Derin pekiştirmeli öğrenme ile telekomünikasyon sahalarının önceliklendirilmesi
Prioritization of telecommunication sites with deep reinforcement learning
- Tez No: 958847
- Danışmanlar: PROF. DR. BURAK ERKAYMAN
- Tez Türü: Doktora
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Atatürk Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın temel amacı, Türkiye'de Mersin iline ait telekomünikasyon sahalarının 5G altyapı geçiş sürecine yönelik olarak önceliklendirilmesini sağlamak üzere, veri odaklı ve öğrenen bir karar destek modeli geliştirmektir. Bu kapsamda, çok sayıda performans ve potansiyel belirteci dikkate alınarak, geleneksel sıralama yöntemlerinin ötesinde, adaptif ve dinamik öğrenmeye dayalı bir model önerilmektedir. Yöntem: Çalışmada, pekiştirmeli öğrenme tabanlı bir yaklaşım olarak Yakın Politika Optimizasyonu (YPO) algoritması kullanılmıştır. Ajan tabanlı bir simülasyon ortamı tasarlanarak, sahalara ait demografik, kapasite, trafik yükü, gelir, büyüme potansiyeli gibi çok boyutlu veriler işlenmiş; ayrıca stokastik özellikler de modele eklenmiştir. Modelin başarımı, uzman sıralamaları ile karşılaştırılarak Spearman korelasyonu üzerinden ölçülmüştür. Bulgular: Geliştirilen YPO tabanlı model, uzman görüşleriyle yüksek derecede örtüşen sıralamalar üretmiş ve özellikle nüfus artışı, konut gelişim hızı, veri kullanımı gibi parametrelerin saha önceliği üzerindeki etkisini güçlü biçimde yansıtmıştır. Korelasyon katsayısı %88'a ulaşan model elde edilmiş ve veriye dayalı öğrenmenin karar destek sürecinde sağladığı katkılar ortaya konmuştur. Sonuç: Bu tez çalışması, 5G altyapı yatırımları gibi yüksek maliyetli ve stratejik kararların, pekiştirmeli öğrenme temelli modellerle daha objektif, esnek ve dinamik biçimde yönlendirilebileceğini göstermektedir. Geliştirilen simülasyon ortamı ve YPO algoritmasına dayalı önceliklendirme yaklaşımı, yalnızca mevcut verilerle değil, geleceğe yönelik olasılıklarla da uyumlu kararlar üretme potansiyeli taşımaktadır. Bu yönüyle çalışma, telekomünikasyon sektöründe yapay zekâ destekli planlama uygulamalarına önemli bir katkı sağlamaktadır.
Özet (Çeviri)
Purpose: The primary objective of this study is to develop a data-driven and adaptive decision support model to prioritize telecommunication sites in Mersin, Türkiye, for the transition to 5G infrastructure. In this context, a model based on adaptive and dynamic learning is proposed, going beyond traditional ranking methods by taking into account a wide range of performance indicators and potential determinants. Method: The study employs Proximal Policy Optimization (PPO), a reinforcement learning-based algorithm. An agent-based simulation environment was designed to process multidimensional data (demographics, capacity, traffic load, revenue, growth potential, etc.) from sites. Stochastic features were also integrated into the model. Performance was evaluated using Spearman correlation by comparing model outputs against expert rankings. Findings: The developed PPO-based model generated rankings highly consistent with expert evaluations. It strongly reflected the impact of parameters such as population growth, housing development rate, and data usage on site priority. A model achieving a correlation coefficient of 88% was obtained, demonstrating the value of data-driven learning in decision support processes. Results: This thesis shows that high-cost strategic decisions (e.g., 5G infrastructure investments) can be guided more objectively, flexibly, and dynamically using reinforcement learning models. The proposed simulation environment and PPO-based prioritization approach generate decisions compatible not only with current data but also with future scenarios. Thus, the study significantly contributes to artificial intelligence assisted planning applications in telecommunications.
Benzer Tezler
- Short term electricity load forecasting with deep learning
Derin öğrenme ile kısa dönemli elektrik yük talep tahmini
İBRAHİM YAZICI
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- Deep reinforcement learning based uplink resource allocation in open ran systems
Open ran sistemlerinde derin pekiştirmeli öğrenme tabanlı yukarı yönlü kaynak ataması
ALİ YILDIRIM
Yüksek Lisans
İngilizce
2025
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
- Resource allocation mechanisms for end-to-end delay optimization of 5G URLLC services
5G URLLC hizmetlerinin uçtan uca gecikme optimizasyonu için kaynak aktarım mekanizmaları
HASAN ANIL AKYILDIZ
Doktora
İngilizce
2024
Mühendislik Bilimleriİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. HAKAN ALİ ÇIRPAN
DR. İBRAHİM HÖKELEK
- Derin pekiştirmeli öğrenme ile kripto para portföy yönetimi
Crypto currency portfolio management with deep reinforcement learning
HATİCE AŞIK
- Derin pekiştirmeli öğrenme ile robot kol tork kontrolü
Robotic arm torque control via deep reinforcement learning
MUHAMMED RAŞİT EVDÜZEN
Yüksek Lisans
Türkçe
2021
Elektrik ve Elektronik MühendisliğiPamukkale ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. SERDAR İPLİKÇİ