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: 54
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
- 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
- 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
- User equipment grouping in 5G TDD system using machine learning
5G TDD sisteminde kullanıcı ekipmanını makine öğrenmesi ile gruplama
KORKUT ARSLANTÜRK
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik MühendisliğiLunds UniversitetHaberleşme Ana Bilim Dalı
DOÇ. DR. XUESONG CAI
- Secure and coordinated beamforming in 5G and beyond systems using deep neural networks
5G ve ötesi sistemlerde derin sinir ağları kullanarak güvenli ve koordineli hüzmeleme
UTKU ÖZMAT
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET AKİF YAZICI
DR. ÖĞR. ÜYESİ MEHMET FATİH DEMİRKOL
- 5G ötesi aşırı yoğun heterojen haberleşme ağlarında el değiştirmelere dayalı hücresel ağ iyileştirmesi
Handover-based cellular network healing in beyond 5G ultra dense heterogeneous communication networks
ABDUSSAMET HATİPOĞLU
Yüksek Lisans
Türkçe
2021
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilişim Uygulamaları Ana Bilim Dalı
PROF. DR. LÜTFİYE DURAK ATA