پیش بینی بار ترافیکی شبکه های مخابراتی سلولی با استفاده از یادگیری ماشین

پیش‌بینی دقیق ترافیک مخابراتی یکی از چالش‌های مهم برای اپراتورهاست، چرا که تاخیرها، افت کیفیت و مصرف ناکارآمد منابع را می‌تواند به دنبال داشته باشد. داده‌های جزییات تماس ضبط شده (cdr) ، با فراهم آوردن اطلاعات مکانی-زمانی کاربران شبکه های مخابراتی، فرصتی ارزشمند برای تحلیل الگوهای رفتار کاربر و پیش‌بینی درخواست شبکه ایجاد می‌کنند. در این مقاله، ما با استفاده از الگوریتم xgboost، پس از تجزیه و تحلیل و پیش‌پردازش داده‌های cdr مدلی را برای پیش‌بینی ترافیک شبکه تلفن همراه طراحی کرده‌ایم. نتایج آزمایش‌ها نشان می‌دهد که xgboost به دلیل قابلیت تنظیم هایپرپارامتر، مقاومت در مقابل بیش‌برازش و توانایی مدل‌سازی روابط پیچیده بین ویژگی‌ها، خطای پیش‌بینی را به طور معناداری کاهش می‌دهد. مقایسه مدل پیشنهادی با مدل‌های دیگر از جمله mlp و svr نشان می‌دهد که مدل xgboost در شرایط داده‌ای مناسب می‌تواند عملکردی بهتر داشته باشد.

traffic load prediction of cellular telecommunications networks using machine learning

accurate telecommunication traffic forecasting is vital for operators to prevent service delays, quality loss and resource inefficiency. call detail records (cdr ) offer essential spatio-temporal data for analyzing user behavior and predicting network demand.this paper proposes a mobile network traffic prediction model utilizing the xgboost algorithm after pre-processing cdr data. experimental results show xgboost significantly reduces prediction error due to its hyperparameter tunability, robustness against overfitting, and ability to model complex feature relationships. comparative analysis with mlp and svr confirms the xgboost model achieves superior performance under appropriate data conditions