CC BY
8Методика прогноза изменения характеристик базовой станции в результате модернизации оборудования
К. А. Валиахметова
Национальный исследовательский университет «Высшая школа экономики», Москва, Россия
Аннотация: В современном мире наблюдается стремительный рост смартфонов и мобильных пользователей. Это приводит к увеличению нагрузки на сеть, вызванной ростом мобильного трафика. Расширение пропускной способности с помощью увеличения емкости базовых станций является наиболее известным и часто используемым методом разгрузки сотовой сети. Это означает, что на текущую базовую станцию довешивают дополнительные LTE ячейки для поддержания качества мобильной связи. Однако такая модернизация ограничена из-за высокой стоимости оборудования вышек сотовой связи. Чтобы сократить расходы, операторам мобильной связи необходимо оптимизировать процесс расширения емкости и найти способ спрогнозировать технические характеристики базовой станции до добавления дополнительного оборудования. Предлагается методика прогноза изменения количества технических абонентов и нисходящей скорости передачи данных базовой станции при добавлении новых ячеек для разгрузки существующих слоев оборудования и улучшения качества связи. В частности, исследуются зависимости изменения параметров до и после модернизации базовой станции. Приведены результаты работы трех алгоритмов машинного обучения, их ансамбля, и проведено их сравнение. Согласно текущим результатам, LightGBM показывает лучшие результаты, чем другие методы прогнозирования количества технических абонентов. По прогнозу скорости подключения по метрикам выигрывают алгоритмы случайного леса и стекинг. Экспериментальные результаты, полученные в этой статье, могут быть полезны компаниям мобильной связи для поиска более подходящих обновлений для увеличения пропускной способности базовых станций.
Ключевые слова: мобильная связь, базовая станция, повышение пропускной способности, методы машинного обучения, LightGBM, линейная регрессия, случайный лес, стекинг
Введение
В настоящее время продолжается рост количества мобильных устройств, и увеличивается доступность мобильной связи. Согласно актуальному отчету компании Ericsson, к концу 2022 году ожидалось, что будет насчитываться около 8,4 млрд абонентов мобильной связи. Прогнозируется, что к концу 2028 года эта цифра увеличится примерно до 9,2 млрд [1]. С ростом подключаемых абонентов к базовой станции (БС) возрастает нагрузка на сеть, и это может привести к ухудшению качества связи.
Телекоммуникационным компаниям необходимо вовремя проводить модернизацию базовых станций, чтобы обеспечить надежность мобильной сети [2]. Для оптимизации затрат на оборудование необходимо уметь оценивать эффект от разгрузки станции, это поможет предсказать подходящие модернизации.
С развитием технологий BigData стало возможно получать большие объемы исторических данных работы базовых станций, такие как количество технических абонентов, скорость подключения, нисходящий и восходящий трафик и др. Используя эту информацию, можно получить предсказание изменения технических характеристик БС, используя инструменты машинного обучения [3]. В работе [4] авторы применяют алгоритм прогнозирования временных рядов с целью расчета будущего трафика с LTE-станции ежечасно. Экспериментальные данные позволяют сделать вывод о том, что на основе
получаемых прогнозов возможно предвидеть отказ сети и далее определить необходимость модернизаций базовой станции с помощью дополнительного анализа. Но в настоящей работе на этапе обучения модели уже учитываются данные проведенных модернизаций, что не требует дополнительных вычислений в дальнейшем.
Целью данного исследования является получение оптимального по качеству работы алгоритма для предсказания изменения количества технических абонентов базовых станций и скорости нисходящего трафика в результате модернизаций ячеек оборудования с помощью добавления новых слоев. На основании результатов работы алгоритма ожидается получение оценки эффекта разгрузки БС для повышения качества связи.
1. Используемые методы
МАШИННОГО ОБУЧЕНИЯ
Для прогноза с использованием кросс-валидации применяются следующие алгоритмы: LightGBM [5], линейная регрессия и случайный лес и стекинг на основе этих алгоритмов.
1.1. Линейная регрессия
Линейная регрессия является одним из основных алгоритмов машинного обучения. Задача алгоритма сводится к определению зависимости целевой переменной от признаков объекта. Линейная модель имеет следующий вид:
а(х) = (w,x).
Здесь V - вектор весов линейной модели, полученный в результате обучения, х - вектор признаков объекта
Данный метод хорошо подходит для отслеживания линейных взаимосвязей между признаком и целевой переменной. Определить степень влияния признака на таргетированную переменную можно по значению весовых коэффициентов.
