Ennakoiva resurssien allokointi taajuusspektrin jakamisessa tutkajärjestelmien kanssa koneoppimispohjaisen langattoman verkon aikasarjaennusteen avulla

Langattoman verkon parametrien ennustaminen voi auttaa edistämään ennakoivia resurssien allokointiratkaisuja myös yritysverkoissa. Työssä esitetään verkkoliikenteen ajallinen ja spatiaalinen analyysi yritysverkon todellisen liikennedatan avulla. Käytämme kolmea koneoppimismenetelmää (ML) ja kahta klassista menetelmää liikenteen käytön ajalliseen ennustamiseen. Tulokset osoittavat, että ei ole olemassa yhtä yleismaailmallista parasta ennustemenetelmää, jolla voidaan ennustaa jokaisen tukiaseman liikenteen käyttöä yrityksen langattomassa verkossa. ML-pohjaisia yhdistettyjä malleja käytetään myös ajallispaikalliseen ennustamiseen, mikä paransi yhden tukiaseman liikenteen käytön ennustamista. Pelkän verkkokerroksen liikennetietojen analysointi ja ennustaminen ei kuitenkaan riitä resurssien allokointipäätösten suorittamiseen, koska yritysverkoissa käytettävät kanavat ovat jaettuja lisensoimattomia kanavia. Siksi tutkitaan myös kanavan fyysisen kerroksen datan analysointia ja ennustamista. Paransimme myös perinteisten ML-pohjaisten menetelmien suorituskykyä aikasarjaennusteissa ehdottamalla uutta tietorakennetta oppimiseen, joka käyttää ominaisuuksina historiallisia tietoja.

Sen jälkeen, kun on todistettu, että fyysisen kerroksen tiedoilla on enemmän ennustusvoimaa aikasarjan ennustamisessa kaikissa ennustemalleissa, fyysisen kerroksen datan lähetystehoa (TP) ja häiriöennustetta käytetään spektrin jakamisessa tutkan kanssa tutkasuojauksen ja tukiasemien tehokkaan tiedonsiirron parantamiseksi. Erityisesti 5,6 GHz:n kaistalla toimivaa säätutkaa tutkitaan ensisijaisena järjestelmänä ja toissijainen järjestelmä on yliopistokampuksen tukiasemista koostuva yritysverkko. Ensin kampuksen tukiasemien lähetystehon aikasarjat mallinnetaan multinomijakaumalla todellisen kerätyn datan perusteella. Tutkalle tukiasemien lähetyksistä johtuvat häiriöt ennustetaan käyttämällä LSTM:ää Monte Carlo (MC) -pudotuksen kanssa ottaen huomioon mallin epävarmuus. Lopuksi ehdotetaan kahteen algoritmiin perustuvaa tehokasta jakamis- ja tutkasuojausjärjestelmää (ESRP) käyttämällä keskiarvotettuja ja ennustettuja ylärajan häiriöaikasarjoja. Tulokset osoittavat, että ehdotettu ESRP-järjestelmä, jossa on häiriöennusteen yläraja, varmistaa tutkasuojan paremmalla suorituskyvyllä kuin perinteiset tutkasuojajärjestelmät. Lisäksi parempi tutkasuojaus voidaan saavuttaa pienellä kompromissilla toissijaisten käyttäjien suorituskyvyssä säätämällä ESRP-järjestelmässä käytettyä MC pudotus-arvoa.