Desenvolvimento da Inteligência Artificial e Aprendizado de Máquina prevê tráfego em redes móveis

Com o desenvolvimento de redes móveis de quinta e sexta geração (5G e 6G), a gestão eficaz dos recursos de rádio tornou-se crucial. Essas redes avançadas permitem a utilização de tecnologias como drones, realidade virtual e aumentada. No entanto, para aproveitar ao máximo seu potencial, é necessário rastrear e prever com precisão os indicadores de tráfego.

Para enfrentar esse desafio, pesquisadores da Universidade RUDN decidiram utilizar algoritmos de inteligência artificial (IA) e aprendizado de máquina (AM) para previsão de tráfego. Eles empregaram o modelo Holt-Winter e o modelo SARIMA, analisando dados de um operador de rede móvel em Portugal para prever o volume de tráfego por hora.

Ambos os modelos demonstraram alta precisão na previsão do tráfego para a próxima hora. O modelo SARIMA mostrou-se melhor na previsão do tráfego dos usuários para as estações base, com uma taxa de erro média de apenas 11,2%. O modelo Holt-Winter apresentou melhor desempenho na previsão do tráfego das estações base para os usuários, com uma taxa de erro de apenas 4%. Os pesquisadores atribuíram o sucesso desses modelos à sua capacidade de descobrir padrões temporais e lidar com componentes complexos de sazonalidade e tendência.

O estudo enfatizou a importância da afinação dos hiperparâmetros para melhorar ainda mais o desempenho dos modelos. Apesar dos resultados promissores de ambos os modelos, os pesquisadores observaram que não existe um método universalmente aplicável que funcione em todas as situações. Portanto, eles planejam combinar modelos estatísticos com técnicas de IA e AM para obter previsões mais precisas e detecção de anomalias.

Ao prever e responder de forma eficaz à dinâmica do tráfego usando algoritmos de IA e AM, os provedores de redes podem melhorar o desempenho das redes 5G e 6G. Através de pesquisas contínuas e aprimoramento de métodos, esforços estão sendo feitos para maximizar a eficiência da rede e melhorar a satisfação do usuário em um cenário tecnológico em constante evolução.

FAQ:
Quais modelos foram utilizados no estudo?
O estudo utilizou os modelos Holt-Winter e SARIMA para prever o tráfego em redes móveis.

Quais resultados foram obtidos pelos modelos?
O modelo SARIMA alcançou uma taxa de erro média de 11,2% na previsão do tráfego dos usuários para as estações base, enquanto o modelo Holt-Winter alcançou uma taxa de erro de 4% na previsão do tráfego das estações base para os usuários.

Por que a afinação dos hiperparâmetros é importante?
Os pesquisadores observaram que a melhoria do desempenho dos modelos pode ser alcançada ajustando os hiperparâmetros para casos específicos. Não existe um método universalmente aplicável para todas as situações.

Fonte:
rudn.ru

The source of the article is from the blog lokale-komercyjne.pl