Методика прогнозування мобільності користувачів у 5G-мережах

DOI: 10.31673/2412-4338.2024.041861

Анотація

Стаття присвячена розробці методики прогнозування мобільності користувачів у 5G-мережах із використанням машинного навчання, просторово-часової кореляції та математичного моделювання. Основна мета роботи полягає в підвищенні точності прогнозування переміщень користувачів з урахуванням специфіки 5G-мереж, таких як висока швидкість передачі даних, обмежені ресурси базових станцій та складна топологія мережі. У статті представлено детальну формалізацію задачі, де мобільність користувача описується через дискретний набір станів, що відповідають його положенню у просторі та часі. Запропоновано цільову функцію для мінімізації розбіжності між прогнозованими й реальними ймовірностями переміщення користувача. Просторово-часова модель враховує фізичні, топологічні та мережеві обмеження, такі як швидкість переміщення, доступність переходів між станами та ємність базових станцій. Основою методики є використання рекурентних нейронних мереж (RNN), які дозволяють моделювати залежності у часі та просторі. Процес навчання моделі включає оптимізацію параметрів за допомогою стохастичного градієнтного спуску із застосуванням регуляризації, що покращує збіжність алгоритму. Для оцінки точності прогнозування використовуються такі метрики, як Accuracy, F1-score та Log-loss. Результати дослідження підтверджують ефективність методики в сценаріях з високою швидкістю руху користувачів і складною структурою мережі. Інтеграція моделі в систему управління мережею дозволяє динамічно оптимізувати розподіл ресурсів, зменшувати ймовірність перевантажень та покращувати якість обслуговування. Перспективи подальших досліджень включають адаптацію методики для мереж наступного покоління та інтеграцію нових джерел даних, таких як інформація з супутникових систем. Ключові слова: 5G-мережа, інформаційна система, мобільність, методи прогнозування, методи машинного навчання, нейронні мережі, інформаційна технології.

Список використаної літератури

1. Мельник, О. А. Розробка моделей прогнозування мобільності користувачів для адаптивних систем зв’язку. Комп’ютерні технології та системи. 2022. № 11. С. 15–29.
2. Data-driven 5G handover optimization: a comparative analysis of machine learning techniques / P. Mehta et al. Wireless Communications and Mobile Computing. 2023. Vol. 2023. P. 8854776.
3. Predicting mobile user location using hybrid models of machine learning and Markov chains / D. Chen et al. Journal of Computational Science. 2021. Vol. 56. P. 101409. Рис. 1. Алгоритм прогнозування мобільності користувачів у 5G-мережах ISSN 2412-4338 Телекомунікаційні та інформаційні технології. 2024. № 4 (85)
4. Deep reinforcement learning for mobility management in ultra-dense 5G networks / A. Wang et al. IEEE Internet of Things Journal. 2022. Vol. 9, no. 3. P. 1765–1778. URL: https://doi.org/10.1109/JIOT.2021.3055643.
5. Traffic and mobility prediction for network optimization in 5G / L. Kumar et al. ACM Transactions on Internet Technology. 2020. Vol. 21, no. 2. P. 1–20.
6. Іваненко, М. С. Моделі аналізу поведінки користувачів у мобільних мережах: прогнозування та кластеризація. Український журнал інформаційних технологій. 2023. № 13, вип. 2. С. 45–60.
7. Advanced AI-based mobility management for next-generation networks / F. Costa et al. IEEE Network. 2021. Vol. 35, no. 4. P. 36–43. URL: https://doi.org/10.1109/MNET.2021.3054017.
8. User behavior modeling for 5G: challenges and approaches / K. Singh et al. Wireless Personal Communications. 2021. Vol. 119, no. 3. P. 2111–2130.
9. Machine learning models for spatio-temporal prediction in mobile networks / P. Wu et al. IEEE Communications Surveys & Tutorials. 2020. Vol. 22, no. 4. P. 2452–2470.
10. Бойко, Т. Г. Використання глибокого навчання для прогнозування мобільності у великих мережах. Вісник НТУУ «КПІ». Серія: Комп'ютерні науки. 2022. № 29. С. 11–22.