Predição de Volume de Tráfego de Rede a partir de uma Análise de Granularidade Temporal de Medição em Computação de Borda

• Ismael S. F. de Castro UECE
• Maria C. M. M. Ferreira UECE
• Maria de L. Linhares UECE
• Rafael L. Gomes UECE

DOI: https://doi.org/10.5753/courb.2026.24079

Resumo

A crescente digitalização dos espaços urbanos tem ampliado a importância do uso de mecanismos de predição baseados em dados oriundos de infraestruturas conectadas que dão suporte a serviços como comunicação, monitoramento, sensoriamento e operação de plataformas digitais. Entretanto, a qualidade dos resultados preditivos depende não apenas do modelo adotado, mas também de decisões metodológicas fundamentais, como a escolha da granularidade temporal e a realização de um pré-processamento robusto dos dados. Dentro deste contexto, este trabalho apresenta um mecanismo que foca em um pipeline de pré-processamento robusto para mitigar lacunas e ruídos típicos de sensores e falhas de telemetria em infraestruturas conectadas, investigando o impacto de diferentes granularidades temporais sobre o comportamento preditivo dos modelos, sem desconsiderar a importância de um processo consistente de limpeza e preparação das séries. Os resultados, usando dados de redes reais, indicam que a granularidade horária oferece o melhor equilíbrio entre estabilidade e redução de erro absoluto.

Referências

Baganal-Krishna, N., Lübben, R., Liotou, E., Katsaros, K. V., and Rizk, A. (2024). A federated learning approach to qos forecasting in cellular vehicular communications: Approaches and empirical evidence. Computer Networks, 242:110239.

Bi, S. and Wang, H. (2024). Network traffic prediction based on the multi-time granularity gru-bp neural network. IEEE Access, 12:96997–97003.

Brito, M. L. L., Ferreira, M. C. M., Portela, A. L. C., and Gomes, R. L. (2026). Ai-based estimation of bandwidth availability for data offloading in edge-cloud computing. IEEE Networking Letters, 8:69–73.

Feng, W., Li, L., Zhou, H., Xie, B., Zhao, D., Zhang, Y., and Wang, F. (2026). Robust long-term spatial–temporal forecasting for dynamic networks: The mdetst model. Mathematics, 14(4).

Ferreira, G. O., Ravazzi, C., Dabbene, F., Calafiore, G. C., and Fiore, M. (2023). Forecasting network traffic: A survey and tutorial with open-source comparative evaluation. IEEE Access, 11:6018–6044.

Ferreira, M., Linhares, M., Araújo, T., and Gomes, R. (2025). Aplicando decomposição de valores singulares na predição de vazão de rede. In Anais do XLIII Simpósio Brasileiro de Redes de Computadores e Sistemas Distribuídos, pages 630–643, Porto Alegre, RS, Brasil. SBC.

Ferreira, M. C., Ribeiro, S. E., Nobre, F. V., Linhares, M. L., Araújo, T. P., and Gomes, R. L. (2024). Mitigating measurement failures in throughput performance forecasting. In 2024 20th International Conference on Network and Service Management (CNSM), pages 1–7.

Gomes, R. L., Bittencourt, L. F., and Madeira, E. R. (2014). A bandwidth-feasibility algorithm for reliable virtual network allocation. In 2014 IEEE 28th International Conference on Advanced Information Networking and Applications, pages 504–511.

Gomes, R. L., Bittencourt, L. F., Madeira, E. R., Cerqueira, E., and Gerla, M. (2016). Bandwidth-aware allocation of resilient virtual software defined networks. Computer Networks, 100:179–194.

Koumar, J., Hynek, K., Čejka, T., and Šiška, P. (2024). Cesnet-timeseries24: Time series dataset for network traffic anomaly detection and forecasting.

Koumar, J., Smoleň, T., Jeřábek, K., and Čejka, T. (2025). Comparative analysis of deep learning models for real-world isp network traffic forecasting.

Leoni, G., Rosati, P., Lynn, T., Kelner, J., Sadok, D., and Endo, P. (2021). Predicting short-term mobile internet traffic from internet activity using recurrent neural networks. International Journal of Network Management, 32.

Liu, F., Farkiani, B., and Crowley, P. (2026). Time-series foundation models for isp traffic forecasting.

Lopes Gomes, R. and Roberto Mauro Madeira, E. (2012). A traffic classification agent for virtual networks based on qos classes. IEEE Latin America Transactions, 10(3):1734–1741.

Nobre, F. V. J., Silva, D. d. S., Ferreira, M. C. M. M., Brito, M. L. M. L., de Araújo, T. P., and Gomes, R. L. (2025). Time-weighted correlation approach to identify high delay links in internet service providers. Journal of Internet Services and Applications, 16(1):419–430.

Park, J., Kang, H., Han, S., and Kang, P. (2025). Granularity fusion transformer: Learning multi-granularity patterns for time-series forecasting. Knowledge-Based Systems, 320:113644.

Santos, E. and Almeida, T. (2025). From statistics to deep learning: Forecasting mobile throughput. In Anais do XIII Symposium on Knowledge Discovery, Mining and Learning, pages 137–144, Porto Alegre, RS, Brasil. SBC.

Santos, G. L., Rosati, P., Lynn, T., Kelner, J., Sadok, D., and Endo, P. T. (2020). Predicting short-term mobile internet traffic from internet activity using recurrent neural networks.

Shubo, S. and Haipeng, H. (2024). Network traffic prediction based on the multi-time granularity gru-bp neural network. IEEE Access, 12:96997–97003.

Souza, M. S., Ribeiro, S. E. S. B., Lima, V. C., Cardoso, F. J., and Gomes, R. L. (2024). Combining regular expressions and machine learning for sql injection detection in urban computing. Journal of Internet Services and Applications, 15(1):103–111.

Wang, X., Wang, Z., Yang, K., Song, Z., Bian, C., Feng, J., and Deng, C. (2024). A survey on deep learning for cellular traffic prediction. Intelligent Computing, 3:0054.

Yu, H., Wang, Z., Xie, Y., and Wang, G. (2024). A multi-granularity hierarchical network for long- and short-term forecasting on multivariate time series data. Applied Soft Computing, 157:111537.

Zhu, Y., Jiang, B., Jin, H., Zhang, M., Gao, F., Huang, J., Lin, T., and Wang, X. (2024). Networked time-series prediction with incomplete data via generative adversarial network. ACM Trans. Knowl. Discov. Data, 18(5).