基于保守推断学习细胞网络连接质量
网络与互联网体系结构
2024-07-17 v1 机器学习
信号处理
应用统计
摘要
本文聚焦于细胞网络速度的不确定性量化问题。人们已知，移动设备在同一位置时，其实际感受到的网络速度会呈现显著波动，这种高变动性表明，仅凭点估计网络速度是不够的。更为有效的做法是构建覆盖预期波动范围的预测区间。为构建精准的网络估计图，需要在不同位置收集大量移动数据。当前公开数据集依赖用户通过应用程序上传数据。虽然已收集大量数据，但因细胞网络特性及其他因素，数据集存在显著噪声。此外，人口密度分布不均导致数据采集空间一致性差，进而在derived网络质量图中引入巨大不确定性。我们聚焦于Ookla提供的大规模互联网质量数据集，构建连接质量估计图。为提升该图的可靠性，我们引入新型保守推断技术构建不确定性图。我们识别出不确定性较高的区域，以制定针对性、人工数据采集策略。此外，不确定性图量化了不同区域预测的可靠性。我们的方法还导致一种抽样策略，引导研究人员有针对性地收集高质量数据，以补足当前数据集，提升整体预测模型的准确性。
引用
@article{arxiv.2407.10976,
title = {Learning Cellular Network Connection Quality with Conformal},
author = {Hanyang Jiang and Elizabeth Belding and Ellen Zegure and Yao Xie},
journal= {arXiv preprint arXiv:2407.10976},
year = {2024}
}
备注
arXiv admin note: text overlap with arXiv:2311.05641