Mit der Entwicklung der fünften und sechsten Generation von Mobilfunknetzen (5G und 6G) ist eine effektive Verwaltung der Funkressourcen entscheidend geworden. Diese fortschrittlichen Netze ermöglichen die Nutzung von Technologien wie Drohnen, Virtual Reality und Augmented Reality. Um jedoch ihr volles Potenzial auszuschöpfen, sind genaue Verfolgung und Prognose von Verkehrsindikatoren erforderlich.
Um diese Herausforderung anzugehen, haben Forscher der RUDN-Universität beschlossen, künstliche Intelligenz (KI) und maschinelles Lernen (ML) Algorithmen für die Verkehrsprognose zu nutzen. Sie verwendeten das Holt-Winter-Modell und das SARIMA-Modell, um Daten eines portugiesischen Mobilfunknetzbetreibers zur Vorhersage des stündlichen Verkehrsvolumens zu analysieren.
Beide Modelle zeigten eine hohe Genauigkeit bei der Vorhersage des Verkehrs für die nächste Stunde. Das SARIMA-Modell erwies sich als besser bei der Vorhersage des Verkehrs von Benutzern zu Basisstationen mit einer durchschnittlichen Fehlerquote von nur 11,2%. Das Holt-Winter-Modell schnitt bei der Prognose des Verkehrs von Basisstationen zu Benutzern besser ab, mit einer Fehlerquote von nur 4%. Die Forscher führten den Erfolg dieser Modelle auf ihre Fähigkeit zurück, zeitliche Muster zu entdecken und komplexe saisonale und trendige Komponenten zu verwalten.
Die Studie betonte die Bedeutung der Feinabstimmung der Hyperparameter, um die Leistung der Modelle weiter zu verbessern. Trotz der vielversprechenden Ergebnisse beider Modelle wiesen die Forscher darauf hin, dass es keine universell anwendbare Methode gibt, die in jeder Situation funktioniert. Daher planen sie, statistische Modelle mit KI- und ML-Techniken zu kombinieren, um präzisere Prognosen und Anomalieerkennung zu erreichen.
Durch die effektive Vorhersage und Reaktion auf Verkehrsdynamiken mithilfe von KI- und ML-Algorithmen können Netzwerkanbieter die Leistung von 5G- und 6G-Netzwerken verbessern. Durch kontinuierliche Forschung und Verfeinerung von Methoden werden Anstrengungen unternommen, um die Netzwerkeffizienz zu maximieren und die Zufriedenheit der Benutzer in einer sich rasch entwickelnden technologischen Landschaft zu verbessern.
FAQ:
Welche Modelle wurden in der Studie verwendet?
Die Studie verwendete das Holt-Winter- und das SARIMA-Modell, um den Verkehr in Mobilfunknetzen vorherzusagen.
Welche Ergebnisse wurden von den Modellen erzielt?
Das SARIMA-Modell erreichte eine durchschnittliche Fehlerquote von 11,2% bei der Vorhersage des Verkehrs von Benutzern zu Basisstationen, während das Holt-Winter-Modell eine Fehlerquote von 4% bei der Vorhersage des Verkehrs von Basisstationen zu Benutzern erreichte.
Warum ist die Feinabstimmung der Hyperparameter wichtig?
Die Forscher wiesen darauf hin, dass die Verbesserung der Leistung der Modelle durch die Anpassung der Hyperparameter für spezifische Fälle erreicht werden kann. Es gibt keine universell anwendbare Methode für alle Situationen.
Quelle: rudn.ru
The source of the article is from the blog maltemoney.com.br