Mobil Kablosuz Ağların Optimizasyonunda Yapay Zeka Yöntemlerinin Kullanılarak Operasyonel Verimliliğin Artırılması
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi-Cerrahpaşa, Lisansüstü Eğitim Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı Başkanlığı, Türkiye
Tezin Onay Tarihi: 2021
Tezin Dili: Türkçe
Öğrenci: Yakup Tarık KRANDA
Danışman: Rüya Şamlı
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Mobil iletişim dünyasında meydana gelen yeni gelişmeler, değişen ihtiyaçlar, bilgiye her an, her yerden, yüksek hız ve kapasitede erişim ihtiyacını ortaya çıkarmıştır. Bu doktora çalışması kapsamında, mobil radyo ağ performans ve kapasitesinin artırılması ve buna bağlı olarak operasyon verimliliği ve maliyet kazancı odağında daha akıllı kapasite planlama yapılabilmesi için uzun dönemli zaman serisi ve yapay öğrenme odaklı tahminleme algoritmaları ve bunların performansını olumsuz etkileyen ana iki durum ele alınmıştır. Bu durumlar mobil radyo hücrelerinin değişim noktası farkında mevsimsellik tespiti ve yeni devreye alındığı için yetersiz geçmişe sahip olan mobil radyo hücrelerinin uzun gelecek trafik tahminleme hatalarının kontrol altına alınması şeklinde ifade edilebilir. Çalışma kapsamında, gerçek mobil ağ günlük trafik verileri işlenmektedir ve baz istasyonları üzerindeki uzun vadeli mevsimsellik etkisini belirlemek için yeni bir hibrit çözüm geliştirilmektedir. Bu işlemden sonra, seviye kayması veya üstel eğilim artışı nedeniyle değişim noktası varlığını dikkate alarak baz istasyonları üzerindeki mevsimsellik etkisini çıkarmak için mobil ağ baz istasyonu trafik verilerinin mevsimsellik tespiti ve ayrıştırılması için bir algoritma tasarlanmaktadır. Yerel değişim noktası arama, değişim oranı analizi ve benzerlik kontrol mekanizmaları incelenmektedir. İki yıllık geçmiş mobil trafik verisi kullanarak çarpımsal mevsimsel faktörleri hesaplanmaktadır. Ayrıştırılmış mevsimsellik etkisi ile baz istasyonlarını etiketlemek, gelecek yılın trafik talebini tahmin ederken algoritmaları yeni özellikler ile beslemeye yardımcı olur. Buna ek olarak çalışma kapsamında, yetersiz geçmiş verilerden kaynaklanan büyük uzun vadeli trafik tahminleme hatalarına odaklanılmakta ve yetersiz geçmişe sahip yeni konuşlandırılmış hücreler için tahmin hatalarını azaltmak ve hatayı kontrol altına almak için hiyerarşik kümeleme tabanlı bir algoritma geliştirilmektedir. Buradaki amaç, hata sayısını önemli ölçüde azaltmak ve en azından bu hücrelerin ilk yılı için tatmin edici hata seviyelerinde tahmin sonuçları üretmektir. Yeni konuşlandırılan hücreler için yetersiz geçmiş verisi, hareketlilik devir ilişkileri, sahadan sahaya uzaklık, hücrelerin servis açısı kullanılarak kümelenmiş komşuların ortak geçmiş özellikleriyle tamamlanır. Hiyerarşik kümeleme tabanlı algoritmamızla seçilen hücrelerin geçmiş özellikleri, bu yeni hücreler için sentetik olarak geriye dönük bir geçmiş oluşturmak için kullanılır ve gelişmiş doğruluk sonuçlarını göstermek için farklı tahminleme algoritmalarına beslenir. SARIMAX, STL-ETS gibi klasik zaman serisi yöntemlerinin ve Vanilla LSTM Sinir Ağları, LSTM Kodlayıcı-Kod Çözücü Sinir Ağları, CNN-LSTM Kodlayıcı-Kod Çözücü Sinir Ağları, ConvLSTM Kodlayıcı-Kod Çözücü Sinir Ağları gibi derin sinir ağı yöntemlerinin tahmin çıktıları bu tez çalışmasında yer alan tamamlayıcı algoritma yardımıyla iyileştirilmektedir. Daha doğru ortalama sonuçlar için hiperparametre ayarlama adımları ve kümeleme için ideal nitelik seçimi de çoklu çalıştırma simülasyonları ile çalışma kapsamında yer almaktadır.