К основным недостаткам линейной регрессии можно отнести необходимость масштабировать признаки, чтобы не допустить переобучения модели, а также искажение прогноза при наличии коллинеарности признаков в результате увеличения весовых коэффициентов при данных признаках.
Преимуществами линейных моделей является малое количество параметров, что позволяет контролировать переобучение. Так же они хорошо применимы в работе с зашумленными данными и с небольшими выборками.
1.2. Случайный лес
Алгоритм случайного леса состоит в параллельном обучении простых моделей (решающих деревьев) и дальнейшем объединении их предсказаний. Алгоритм построении решающего дерева относится к недифференцируемым алгоритмам. Он может быть проиллюстрирован как процесс принятия решения в различных ситуациях.
Жадный алгоритм построения решающего дерева имеет следующий вид. Вся обучающая выборка Х помещается в коневую вершину дерева и разбивается на две части R1, Я2 так, чтобы это разбиение максимизировало функционал качества, приведенный ниже Q(X, j,
а(х,}, О = Н(Ят) - н(иь) - ^(яД
Здесь Н(Ящ) - значения критерия информативности (энтропия, критерия Джини), \Щ - количество объектов в левой вершине, \ЯГ\ -количество объектов в правой вершине, \Ят\ -количество объектов в предыдущей общей вершине, из которой шло разбиение
Условие разбиения на дочерние вершины или предикат имеет вид:
Rl(j,t) = {х Ц < ^ R2(j,t) = {х | х >3, где X] - это признак]-го объекта, t - значение этого признака
Получив лучшие пороги для разбиения, разобьем по ним исходную выборку X на дочерние вершины Я1, К2. Одна часть попадет в правую дочернюю вершину, другая — в левую. Далее рекурсивно повторяем описанную выше процедуру для дочерних вершин. Построение завешается, когда выполняется некое заданное условие останова, проверка которого осуществляется при каждом разбиении вершин. Если условие останова выполнилось для конкретной
вершины, она объявляется листом и не участвует в дальнейшем разбиении. По окончании построении дерева для каждого листа подсчитывается ответ. В задачах регрессии — это медиана или среднее или другая функция для таргетированных переменных в листе, в задачах классификации — это наиболее часто встречающийся класс в листе. Выбор конкретной функции зависит от функционала качества в исходной задаче. С помощью использования одиночных решающих деревьев сложно добиться хорошего предсказания, так как такие деревья могут быть крайне неустойчивы, то есть плохо работать на измененных данных при увеличении их глубины для минимизации ошибки прогноза, или иметь высокое смещение относительно лучшего прогноза за счет их упрощения для минимизации разброса. Для того чтобы минимизировать смещение и разброс простые деревья с малой глубиной объединяются в композиции, например в случайный лес. Случайный лес имеет несколько особенностей построения деревьев. Каждое дерево обучается на своей подвыборке объектов и при разбиении дерева на вершины используется только N случайных признаков среди всех. Для регрессии это количество равно одной трети всех признаков.
В данном случае коллинеарность признаков не влияет на качество модели, так как базовые деревья строятся независимо на собственном подпространстве признаков. Более того случайный лес хорошо может сработать на зашумленных данных с выбросами и разным масштабом признаков.
1.3. Градиентный бустинг
Задача бустинга сводится к последовательному обучению базовых моделей. Каждая модель стремится минимизировать ошибки предыдущей. В качестве базовых моделей могут выступать линейная регрессия, деревья решений. N-ая модель ансамбля находится из следующего условия:
i
bN(x) = arg minb6A ^ (KxO - Sj)2,
¿=i
где si - сдвиг на конкретном объекте, равный антиградиенту функции потерь, Ъ(х{) -композиция предыдущих моделей.
При таком Si делается один шаг градиентного спуска в сторону наискорейшего убывания ошибки на обучающей выборке. Используя градиентный спуск и обновляя предсказания, основанные на скорости обучения (learning rate), ищем значения, на которых ошибка заданной функции потерь минимальна.
Градиентный бустинг описывает поиск лучшей функции, которая восстанавливает в пространстве всех возможных функций истинную зависимость ответов от объектов. Основное требование к базовому алгоритму — сильнее приближать антиградиент ошибки на обучающей выборке. Если базовыми алгоритмами бустинга
являются решающие деревья, то можно понизить смещение композиции, разброс же либо останется таким же, либо увеличится. Потому в бустинге выбираются неглубокие решающие деревья с большим смещением, но не склонны к переобучению.
