К анализу некоторых метрик качества прогнозирования SINR с помощью аппарата нейронных сетей

Одной из важных задач операторов сети является улучшение качества обслуживания пользователей. Для измерения качества соединения в беспроводной сети связи 5G обычно используется отношение сигнала к суммарной помехе и шуму (Signal to Interference and Noise Ratio, SINR), а прогнозирование уровня SINR может улучшить производительность сети. В данной работе рассматривается задача применения машинного обучения для прогнозирования показателя SINR на пользовательском оборудовании, а также проводится сравнение нескольких моделей регрессионных искусственных нейронных сетей на основе следующих метрик: среднеквадратичной ошибки, средней абсолютной ошибки, средней процентильной абсолютной ошибки, средней симметричной процентильной абсолютной ошибки и коэффициента детерминации. В качестве входных значений все обучаемые алгоритмы принимают временной ряд значений SINR, а на выходе выдают спрогнозированное значение показателя.

To the analysis of some SINR forecasting quality metrics using the apparatus of neural networks

One of the important tasks of network operators is to improve the quality of user service. Signal to Interference and Noise Ratio (SINR) is commonly used to measure connection quality in a 5G wireless network, and SINR level prediction can improve network performance. This paper considers the problem of applying machine learning to predict SINR on user equipment, and also compares several models of regression artificial neural networks based on the following metrics: root mean square error, mean absolute error, mean percentile absolute error, mean symmetric percentile absolute error, and coefficient determinations. All learning algorithms take a time series of SINR values as input values, and output the predicted indicator value.