Künstliche Intelligenz (KI) und maschinelles Lernen (ML) haben sich als bahnbrechend in der Verkehrsprognose für Netzwerke der fünften (5G) und sechsten (6G) Generation erwiesen. Forscher der RUDN-Universität haben kürzlich eine Studie durchgeführt, um die Wirksamkeit von KI und ML bei der Vorhersage von mobilen Netzwerkprofilen zu untersuchen. Durch den Einsatz dieser fortschrittlichen Technologien können Netzwerkanbieter den Netzwerkverkehr besser planen und verwalten, was zu einer verbesserten Benutzerzufriedenheit und Netzwerkeffizienz führt.
In ihrer Studie konzentrierten sich die Forscher auf zwei beliebte Modelle zur Analyse von Zeitreihen: das Holt-Winter-Modell und das Seasonal Integrated Autoregressive Moving Average (SARIMA). Unter Verwendung eines Datensatzes eines portugiesischen Mobilfunkbetreibers aggregierten die Forscher stündliche Verkehrsstatistiken, um die Modelle zu trainieren und zu testen. Sie stellten fest, dass beide Modelle bei der Prognose des Verkehrs in der nächsten Stunde außergewöhnlich gute Leistungen erbrachten.
Das SARIMA-Modell konnte die Stärke demonstrieren, den Verkehr zwischen Benutzern und Basisstationen vorherzusagen und erreichte eine durchschnittliche Fehlerquote von nur 11,2%. Dieses Modell zeichnet sich durch seine Fähigkeit aus, temporäre Muster im mobilen Netzwerkverkehr zu erkennen und zu überwachen. Auf der anderen Seite zeigte das Holt-Winter-Modell eine bessere Leistung bei der Schätzung des Verkehrs von Basisstationen zu Benutzern, mit einer Fehlerquote von bis zu 4%. Die Fähigkeit dieses Modells, komplexe saisonale und trendbezogene Komponenten zu handhaben, trug zu seiner Genauigkeit bei.
Um die Leistung der Modelle zu messen, verwendeten die Forscher verschiedene Kriterien wie Mean Square Error (MSE), Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE) und Mean Scaled Logarithmic Error (MSLE). Obwohl die Modelle beeindruckende Ergebnisse erzielten, wiesen die Forscher auf das Potenzial hin, durch Feinabstimmung bestimmter Hyperparameter weitere Verbesserungen zu erzielen.
Die Forscher betonten die Notwendigkeit, statistische Modelle mit KI- und ML-Techniken zu kombinieren, um die Genauigkeit der Verkehrsprognosen zu verbessern und Anomalien zeitnah zu erkennen. Während die Forscher weiterhin Methoden zur Optimierung der Leistung und Verbesserung der Benutzerzufriedenheit erforschen, hat diese Studie wichtige Auswirkungen auf die Effizienz von 5G- und 6G-Netzwerken.
Mit der Einführung modernster Technologien und dem unerbittlichen Streben nach Genauigkeit bei der Prognose des Netzwerkverkehrs bieten KI- und ML-Algorithmen neue Möglichkeiten in der Telekommunikationsbranche. Während die Anbieter bestrebt sind, die Netzwerkeffizienz zu maximieren, werden die unschätzbaren Erkenntnisse aus dieser Forschung Fortschritte in diesem sich rasant entwickelnden Bereich vorantreiben.
The source of the article is from the blog elperiodicodearanjuez.es