Z rozwijającymi się sieciami mobilnymi piątej i szóstej generacji (5G i 6G) znaczącym stało się skuteczne zarządzanie zasobami radiowymi. Zaawansowane te sieci pozwalają na wykorzystanie technologii takich jak drony, wirtualna i rozszerzona rzeczywistość. Jednakże, aby w pełni wykorzystać ich potencjał, konieczne jest dokładne śledzenie i prognozowanie wskaźników ruchu.
Aby stawić czoła temu wyzwaniu, badacze z Uniwersytetu RUDN zdecydowali się wykorzystać sztuczną inteligencję (AI) i algorytmy uczenia maszynowego (ML) do prognozowania ruchu. Wykorzystali model Holt-Wintersa i model SARIMA, analizując dane operatora portugalskiej sieci komórkowej w celu prognozowania godzinowego wolumenu ruchu.
Obydwa modele wykazywały dużą dokładność w prognozowaniu ruchu na następną godzinę. Model SARIMA okazał się lepszy w przewidywaniu ruchu od użytkowników do stacji bazowych, z średnim wskaźnikiem błędu wynoszącym tylko 11,2%. Model Holt-Winter radził sobie lepiej w prognozowaniu ruchu od stacji bazowych do użytkowników, z wskaźnikiem błędu wynoszącym jedynie 4%. Badacze przypisali sukces tych modeli ich zdolności do odkrywania wzorców czasowych i zarządzania złożonymi sezonowymi i trendowymi komponentami.
Studium podkreśliło znaczenie dostrojenia hiperparametrów w celu dalszej poprawy wydajności modeli. Pomimo obiecujących wyników obu modeli, badacze zauważyli, że nie istnieje uniwersalna metoda, która działałaby w każdej sytuacji. Dlatego planują połączyć modele statystyczne z technikami sztucznej inteligencji i uczenia maszynowego, aby osiągnąć bardziej precyzyjne prognozy i wykrywanie anomalii.
Dzięki skutecznemu prognozowaniu i reagowaniu na dynamikę ruchu przy użyciu algorytmów AI i ML, dostawcy sieci mogą poprawić wydajność sieci 5G i 6G. Poprzez ciągłe badania i doskonalenie metod podejmowane są działania mające na celu maksymalizację efektywności sieci i poprawę satysfakcji użytkowników w szybko zmieniającym się krajobrazie technologicznym.
FAQ:
The source of the article is from the blog girabetim.com.br