Ιδρυματικό Αποθετήριο
Πολυτεχνείο Κρήτης
EN  |  EL

Αναζήτηση

Πλοήγηση

Ο Χώρος μου

Στατιστική μοντελοποίηση των “Hotspot” κεραιών κινητής τηλεφωνίας με χρήση μοντέλων γράφων

Zacharopoulos Konstantinos

Απλή Εγγραφή


URIhttp://purl.tuc.gr/dl/dias/48C7C87F-11EF-4855-82FE-5E3C57F90EDD-
Αναγνωριστικόhttps://doi.org/10.26233/heallink.tuc.94674-
Γλώσσαen-
Μέγεθος72 pagesen
Μέγεθος2.3 megabytesen
ΤίτλοςGraph-Based modeling of cellular Hotspot data analysisen
ΤίτλοςΣτατιστική μοντελοποίηση των “Hotspot” κεραιών κινητής τηλεφωνίας με χρήση μοντέλων γράφων el
ΔημιουργόςZacharopoulos Konstantinosen
ΔημιουργόςΖαχαροπουλος Κωνσταντινοςel
Συντελεστής [Επιβλέπων Καθηγητής]Ioannidis Sotiriosen
Συντελεστής [Επιβλέπων Καθηγητής]Ιωαννιδης Σωτηριοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Dollas Apostolosen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Δολλας Αποστολοςel
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Zervakis Michailen
Συντελεστής [Μέλος Εξεταστικής Επιτροπής]Ζερβακης Μιχαηλel
ΕκδότηςΠολυτεχνείο Κρήτηςel
ΕκδότηςTechnical University of Creteen
Ακαδημαϊκή ΜονάδαTechnical University of Crete::School of Electrical and Computer Engineeringen
Ακαδημαϊκή ΜονάδαΠολυτεχνείο Κρήτης::Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστώνel
ΠεριγραφήΔιπλωματική Εργασίαel
ΠερίληψηCellular networks have gone through significant changes in infrastructure during the last few decades. The technological advance along with the massive increase of population keep pushing the mobile network's capabilities to their limits. As the network usage requirements become larger, so do the radio expert's needs for accurate and timely information regarding the status of the cellular network. With that information at hand, they have the ability to foresee and prevent unwanted circumstances, such as network failure due to unmanageable overload. In this thesis, I propose a Neural Network structure which aims to make both swift and precise forecasts of such undesirable events. I make use of well-known Neural Network architectures such as the Graph Neural Network(GNN) and the Recurrent Neural Network(RNN), a combination which allows for monitoring and learning both spatial and temporal patterns that the cellular network may exhibit. In addition, a Graph partition is introduced, which effectively splits the original graph into much smaller and manageable sub-graphs with the idea of further increasing the Neural Networks performance metrics while also significantly scaling down its time complexity. Furthermore, I propose the addition of an Hierarchical model in the original architecture, an addition which nearly maximizes the precision in most use-cases. The proposed architecture succeeds in increasing the precision of its predictions compared to other known implementations. Moreover, it has a steady performance across various sizes of historical data provided to the network and across different targeted prediction horizons.en
ΠερίληψηΤα δίκτυα κινητής τηλεφωνίας έχουν υποστεί σημαντικές αλλαγές στην υποδομή τους τις τελευταίες δεκαετίες. Η τεχνολογική πρόοδος μαζί με τη μαζική αύξηση του πληθυσμού συνεχίζουν να ωθούν τις δυνατότητες του δικτύου κινητής τηλεφωνίας στα όριά τους. Καθώς οι απαιτήσεις χρήσης του δικτύου γίνονται μεγαλύτερες, τόσο αυξάνονται οι ανάγκες των ειδικών τεχνικών για ακριβείς και έγκαιρες πληροφορίες σχετικά με την κατάσταση του δικτύου κινητής τηλεφωνίας. Με αυτές τις πληροφορίες στη διάθεσή τους, έχουν τη δυνατότητα να προβλέψουν και να αποτρέψουν ανεπιθύμητες περιστάσεις, όπως αποτυχία δικτύου λόγω μη διαχειρίσιμης υπερφόρτωσης. Σε αυτή τη διπλωματική, προτείνω μια δομή νευρωνικού δικτύου που στοχεύει να κάνει γρήγορες και ακριβείς προβλέψεις τέτοιων ανεπιθύμητων συμβάντων. Χρησιμοποιώ γνωστές αρχιτεκτονικές νευρωνικών δικτύων, όπως το Graph Neural Network (GNN) και το Recurrent Neural Network (RNN), έναν συνδυασμό που επιτρέπει την παρακολούθηση και εκμάθηση τόσο χωρικών όσο και χρονικών μοτίβων που μπορεί να εμφανίζει το δίκτυο. Επιπλέον, εισάγεται ένας διαμερισμός του Γράφου, όπου ουσιαστικά χωρίζεται ο αρχικός Γράφος σε πολύ μικρότερους και διαχειρίσιμους υπο-γράφους με την ιδέα της περαιτέρω αύξησης των μετρικών απόδοσης των νευρωνικών δικτύων, ενώ παράλληλα μειώνει σημαντικά τη χρονική του πολυπλοκότητα. Επιπλέον, προτείνω την προσθήκη ενός Ιεραρχικού μοντέλου στην αρχική αρχιτεκτονική, μια προσθήκη που σχεδόν μεγιστοποιεί την ακρίβεια στις περισσότερες περιπτώσεις. Η προτεινόμενη αρχιτεκτονική επιτυγχάνει να αυξήσει την ακρίβεια των προβλέψεών της σε σύγκριση με άλλες γνωστές υλοποιήσεις. Επιπλέον, έχει σταθερή απόδοση σε διάφορα μεγέθη ιστορικών δεδομένων που παρέχονται στο δίκτυο και σε διαφορετικούς στοχευμένους ορίζοντες πρόβλεψης.el
ΤύποςΔιπλωματική Εργασίαel
ΤύποςDiploma Worken
Άδεια Χρήσηςhttp://creativecommons.org/licenses/by-nc-nd/4.0/en
Ημερομηνία2023-01-30-
Ημερομηνία Δημοσίευσης2022-
Θεματική ΚατηγορίαCellular Hotspot forecastingen
Θεματική ΚατηγορίαNeural networksen
Θεματική ΚατηγορίαMachine learningen
Βιβλιογραφική ΑναφοράKonstantinos Zacharopoulos, "Graph-Based modeling of cellular Hotspot data analysis", Diploma Work, School of Electrical and Computer Engineering, Technical University of Crete, Chania, Greece, 2022en
Βιβλιογραφική ΑναφοράΚωνσταντίνος Ζαχαρόπουλος, "Στατιστική μοντελοποίηση των “Hotspot” κεραιών κινητής τηλεφωνίας με χρήση μοντέλων γράφων", Διπλωματική Εργασία, Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών, Πολυτεχνείο Κρήτης, Χανιά, Ελλάς, 2022el

Διαθέσιμα αρχεία

Υπηρεσίες

Στατιστικά