文献

J-GLOBAL ID：201702237447698524   整理番号：17A1728779

通信業務支援システムの異常予測モデルのための機械学習の調査【Powered by NICT】

The exploration of machine learning for abnormal prediction model of telecom business support system

著者 (3件)： Chen Jen-Hao (Telecommunication Laboratories, Chunghwa Telecom Co., Ltd., Taiwan, R.O.C) ,  Huang Chao-Wen (Telecommunication Laboratories, Chunghwa Telecom Co., Ltd., Taiwan, R.O.C) ,  Shih Chia-Chun (Telecommunication Laboratories, Chunghwa Telecom Co., Ltd., Taiwan, R.O.C)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： APNOMS  ページ： 211-214  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 企業は,良好な状態である保証する通信BSSの性能計量を収集する多くの監視ツールを利用する。システム故障の影響を分散システム修復を完了する時間の長さに依存した。モニタリングツールによって収集された指標は,システム故障の適応を有している可能性があり,維持にそれらメトリックスからシステム故障を予測するチャンスた。しかし,モニタリングツールによって収集された計量が多すぎると,いくつかのヒントは,複数の指標の組合せで隠す可能性がある。はこの問題に対処するために機械学習アプローチを利用する。いくつかの機械学習ツールとアルゴリズムを用いて,著者らのデータセットに最善を行うモデルを得るために機械学習モデルの構成を検討した。線形SVM,RBF(動径基底関数)カーネルを用いたSVM,ランダムフォレストと完全結合ニューラルネットワークのような多くのアルゴリズムを比較した。はまた,より良い性能を達成することができるかどうかを見るために異常検出学習法を導入した。RBF(動径基底関数)カーネルを用いたSVMは,データセットに最良の性能を達成することができると,著者らのデータセットへの最も良い形態を見つけるためにRBF(動径基底関数)SVMのハイパーパラメータの包括的なグリッド探索を行った。最終調査結果におけるFスコア21を達成し,モデルはシステム故障の15%を予測する60分進歩である。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ニューラルネットワーク ,  *予測モデル ,  *通信 ,  分散系 ,  アルゴリズム ,  動径基底関数 ,  *機械学習 ,  線形性 ,  *学習
準シソーラス用語： ハイパーパラメータ ,  異常検出 ,  ランダムフォレスト ,  学習ツール ,  メトリックス ,  システム障害 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 業務支援システム ,  予測モデル ,  機械学習 ,  調査