Az ötödik és hatodik generációs mobilhálózatok (5G és 6G) fejlesztésével a rádióerőforrások hatékony kezelése elengedhetetlenné vált. Ezek a fejlett hálózatok lehetővé teszik olyan technológiák használatát, mint például drónok, virtuális és kiterjesztett valóság. Azonban ahhoz, hogy kihasználjuk a teljes potenciáljukat, pontos követésre és előrejelzésre van szükség a közlekedési mutatók terén.
A RUDN Egyetem kutatói úgy döntöttek, hogy mesterséges intelligencia (MI) és gépi tanulás (GT) algoritmusokat használnak a forgalom előrejelzésére. Holt-Winter modellt és SARIMA modellt alkalmaztak, a portugál mobilhálózat egyik mobiltelefon szolgáltatójának adatait elemezve a forgalom óránkénti volumenének előrejelzésére.
Mindkét modell nagy pontosságot mutatott a következő órára vonatkozó forgalom előrejelzésében. A SARIMA modell jobban teljesített a felhasználók és a bázisállomások közötti forgalom előrejelzésében, mindössze 11,2% átlagos hibarátával. A Holt-Winter modell jobban teljesített a forgalom előrejelzésében a bázisállomásoktól a felhasználókhoz, mindössze 4% hibarátával. A kutatók a modellek sikerét annak tulajdonították, hogy képesek időbeli mintázatokat felfedezni és kezelni a szezonális és trendkomponenseket.
A tanulmány rámutatott a hiperparaméter beállítások finomhangolásának fontosságára a modellek teljesítményének további javítása érdekében. Bár ígéretes eredmények születtek mindkét modellről, a kutatók rámutattak arra, hogy nincs minden helyzetre alkalmazható univerzális módszer. Ezért tervezik a statisztikai modellek és a MI, GT technikák összekapcsolását a pontosabb előrejelzések és a rendellenességek észlelése érdekében.
Az MI és GT algoritmusok hatékony előrejelzésének és reagálásának alkalmazásával a hálózati szolgáltatók javíthatják az 5G és 6G hálózatok teljesítményét. Folyamatos kutatás és módszerek finomítása révén törekvések történnek a hálózati hatékonyság maximalizálására és a felhasználói elégedettség javítására a gyorsan változó technológiai környezetben.
GYIK:
Milyen modelleket használtak a tanulmányban?
A tanulmány a Holt-Winter és SARIMA modelleket használta a mobilhálózatok forgalmának előrejelzésére.
Milyen eredményeket értek el a modellek?
A SARIMA modell átlagosan 11,2% hibaráta mellett előrejelzett forgalmat a felhasználóktól a bázisállomások felé, míg a Holt-Winter modell 4% hibaráta mellett előrejelzett forgalmat a bázisállomásoktól a felhasználók felé.
Miért fontos az hiperparaméter finomhangolása?
A kutatók rámutattak arra, hogy a modellek teljesítményének javítása elérhető a hiperparaméterek specifikus esetekre történő beállításával. Nincs általánosan alkalmazható módszer minden helyzetre.
Forrás:
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 shakirabrasil.info