Алгоритм бустинга хорошо применятся для отслеживания нелинейных взаимосвязей между признаками. Основным недостатком бустинга является чувствительность к выбросам.
1.4. СТЕКИНГ
Одним из методов ансамблирования алгоритмов машинного обучения является стекинг. Данный алгоритм может включать в себя алгоритмы из разных семейств. В работе, в качестве базовых алгоритмов стекинга используются линейная регрессия, бустинг, случайный лес.
Обучение стекинга происходит на основе кросс-валидаци. Изначальная выборка делится на обучающую и тестовую. Обучающая выборка делится на ^частей (фолды), из которых (п-1) используются для обучения базовых алгоритмов. Оставшееся часть отводится на валидацию, на нем получают предсказания. Все фолды последовательно перебираются. Предсказания, полученные с помощью базовых алгоритмов - это мета-факторы, на них обучается метамодель. Таким образом, метамодель принимает на вход прогнозы базовых алгоритмов. В качестве метамодели может выступать линейная регрессия. Окончательны прогноз делается метамоделью на тестовой выборке.
Стекинг может помочь повысить качество слабых по метрикам моделей.
2. Описание программной части
Данные для обучения модели содержат основную информацию о модернизациях базовых станций [6]. Для формирования датасета использовались исторические данные
конфигурации БС, данные технической статистики с измерениями скорости, трафика и технических абонентов и др. Модернизация проводилась с помощью добавления к станциям слоев 4G-2600, 4G-1800/2100, 4G-800/900. Целевая переменная была сформирована как отношение среднего значения соответствующего параметра за три месяца после модернизации среднему значению за три месяца до модернизации.
Для оценки качества алгоритма использовались следующие метрики:
Коэффициент детерминации:
Д2(у,у) = 1-Средний процент отклонения:
МАРЕ(у,у)=-У——— (2)
п¿-I У1
1=1
Симметричный средний процент отклонения:
п
БМАРЕ(у,у) = (3)
1=1
Здесь у - среднее значение переменной по всем п объектам.
3. Полученные результаты
3.1. Анализ технических ХАРАКТЕРИСТИК БС
В ходе работы были получены и проанализированы зависимости технических характеристик БС и их влияние на коэффициенты изменения целевых признаков: количество технических абонентов и нисходящая (downlink) скорость в результате модернизаций.
На Рис.1 изображена зависимость целевой переменной коэффициента изменения количества технических абонентов от среднего за три месяца коэффициента использования базовой станции. Из графика видно, что с увеличением среднего значения нагрузки на БС, коэффициент изменения количества технических абонентов будет снижаться. Таким образом, если коэффициент использования БС (утилизация БС) был высоким, то есть слои станции были нагружены, то с добавлением нового оборудования снижение количества технических абонентов на слоях будет заметнее, так абоненты будут подключаться к новой более свободной ячейке.
• •
» : • *• • * V % * "* . :V
« • • . и » • % V -•Л'-Ч? & •> •гАч V % U*
• • г .-ГЩ
g=i(yt-y)2 у)2
(1)
Рис.1. Зависимость целевой переменной коэффициента изменения количества технических абонентов во время модернизации от среднего коэффициента использования базовой станции до модернизации
На Рис. 2 изображена зависимость коэффициента изменения технической скорости с ростом коэффициента использования БС. В данном случае коэффициент изменения скорости ведёт себя обратно пропорционально коэффициенту изменения количества технических абонентов. Наблюдается рост коэффициента изменения скорости с при увеличении средней за три месяца нагрузки на БС. При добавлении нового слоя к сильно нагруженному слою скорость
будет расти, так как будет происходить разгрузка ячейки.
• г V
• « • Л- г
• • * **
• г *• W i ЛаГЖ
* * - jr" • "
• • • • • / * ф» • а •1 V i^fv«
• * • • . . Л' :' V. • . * 4»;
20 30 40 50 60 70 80 90 100
avg_util_thnr_Drev3
Рис. 2. Зависимость целевой переменной коэффициента изменения технической скорости во время модернизации от среднего коэффициента использования базовой станции до модернизации
На Рис. 3 показан график зависимости коэффициента изменения трафика от технической скорости. Можно заметить, что с увеличением среднего значения скорости подключения за предыдущие три месяца, коэффициент изменения трафика будет снижаться. То есть с добавлением нового слоя часть абонентов подключится к нему, поэтому на исходной ячейке трафик будет снижаться, а скорость расти.
