LSTM tabanlı Derin Sinir Ağı ile Beşinci Nesil Küçük Hücre Ağlarında El Değiştirme Tahmini

Abstract

Bu çalışmada, Uzun Kısa-Vadeli Hafıza (LSTM) tabanlı derin sinir ağı ile beşinci nesil küçük hücre ağlarında el değiştirme (handover, HO) tahminlerini gerçekleştiren yeni bir model geliştirilmiştir. İlk olarak HO tahmininde eğitim için kullanılacak olan veri seti Riverbed Modeler benzetim yazılımında tasarlanan benzetim senaryoları ile oluşturulmuştur. Bu senaryolar aracılığıyla sinir ağının veri kümesinde kullanılacak üç adet giriş (RSSI, SNR ve Jitter) değişkeni ve bir adet çıkış (istenen değer) değişkeni elde edilmiştir. Bu veri seti makine öğrenmesi algoritmalarından LSTM, SVM, Tree ve Lineer Regresyon teknikleri ile eğitilmiştir. LSTM tabanlı derin sinir ağı diğer regresyon algoritmaları ile karşılaştırılmış ve daha yüksek başarıma sahip olduğu tespit edilmiştir. LSTM için eğitilen modelin test sonuçları incelendiğinde; R 2 0.94, MAE 0.3315, MSE 0.3670 ve RMSE değeri 0.6058 olarak bulunmuştur. LSTM tabanlı derin sinir ağlarının, regresyon işlemlerinde yüksek başarım gösterdiği görülmüştür. Sonuç olarak önerilen regresyon modeli ile 5G küçük hücre ağlarında HO kararlarının tahmin edilebildiği gösterilmiştir.