حميدرضا منتظريزدي

Signal Power an‎d Quality Modling in Mobile Telephone Networks Using Machine Learning

در اين گزارش چارچوبي عملي براي برآورد كمي و پيوستهٔ پارامترهاي RSRP و RSRQ در شبكه‌هاي تلفن همراه بر پايهٔ داده‌هاي درايو تست معرفي و ارزيابي شده است. هدف اصلي، مقايسهٔ روش‌هاي مرسوم شامل MLP، جنگل تصادفي، LightGBM و XGBoost با روش‌هاي بازگشتي سري‌زماني مبتني بر LSTM و ارائه رويكردي كارآمد براي پيش‌بيني در هر نقطهٔ جغرافيايي با بهره‌گيري از اطلاعات زمان، مكان و ويژگي‌هاي سلولي است. مجموعه‌دادهٔ مورد استفاده شامل 8679 ركورد (6837 ركورد براي آموزش و 1710 ركورد براي ارزيابي) است؛ پيش‌پردازش، پاك‌سازي و استخراج ويژگي‌هايي مانند شناسهٔ سلول، ARFCN، طول و عرض و ارتفاع جغرافيايي، سرعت، فاصله تا سلول، زاويه و ويژگي‌هاي زماني پيشين انجام شد. مدل LSTM با يك لايهٔ دوطرفه، يك لايه متراكم، تابع خطاي MSE و بهينه‌ساز AdamW آموزش داده شد. نتايج نشان مي‌دهد رويكرد پنجره‌اي LSTM عملكرد چشمگيري دارد: براي پيش‌بيني توان، مقدار MAE=2.46 dBm، RMSE=3.26 dBm و R²=0.89 و براي پيش‌بيني كيفيت، مقدار MAE=1.57 dBm، RMSE=2.11 dBm و R²=0.47 ثبت شد؛ كه به‌طور قابل‌توجهي برتري نسبت به مدل‌هاي مبتني بر درخت و MLP نشان مي‌دهد. بنابراين، مدل‌هاي سري‌زماني توالي‌محور براي مسائل تخمين پارامترهاي راديويي ميدان ترجيح دارند و استفاده از چنين مدل‌هايي مي‌تواند كمك كند تا توان و كيفيت سيگنال در شبكه‌هاي تلفن همراه با دقت خوبي مدل‌سازي شود.

پيش‌بيني توان سيگنال , پيش‌بيني كيفيت سيگنال , يادگيري ماشين , LSTM , DriveTest , RSRP , RSRQ