•
• •
f-s ' • • • • •
Ч'
ЙЙЙ.*; •.f I'V: • • •
• • •
• .. » ■ -v . % • • • •
•YSi * «• • • •• ^ • • • •
4
Рис. 3. Зависимость коэффициента изменения трафика во время модернизации от средней технической скорости до модернизации
3.2. Результаты работы алгоритма ДЛЯ ПРОГНОЗА КОЛИЧЕСТВА ТЕХНИЧЕСКИХ АБОНЕНТОВ
В Таблице 1 приведены значения метрик по всем примененным алгоритмам машинного обучения для модели изменения количества технических абонентов. Первая строка в таблице -это результат модели LightGBM при обучении на данных без очистки и генерации новых признаков, принятый за бейзлайн. Далее идут метрики для модели LightGBM с подобранными гиперпараметрами, обученной на
предобработанных и очищенных от выбросов данных с применением генерации новых признаков. Также был проведен эксперимент с линейной регрессией для исследования наличия линейных зависимостей между признаками. Здесь также использовались очищенные данные. Коэффициент детерминации составил 0,32.
Алгоритм случайного леса показал схожие результаты с бустингом LightBM.
Так как результаты алгоритмов близки, был реализован ансамбль стекинга их трех указанных выше алгоритмов. Однако для модели прогноза количества абонентов стекинг справился хуже, чем алгоритм случайного леса.
Таким образом, по сравнению с первым бейзлайном коэффициент детерминации увеличился более чем в два раза и лучшим по качеству алгоритмом является LightGBM, обученный на предобработанных данных, с коэффициентом детерминации, равным 0,36. Процент ошибок (MAPE) ниже, чем у остальных алгоритмов и составляет 0.33
Таблица 1
Метрики моделей предсказания количества
технических пользователей базовой станции
Модель R2 SMAPE MAPE
Бейзлайн 0,17 0,34 0.38
LightGBM 0,36 0,31 0,33
Линейная регрессия 0,32 0,31 0,35
Случайный лес 0,36 0,31 0,34
Стекинг 0,35 0,30 0,34
3.3. Результаты работы алгоритма ДЛЯ ПРОГНОЗА DOWNLINK СКОРОСТИ ПОДКЛЮЧЕНИЯ
В Таблице 2 приведены значения метрик по всем примененным алгоритмам машинного обучения для модели прогноза downlink скорости подключения. Использовались те же конфигурации моделей, приведенные выше, то есть условия проведения эксперимента сохранились. На бейзлайне был получен результат с коэффициентом детерминации 0,37.
Таблица 2
Метрики моделей предсказания нисходящей
скорости подключения
Модель R2 SMAPE MAPE
Бейзлайн 0,37 0,25 0,25
LightGBM 0,5 0,22 0,20
Линейная регрессия 0,51 0,22 0,20
Случайный лес 0,52 0,31 0,33
Стекинг 0,48 0,21 0,19
Лучшие результат R2 показал алгоритм случайного леса, коэффициент детерминации составил 0,52. Низкий процент ошибок (метрики SMAPE и MAPE) получены стекингом моделей, 0,21 и 0,19, соответственно.
Стоит отметить, что низкие значения коэффициента детерминации могут быть обусловлены сильно зашумленными данными, на которых проводилось обучение.
Заключение
В работе были исследованы несколько алгоритмов и найдены лучшие по качеству для предсказания изменения технических
характеристик при модернизации базовых станций. Для прогноза количества технических абонентов лучший результат показала модель LightGBM, случайный лес и стеккинг моделей LightGBM и линейной регрессии и случайного леса дают выигрыш в метриках для прогноза скорости. Также был проведен анализ параметров характеристик модернизируемых станций. Были установлены качественные зависимости, связанные с разгрузкой базовых станций. Полученные графики показали, что во время обновления емкости вышки сотовой связи пользователи подключаются к новой ячейке, следовательно, остальные ячейки разгружаются: уменьшается количество технических абонентов и увеличивается скорость подключения.
К основным гипотезам по улучшению данного исследования и повышению обобщающих способностей моделей машинного обучения можно отнести выделение новых признаков по абонентским характеристикам, исследование вклада соседних базовых станций, то есть признаки ближайших соседей. Полученные результаты могут быть применены мобильными операторами для нахождения оптимальных модернизаций.
