引用
@article{arxiv.2402.00306,
title = {An Accurate and Low-Parameter Machine Learning Architecture for Next Location Prediction},
author = {Calvin Jary and Nafiseh Kahani},
journal= {arXiv preprint arXiv:2402.00306},
year = {2024}
}
备注
Paper was accepted and presented in person at the 2023 IEEE Future Networks World Forum, in Baltimore, Maryland, USA