Tekoäly (AI) ja koneoppiminen (ML) ovat osoittautuneet mullistaviksi pelinmuuttajiksi viidennen sukupolven (5G) ja kuudennen sukupolven (6G) verkkojen liikenteen ennustamisen alalla. RUDN-yliopiston tutkijat ovat äskettäin tehneet tutkimuksen, jossa tutkittiin AI:n ja ML:n tehokkuutta matkapuhelinverkkojen profilointien ennustamisessa. Näiden kehittyneiden teknologioiden avulla verkkotoimittajat voivat suunnitella ja hallita verkkoliikennettä paremmin, mikä johtaa parantuneeseen käyttäjätyytyväisyyteen ja verkon tehokkuuteen.
Tutkimuksessa tutkijat keskittyivät kahteen suosittuun aikasarja-analyysimalliin: Holt-Winter-malliin ja kausiluonteiseen integroituneeseen autoregressiiviseen liikkuvan keskiarvon (SARIMA) malliin. Tutkijat käyttivät portugalilaisen matkapuhelinoperaattorin tietoaineistoa, ja he keräsivät tunneittaiset liikennetilastot kouluttaakseen ja testatakseen malleja. He huomasivat, että molemmat mallit suoriutuivat erinomaisesti liikenteen ennustamisesta seuraavalle tunnille.
SARIMA-malli osoitti vahvuutensa käyttäjän ja tukiaseman välisen liikenteen ennustamisessa, saavuttaen keskimääräisen virheprosentin vain 11,2%. Tämä malli on erinomainen väliaikaisten mallien seuraamisessa matkapuhelinverkon liikenteessä sen kyvyn ansiosta tallentaa ajallisia malleja. Toisaalta Holt-Winter-malli osoitti parempaa suorituskykyä tukiaseman ja käyttäjän välisen liikenteen estimoinnissa, virheprosentin ollessa jopa 4%. Tämän mallin kyky käsitellä monimutkaisia kausivaihteluita ja trendikomponentteja vaikutti sen tarkkuuteen.
Mallien suorituskyvyn mittaamiseksi tutkijat käyttivät erilaisia kriteerejä, kuten keskivirheen neliö (MSE), neliöllisen keskiarvon neliöjuuri (RMSE), keskimääräinen absoluuttinen virhe (MAE), keskimääräinen absoluuttinen prosentuaalinen virhe (MAPE) ja keskimääräinen skaalattu logaritminen virhe (MSLE). Vaikka mallit saavuttivat vaikuttavia tuloksia, tutkijat korostivat mahdollisuuksia tarkentaa tiettyjä hyperparametreja hienosäätämällä.
Tutkijat painottivat tilastollisten mallien yhdistämisen tarvetta AI- ja ML-tekniikoihin liikenteen ennustamisen tarkkuuden parantamiseksi ja poikkeavuuksien havaitsemiseksi nopeasti. Tutkijoiden jatkaessa menetelmien tutkimista suorituskyvyn optimoimiseksi ja käyttäjätyytyväisyyden parantamiseksi, tämä tutkimus on merkittävässä asemassa 5G- ja 6G-verkkojen tehokkuuden kannalta.
Leikkaavan teknologian ja tarkkuuden tavoittelun avulla AI- ja ML-algoritmit tuovat uusia mahdollisuuksia telekommunikaation maailmaan. Kun toimittajat pyrkivät maksimoimaan verkon tehokkuuden, tästä tutkimuksesta saadut arvokkaat oivallukset ajavat kehitystä tässä nopeasti kehittyvässä alalla.
The source of the article is from the blog kunsthuisoaleer.nl