Литература
[1] Ericsson Mobility Report, November 2022 report [Электронный ресурс]. URL: www.ericsson.com/mobility-report.
[2] D. Chmieliauskas and D. Gursnys, "LTE Cell Traffic Grow and Congestion Forecasting," 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream), Vilnius, Lithuania, 2019, pp. 1-5, doi: 10.1109/eStream.2019.8732145.
[3] I. A. Tomic, M. S. Davidovic and S. M. Bjekovic, "On the downlink capacity of LTE cell," 2015 23rd Telecommunications Forum Telfor (TELFOR), Belgrade, Serbia, 2015, pp. 181-185, doi: 10.1109/TELFOR.2015.7377443.
[4] D. Chmieliauskas and D. Gursnys, "LTE Cell Traffic Grow and Congestion Forecasting," 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream), Vilnius, Lithuania, 2019, pp. 1-5, doi: 10.1109/eStream.2019.8732145.
[5] Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q. and Liu T.Y., 2017. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30.
[6] Naran Khokshanov. "Mobile stations KPI before and after RET optimization", IEEE Dataport, October 23, 2022doi: https://dx.doi.org/10.21227/s8p6-0f81
Камилла Аскаровна Валиах-метова - студентка 4 курса Национального исследовательского университета «Высшая школа экономики», Московский государственный институт электроники и математики, Департамент электронной инженерии E-mail:
kavaliakhmetova@edu. hse.ru
Статья поступила 20.03.2023
Methodology for Forecasting Changes in the Characteristics of the Base Station as a Result of Equipment Modernization
KA. Valiakhmetova National Research University Higher School of Economics, Moscow, Russia
Abstract: Nowadays, there is a rapid growth of smartphones and mobile users. This leads to an increase in network load caused by a rise in mobile traffic. Capacity expansion of base stations is the most well-known and commonly used method to unload the cellular network. It means that extra cells can be added to the current base station to maintain the quality of the mobile connection. However, such hardware modernizations are limited due to high cell tower equipment costs. To reduce expenditures, mobile network operators need to optimize the capacity upgrade process and find a way to predict the difference in the technical characteristics of the cell site before extra hardware is added. This study proposes a method for forecasting the number of technical subscribers and the downlink speed connection of the base station, when a base station modification has been done to unload existing layers of equipment. In particular, the dependencies of parameter changes before and after the modernization of the base station are explored. The outcomes of three machine learning algorithms, it ensemble, and comparison each other are presented. According to current results, LightGBM shows better performance than other methods of forecasting the number of technical subscribers. According to the forecast of connection speed by metrics, random forest algorithms and stacking win. The experimental results may be useful for mobile communication companies to find more suitable upgrades for increasing the capacity of base stations.
Keywords: mobile communication, base station, capacity upgrade, machine learning tools, LightGBM, linear regression, random forest, stacking
References
[1] Ericsson Mobility Report, November 2022 report [Электронный ресурс]. URL: www.ericsson.com/mobility-report.
[2] D. Chmieliauskas and D. Gursnys, "LTE Cell Traffic Grow and Congestion Forecasting," 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream), Vilnius, Lithuania, 2019, pp. 1-5, doi: 10.1109/eStream.2019.8732145.
[3] I. A. Tomic, M. S. Davidovic and S. M. Bjekovic, "On the downlink capacity of LTE cell," 2015 23rd Telecommunications Forum Telfor (TELFOR), Belgrade, Serbia, 2015, pp. 181-185, doi: 10.1109/TELFOR.2015.7377443.
[4] D. Chmieliauskas and D. Gursnys, "LTE Cell Traffic Grow and Congestion Forecasting," 2019 Open Conference of Electrical, Electronic and Information Sciences (eStream), Vilnius, Lithuania, 2019, pp. 1-5, doi: 10.1109/eStream.2019.8732145.
[5] Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q. and Liu T.Y., 2017. Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 30.
[6] Naran Khokshanov. "Mobile stations KPI before and after RET optimization", IEEE Dataport, October 23, 2022, doi: https://dx.doi.org/10.21227/s8p6-0f81.
Kamilla A. Valiakhmetova is
four-year student of Higher School of Economics, Tikhonov Moscow Institute of Electronics and Mathematics, School of Electronic Engineering, E-mail:
kavaliakhmetova@edu.hse.ru
The paper has been received 20/03/23
