Οι αλγόριθμοι τεχνητής νοημοσύνης (AI) και μηχανικής μάθησης (ML) έχουν αποδειχθεί ριζοσπαστικοί στον τομέα της πρόβλεψης της κίνησης για δίκτυα πέμπτης (5G) και έκτης (6G) γενιάς. Ερευνητές του Πανεπιστημίου RUDN διεξήγαγαν πρόσφατα μια μελέτη για να εξετάσουν την αποτελεσματικότητα της AI και της ML στην πρόβλεψη προφίλ κινητής τηλεφωνίας. Χρησιμοποιώντας αυτές τις προηγμένες τεχνολογίες, οι παροχείς δικτύου μπορούν να σχεδιάσουν και να διαχειριστούν καλύτερα την κίνηση του δικτύου, οδηγώντας σε βελτιωμένη ικανοποίηση του χρήστη και αποδοτικότητα του δικτύου.
Στη μελέτη τους, οι ερευνητές επικεντρώθηκαν σε δύο δημοφιλείς μοντέλα ανάλυσης χρονοσειρών: το μοντέλο Holt-Winter και το Seasonal Integrated Autoregressive Moving Average (SARIMA). Χρησιμοποιώντας ένα σύνολο δεδομένων από έναν Πορτογάλο φορέα κινητής τηλεφωνίας, οι ερευνητές συγκέντρωσαν ώριμα στατιστικά δεδομένα κίνησης για να εκπαιδεύσουν και να ελέγξουν τα μοντέλα. Βρέθηκε ότι και οι δύο μέθοδοι προέβλεψαν εξαιρετικά καλά την κίνηση για την επόμενη ώρα.
Το μοντέλο SARIMA επέδειξε τη δύναμή του στην πρόβλεψη της κίνησης από χρήστη προς βάση σταθμού, επιτυγχάνοντας μια μέση ποσοστιαία σφάλματος μόλις 11,2%. Αυτό το μοντέλο ξεχωρίζει στην παρακολούθηση προσωρινών προτύπων στην κινητή τηλεφωνική κίνηση λόγω της ικανότητάς του να καταγράφει χρονικά πρότυπα. Από την άλλη πλευρά, το μοντέλο Holt-Winter έδειξε καλύτερες επιδόσεις στην εκτίμηση της κίνησης από βάση σταθμού προς χρήστη, με ποσοστό σφάλματος έως και 4%. Η ικανότητα αυτού του μοντέλου να χειριστεί περίπλοκα εποχιακά και τάσης συστατικά συνέβαλε στην ακρίβειά του.
Για τη μέτρηση της απόδοσης των μοντέλων, οι ερευνητές χρησιμοποίησαν διάφορα κριτήρια όπως το Mean Square Error (MSE), το Root Mean Square Error (RMSE), το Mean Absolute Error (MAE), το Mean Absolute Percentage Error (MAPE) και το Mean Scaled Logarithmic Error (MSLE). Παρόλο που τα μοντέλα επέτυχαν εντυπωσιακά αποτελέσματα, οι ερευνητές τόνισαν τη δυνατότητα για περαιτέρω βελτίωση μέσω της καλιμάτωσης συγκεκριμένων υπερπαραμέτρων.
Οι ερευνητές τόνισαν την ανάγκη συνδυασμού στατιστικών μοντέλων με τεχνικές AI και ML για την αύξηση της ακρίβειας των προβλέψεων κίνησης και τον έγκαιρο εντοπισμό ανωμαλιών. Καθώς οι ερευνητές συνεχίζουν να εξερευνούν μεθόδους για τη βελτιστοποίηση της απόδοσης και την ενίσχυση της ικανοποίησης των χρηστών, αυτή η μελέτη φέρνει σημαντικές επιπτώσεις στην αποδοτικότητα των δικτύων 5G και 6G.
Με την εισαγωγή κορυφαίας τεχνολογίας και μια αδιάκοπη αναζήτηση ακρίβειας στην πρόβλεψη της κίνησης του δικτύου, οι αλγόριθμοι AI και ML φέρνουν νέες δυνατότητες στον κόσμο των τηλεπικοινωνιών. Καθώς οι παροχείς προσπαθούν να μεγιστοποιήσουν την αποδοτικότητα του δικτύου, οι ανεκτίμητες πληροφορίες που προκύπτουν από αυτήν την έρευνα θα καθοδηγήσουν σε προηγμένες εξελίξεις σε αυτόν τον γρήγορα μεταβαλλόμενο τομέα.
The source of the article is from the blog coletivometranca.com.br