Matemáticos comparan modelos de aprendizaje automático para pronosticar el tráfico 5G y 6G
Las redes 5G y 6G deben tener en cuenta la carga y adaptar el consumo de recursos en cada momento. Para ello, necesitan realizar un seguimiento de los indicadores actuales y poder predecirlos. Así es como los servicios tomarán decisiones sobre dividir la red en porciones y equilibrar la carga. Normalmente, los modelos de aprendizaje automático se utilizan para la predicción.
Los matemáticos de la RUDN compararon dos modelos de pronóstico y señalaron sus fortalezas y debilidades. Su investigación se publica en la revista Future Internet.
«Las redes 5G y 6G admitirán drones, realidad virtual y aumentada. Además, si aumenta el número de dispositivos conectados, el tráfico aumenta considerablemente y se produce congestión en la red. Como resultado, la calidad del servicio disminuye, aumentan los retrasos en la red y la pérdida de datos «Por lo tanto, la arquitectura de la red debe adaptarse al volumen de tráfico y tener en cuenta varios tipos de tráfico con diferentes requisitos», afirmó Irina Kochetkova, Ph.D., profesora asociada del Instituto de Informática y Telecomunicaciones de la RUDN.
Los matemáticos compararon dos modelos de análisis de series temporales: el modelo de media móvil autorregresiva integrada estacional (SARIMA) y el modelo Holt-Winter. Para construir el modelo, utilizaron datos de un operador de telefonía móvil portugués sobre los volúmenes de tráfico de descarga y carga durante períodos fijos (una hora).
Se descubrió que ambos modelos eran adecuados para pronosticar el tráfico durante la siguiente hora. Sin embargo, SARIMA era más adecuado para predecir el tráfico desde el usuario a la estación base: el error promedio fue del 11,2%, un 4% menos que el segundo modelo. El modelo Holt-Winter funcionó mejor para predecir el tráfico desde la estación base hasta el usuario: un error del 4,17% en lugar del 9,9%.
«Ambos modelos son efectivos para predecir promedios de tráfico. Sin embargo, el modelo de Holt-Winters es más adecuado para predecir el tráfico de estación base a usuario, mientras que SARIMA es más adecuado para el tráfico de usuario a estación base. No existe una talla única. «Es una solución que se adapta a todos, ya que cada conjunto de datos requiere su propio enfoque. Las investigaciones futuras se centrarán en combinar modelos estadísticos con métodos de aprendizaje automático para obtener pronósticos más precisos y detección de anomalías», afirma la profesora asociada Kochetkova.
