Geri Dön

Communication networks traffic prediction using machine learning

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 841609
  2. Yazar: ASLIHAN REYHANOĞLU
  3. Danışmanlar: DR. IOSİF MPORAS
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Mühendislik Bilimleri, Computer Engineering and Computer Science and Control, Engineering Sciences
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2019
  8. Dil: İngilizce
  9. Üniversite: Unıversıty Of Hertfordshıre
  10. Enstitü: Yurtdışı Enstitü
  11. Ana Bilim Dalı: Belirtilmemiş.
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

When machine learning is used effectively and accurately for traffic modelling and forecasting, it will be inevitable for future large data-driven intelligent cellular networks as it can assist in providing control and management of the autonomous network. Moreover, the demand for better radio sources has increased, especially with the increase in cellular data traffic. The Radio Access Network (RAN), which is an element of the communication network and is also effective in resource management, uses Machine Learning, a remarkable olution to develop forecast resource allocation techniques. In addition, the Telecom Italia Big Data Challenge dataset which is publicly open will be utilized in order to apply this project. It includes real-life traffic data of the network in the city of Milan. The dataset involves several types of information named as such as the call detail records (CDRs). SMS in/out, call in/out, and internet traffic activity can be given as examples for CDRs. This Project purposes to examine thoroughly the structure of communication networks and to introduce a data-driven architecture for the practical applications of machine learning techniques to predict internet traffic activity of a network. Regression algorithms in supervised learning have been used based on past research to predict the internet traffic. Two of these algorithms are Linear Regression (LR) and Decision Tree (DT), which are easy to use, and the other two are Support Machine Vector and Feedforward Neural Network to cope with nonlinearity that may result from the temporal and spatial data set. RMSE and MAE are used to evaluate performances of algorithms.

Özet (Çeviri)

Özet çevirisi mevcut değil.

Benzer Tezler

  1. Tez No

    763051

    Haberleşme ağlarında uç makine öğrenmesinin avantajları ve robotik el ağında tutma tahmini uygulaması

    Advantages of edge machine learning in communication networks and grasp prediction application in robotic hand network

    EMRE BACANLI

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Elektrik ve Elektronik MühendisliğiYıldız Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    PROF. DR. HACI İLHAN

  2. Tez No

    761944

    Payload based multi-phase traffic classification with majority voting

    Çoğunluk oylaması yardımı ile çok aşamalı trafik sınıflandırma

    İLHAN SELÇUK MERT

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Elektrik ve Elektronik MühendisliğiBoğaziçi Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. EMİN ANARIM

  3. Tez No

    957836

    Ensemble learning network-based traffic congestion control system in smart cities with a weighted score prediction strategy

    Akıllı şehirlerde ağı tabanlı trafik tıkanıklığı kontrol sistemi, ağırlıklı puan tahmin stratejisi ile toplu öğrenme

    MHMOOD DHEYAA MHMOOD AL-NASER

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SEFER KURNAZ

  4. Tez No

    510657

    Nesnelerin interneti platformları için makine öğrenmesi tabanlı bir tahmin modülü

    A machine learning based prediction module for internet of things platforms

    HALİL GÜLAÇAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ YUSUF YASLAN

  5. Tez No

    949054

    Core network anomaly detection using the LSTM model and comparison with various unsupervised learning methods

    Telekomünikasyon merkezi şebekelerinde LSTM model ile anomali tespiti ve bazı denetimsiz öğrenme metotları ile kıyaslanması

    SAMED ÇALIK

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Teknik Üniversitesi

    Büyük Veri ve İş Analitiği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ MEHMET ALİ ERGÜN

Geri Dön