Acknowledgement
본 연구는 과학기술정보통신부 및 정보통신기획평가원의 대학ICT연구센터육성지원사업의 연구결과로 수행되었음 (IITP-2021-2016-0-00314)
Proceedings of the Korea Information Processing Society Conference (한국정보처리학회:학술대회논문집)
- 2021.11a
- /
- Pages.95-98
- /
- 2021
- /
- 2005-0011(pISSN)
- /
- 2671-7298(eISSN)
DOI QR Code
STL-Attention based Traffic Prediction with Seasonality Embedding
계절성 임베딩을 고려한 STL-Attention 기반 트래픽 예측
- Yeom, Sungwoong (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
- Choi, Chulwoong (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
- Kolekar, Shivani Sanjay (Dept. of Artificial Intelligence Convergence, Chonnam National University) ;
- Kim, Kyungbaek (Dept. of Artificial Intelligence Convergence, Chonnam National University)
- 염성웅 (전남대학교 인공지능융합학과) ;
- 최철웅 (전남대학교 인공지능융합학과) ;
- 콜레카르 시바니 산제이 (전남대학교 인공지능융합학과) ;
- 김경백 (전남대학교 인공지능융합학과)
- Published : 2021.11.04
Abstract
최근 비정상적인 네트워크 활동 감지 및 네트워크 서비스 프로비저닝과 같은 다양한 분야에서 응용되는 네트워크 트래픽 예측 기술이 네트워크 통신 문제에 의한 트래픽의 결측 및 네트워크 유저의 불규칙한 활동에 의한 비선형 특성 때문에 발생하는 성능 저하를 극복하기 위해 딥러닝 신경망에 대한 연구가 활성화되고 있다. 이 딥러닝 신경망 중 시계열 딥러닝 신경망은 단기 네트워크 트래픽 볼륨을 예측할 때 낮은 오류율을 보인다. 하지만, 시계열 딥러닝 신경망은 기울기 소멸 및 폭발과 같은 비선형성, 다중 계절성 및 장기적 의존성 문제와 같은 한계를 보여준다. 이 논문에서는 계절성 임베딩을 고려한 주의 신경망 기반 트래픽 예측 기법을 제안한다. 제안하는 기법은 STL 분해 기법을 통해 분해된 트래픽 트랜드, 계절성, 잔차를 이용하여 일별 및 주별 계절성을 임베딩하고 이를 주의 신경망을 기반으로 향후 트래픽을 예측한다.
Keywords