Se vývojem páté a šesté generace mobilních sítí (5G a 6G) se stává efektivní správa rádiových zdrojů klíčovou. Tyto pokročilé sítě umožňují využití technologií, jako jsou drony, virtuální realita a rozšířená realita. Nicméně pro plné využití jejich potenciálu je nezbytné přesné sledování a předpovídání indikátorů provozu.
Výzkumníci z RUDN University se rozhodli využít algoritmy umělé inteligence (AI) a strojového učení (ML) k předpovídání provozu. Použili model Holt-Winter a model SARIMA k analýze dat od portugalského mobilního operátora, aby předpověděli hodinový objem provozu.
Oba modely prokázaly vysokou přesnost při předpovídání provozu pro následující hodinu. Model SARIMA se ukázal být lepší při předpovídání provozu od uživatelů k základnovým stanicím, s průměrnou chybovou úrovní pouze 11,2 %. Model Holt-Winter výborně předpovídal provoz ze základnových stanic k uživatelům s chybovou úrovní pouze 4 %. Úspěch těchto modelů je přičítán jejich schopnosti objevit časové vzorce a řídit složité sezónní a trendové složky.
Ve studii byl kladen důraz na důležitost ladění hyperparametrů pro další zlepšení výkonu modelů. Přestože výsledky obou modelů naznačovaly slibný potenciál, výzkumníci poukázali na to, že není žádná univerzálně použitelná metoda, která by fungovala ve všech situacích. Proto plánují kombinovat statistické modely s AI a ML technikami k dosažení přesnějších předpovědí a detekce anomálií.
Efektivní předpověď a reakce na dynamiku provozu pomocí algoritmů AI a ML umožňuje poskytovatelům sítí zlepšit výkon sítí 5G a 6G. Díky dalším výzkumům a zdokonalování metod se usiluje o maximalizaci efektivity sítě a zlepšení spokojenosti uživatelů v rychle se měnícím technologickém prostředí.
Časté dotazy (FAQ):
Které modely byly ve studii použity?
Ve studii byly využity modely Holt-Winter a SARIMA k předpovídání provozu v mobilních sítích.
Jaké výsledky modely dosáhly?
Model SARIMA dosáhl průměrné chybové úrovně 11,2 % při předpovídání provozu od uživatelů k základnovým stanicím, zatímco model Holt-Winter dosáhl chybové úrovně 4 % při předpovídání provozu ze základnových stanic k uživatelům.
Proč je důležité ladění hyperparametrů?
Výzkumníci upozornili, že zlepšení výkonu modelů lze dosáhnout přizpůsobením hyperparametrů konkrétním případům. Neexistuje žádná univerzálně použitelná metoda pro všechny situace.
Zdroj: [RUDN University – Předpovídání provozu v sítích 5G a 6G: Vědci zvažují využití AI a matematických modelů](https://www.rudn.ru/en/news-media/news/science/predicting-traffic-in-the-5g-and-6g-networks-scientists-consider-ai-and-mathematical-models)
The source of the article is from the blog regiozottegem.be