Il rapido sviluppo delle reti mobili di quinta e sesta generazione (5G e 6G) ha reso fondamentale una gestione efficace delle risorse radio. Queste reti avanzate consentono l’utilizzo di tecnologie come droni, realtà virtuale e realtà aumentata. Tuttavia, per sfruttarne appieno il potenziale, è necessario il tracciamento accurato e la previsione degli indicatori di traffico.
Per affrontare questa sfida, i ricercatori dell’Università RUDN hanno deciso di utilizzare l’intelligenza artificiale (AI) e gli algoritmi di apprendimento automatico (ML) per la previsione del traffico. Hanno impiegato il modello di Holt-Winter e il modello SARIMA, analizzando i dati di un operatore di rete mobile portoghese per prevedere il volume di traffico orario.
Entrambi i modelli hanno dimostrato un’alta accuratezza nella previsione del traffico per l’ora successiva. Il modello SARIMA si è rivelato migliore nella previsione del traffico dagli utenti alle stazioni di base, con un tasso di errore medio di soli 11,2%. Il modello di Holt-Winter si è comportato meglio nella previsione del traffico dalle stazioni di base agli utenti, con un tasso di errore del solo 4%. I ricercatori hanno attribuito il successo di questi modelli alla capacità di scoprire pattern temporali e gestire componenti complesse stagionali e di tendenza.
Lo studio ha evidenziato l’importanza della calibrazione degli iperparametri per migliorare ulteriormente le prestazioni dei modelli. Nonostante i risultati promettenti di entrambi i modelli, i ricercatori hanno notato che non esiste un metodo universalmente applicabile che funzioni in ogni situazione. Pertanto, hanno pianificato di combinare modelli statistici con tecniche di AI e ML per ottenere previsioni più precise e rilevazione delle anomalie.
Prevedendo ed affrontando in modo efficace le dinamiche del traffico utilizzando algoritmi di AI e ML, i fornitori di reti possono migliorare le prestazioni delle reti 5G e 6G. Attraverso la ricerca continua e il perfezionamento dei metodi, si stanno facendo sforzi per massimizzare l’efficienza della rete e migliorare la soddisfazione degli utenti in un panorama tecnologico in continua evoluzione.
Domande frequenti:
Quali modelli sono stati utilizzati nello studio?
Lo studio ha utilizzato i modelli di Holt-Winter e SARIMA per prevedere il traffico nelle reti mobili.
Quali risultati sono stati ottenuti dai modelli?
Il modello SARIMA ha ottenuto un tasso di errore medio del 11,2% nella previsione del traffico dagli utenti alle stazioni di base, mentre il modello di Holt-Winter ha ottenuto un tasso di errore del 4% nella previsione del traffico dalle stazioni di base agli utenti.
Perché è importante la calibrazione degli iperparametri?
I ricercatori hanno notato che migliorare le prestazioni dei modelli può essere ottenuto mediante l’aggiustamento degli iperparametri per casi specifici. Non esiste un metodo universalmente applicabile per tutte le situazioni.
Fonte:
www.rudn.ru
The source of the article is from the blog scimag.news