| Περίληψη : | Η έλευση της τεχνολογίας 5G έχει αυξήσει τη πολυπλοκότητα των ασύρματων δικτύων κινητής τηλεφωνίας, καθιστώντας την αποτελεσματική πρόβλεψη και διαχείριση των χωροχρονικών μεταβολών του φόρτου του δικτύου κρίσιμη. Η παρούσα εργασία, παρουσιάζει ένα ολοκληρωμένο πλαίσιο που συνδυάζει χωροχρονική συσταδοποίηση και πρόβλεψη για την υποβοήθηση της διαχείρισης της απόδοσης του δικτύου. Αξιοποιώντας τον αλγόριθμο HDBSCAN με τη χρήση του κριτηρίου (Intersection over Union) και διμερών γράφων, παρακολουθούμε την εξέλιξη των γεωμετριών και ποσοτικοποιούμε τις χρονικές τους αλλαγές, μέσω καθορισμένων μετρικών. Αξιολογούμε τρία μοντέλα βαθιάς μάθησης—CNN-GRU με Temporal Attention, ConvGRU και Spatio-Temporal Graph Convolutional Network (STGCN)—για την πρόβλεψη του φόρτου του δικτύου, αξιοποιώντας τις χωρικές και χρονικές εξαρτήσεις. Η ανάλυσή μας καταδεικνύει την ικανότητα αυτών των μοντέλων να προβλέπουν πολύπλοκα μοτίβα, επιτρέποντας την προληπτική διαχείριση του δικτύου και τη βελτιστοποίηση της κατανομής πόρων, με αποτέλεσμα τη μείωση των κεφαλαιακών και λειτουργικών εξόδων. Αυτή η εργασία, τονίζει τις δυνατότητες των προηγμένων τεχνικών μηχανικής μάθησης, στην ενίσχυση της απόδοσης των δικτύων κινητής τηλεφωνίας.
The advent of 5G technology has heightened the complexity of wireless cellular networks, making the effective prediction and management of spatial and temporal network load variations critical. This paper presents an integrated framework that combines spatiotemporal clustering and forecasting to enhance network performance management. Utilizing the HDBSCAN algorithm with Intersection over Union (IoU) and bipartite graphs, we track evolving geometries and quantify their temporal dynamics through defined metrics. We evaluate three deep learning models—CNN-GRU with Temporal Attention, ConvGRU, and Spatio-Temporal Graph Convolutional Network (STGCN)—to forecast cellular traffic by capturing spatial and temporal dependencies. Our analysis demonstrates these models’ efficacy in predicting complex traffic patterns, enabling proactive network management and optimized resource allocation, thereby reducing capital and operational expenditures. This work highlights the potential of advanced machine learning techniques in enhancing cellular network performance.
|
|---|
Copyright © 2013 Βιβλιοθήκη Ο.Π.Α. Με την επιφύλαξη παντός δικαιώματος.