.png){kind=icon}
返回
Maximum Entropy-Based Traffic Generation
.png){kind=icon}
PRE
AI
DOI：10.1109/tnsm.2026.3712637.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于最大熵原理（MEP）的机器学习模型和算法在通信网络优化问题中的应用，产生了对真实交通数据生成器的巨大需求，因为现实世界的交通数据集仍然非常稀少，尤其是与其实际规模相比。因此，我们提出了一种基于最大熵原理（MEP）的新型交通生成框架。该框架明确纳入经验统计约束，确保生成的交通数据紧密模拟真实数据中的复杂模式。我们使用卡尔加里市的车辆交通数据集，探索多种分布假设，即高斯分布、指数分布和混合模型。结果表明，高斯分布和高斯混合模型始终表现出更优性能，能够捕捉城市车辆交通中固有的多样化时间波动和复杂统计行为。本研究不仅突显了基于MEP模型的效力和灵活性，还将其确立为交通合成领域中现有生成方法的一种稳健、可解释且数据高效的替代方案。
Keyword:
Time series dataset
maximum entropy principle
traffic modeling
synthetic traffic generation
期刊
IF:
5.4
论文数:
637
被引数:
9.2K
机构
引用论文
Deep Transfer Learning for City-scale Cellular Traffic Generation through Urban Knowledge Graph
.png){kind=icon}
PREAI
分享收藏分享收藏Research on mobile traffic data augmentation methods based on SA-ACGAN-GN基于SA-ACGAN-GN的移动流量数据增强方法研究
PREAI
分享收藏
查看更多内容