KI-basierte Verkehrsprognose zur Optimierung von Mobilfunknetzen

Die ständig wachsende Rate der Smartphone-Nutzung und des Datenverbrauchs stellt für Dienstanbieter eine erhebliche Herausforderung bei der Verbesserung der Leistung von Mobilfunknetzen dar. Die Prognose des mobilen Netzwerkverkehrs für Mobilfunknetze hat sich für Dienstanbieter als Herausforderung erwiesen, aufgrund seiner hochdynamischen und nichtlinearen Natur. In diesem Paper beschreiben wir ein Framework, das KI-Technologien nutzt, um Verkehrsstaus in mobilen Netzwerken vorherzusehen, um eine autonome adaptive Ressourcenverteilung und Stauminderung zu ermöglichen. Unser System implementiert Ensemble-Learning, das LSTM-Netzwerke, GBM und SVR kombiniert. Um dieses Problem zu adressieren, wenden wir adaptives Hyperparameter-Tuning basierend auf evolutionären Metaheuristiken an. Mit Verkehrsdaten aus urbanen Mobilfunknetzen zeigte unsere umfassende Analyse, dass unsere Ensemble-Learning-KI-Modelle eine Verbesserung der Vorhersagegenauigkeit um 27 % mit der RMSE-Metrik im Vergleich zu Basislinienmodellen ergaben. Diese Modelle zeigen eine hohe Anpassungsfähigkeit für den Echtzeitbetrieb in SON-Frameworks, wodurch die Widerstandsfähigkeit, Effizienz und benutzerzentrierte selbstorganisierende mobile Kommunikationsnetzwerke verbessert werden.