5G user prediction using intelligent models
Akıllı modeller kullanılarak 5G kullanıcı tahmini
- Tez No: 940367
- Danışmanlar: PROF. DR. GALİP CANSEVER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Altınbaş Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektrik ve Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Şu anda 5G ağlarının (5GN) kullanıma sunulması hızlandı ve kullanıcılara daha yüksek veri hızları ve daha düşük gecikme sağlandı. Ancak 5G kullanıcılarının davranışlarını tahmin etmek, cihaz türü, ağ kapsama alanı ve kalitesi ile erişilen uygulama ve hizmetler gibi çeşitli faktörlerden etkilendiğinden hâlâ zorlu bir süreç olmaya devam ediyor. Bu tezde, bir kullanıcının halihazırda bir 5GN'ye bağlı olup olmadığını tahmin etmek için Makine Öğrenimi (ML) algoritma tekniklerini kullanmayı öneriyoruz. Cihaz türü, ağ kapsama alanı ve erişilen uygulamalar ve hizmetler dahil olmak üzere kullanıcının 5G bağlantısını etkileyebilecek çeşitli faktörler hakkında veri topluyoruz. Daha sonra bu verileri Rastgele Orman (RF), Destek Vektör Makinesi (SVM), K-Komşu Sınıflandırıcısı (KNN) ve Karar Ağacı (DT) ile Derin Öğrenme (DL) dahil olmak üzere birkaç farklı ML algoritmasını eğitmek için kullanırız. modeli. Bu modellerin performansını çapraz doğrulama ve A/B testi gibi teknikleri kullanarak değerlendiriyoruz. Sonuçlarımız, ML algoritmalarının bir kullanıcının şu anda bir 5GN'ye bağlı olup olmadığını doğru bir şekilde tahmin edebildiğini ve ML algoritmalarının en yüksek doğruluğu (ACC) elde ettiğini gösteriyor. Ayrıca 5G bağlantısını etkileyen en önemli faktörlerin cihaz türü ve ağ kapsama alanı olduğunu da tespit ettik.
Özet (Çeviri)
Currently, the rollout of 5G networks (5GN) has accelerated, providing users with faster data speeds and lower latency. However, predicting the behavior of 5G users remains a challenge, as it is influenced by a variety of factors such as device type, network coverage and quality, and the applications and services being accessed. In this thesis, we propose using Machine Learning (ML) algorithms techniques to predict whether a user is currently connected to a 5GN. We gather data on various factors that might influence a user's 5G connectivity, including device type, network coverage, and the applications and services being accessed. We then use this data to train several different ML algorithms, including Random Forest (RF), Support Vector Machine (SVM), K-Neighbors Classifier (KNN), and Decision Tree (DT), as well as a Deep Learning (DL) model. We evaluate the performance of these models using techniques such as cross-validation and A/B testing. Our results show that the ML algorithms are able to accurately predict whether a user is currently connected to a 5GN, with the ML algorithms achieving the highest accuracy (ACC). In addition, we find that the most important factors influencing 5G connectivity are the device type and the network coverage.
Benzer Tezler
- Energy efficient base station deployment in ris-assisted next-generation hetnets
Rıs-destekli yeni nesil heterojen ağlarda enerji verimli baz istasyonu yerleşimi
MİNE ARDANUÇ
Doktora
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA
DR. MEHMET BAŞARAN
- Özellik seçimi algoritmaları kullanılarak heyelanda etkili faktörlerin belirlenmesi ve heyelan duyarlılık haritalarının üretilmesi
Determination of effective factors using feature selection algorithms and production of landslide susceptibility maps
EMREHAN KUTLUĞ ŞAHİN
Doktora
Türkçe
2017
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. CENGİZHAN İPBÜKER
PROF. DR. TAŞKIN KAVZOĞLU
- Afet yönetimi odaklı hücresel ağ kapsama performansı için mekansal yapay zeka tabanlı model önerisi
Geospatial artificial intelligence (GeoAI) based model proposal for cellular network coverage performance with a focus on disaster management
GÜZİDE MİRAY PERİHANOĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. HİMMET KARAMAN
- AI-enhanced dynamic preemptive resource allocation in next generation cellular networks
Yeni nesil hücresel ağlarda yapay zeka destekli dinamik öncelikli kaynak tahsisi
EGE ENGİN
Doktora
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Akıllı kampüslerde yapay zekâ destekli enerji yönetimi
Artificial intelligence-supported energy management in smart campuses
ABDALHADI K S MANASSRA
Yüksek Lisans
Türkçe
2026
Endüstri ve Endüstri MühendisliğiBursa Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. GÜRKAN IŞIK