LTE fiziksel katman ölçümleri kullanılarak konum bazlı LTE indirme ve yükleme hızının öngörülmesi

Abstract

GSM operatörleri, ülkemizde ve dünyada mobil telefonlarda en yaygın kullanılan 4. nesil hücresel haberleşme teknolojisi olan LTE (Long-Term Evolution, Uzun Süreli Gelişim) ile konum bazlı veri indirme ve yükleme hızlarını belirlemek için çeşitli yöntemler kullanmaktadır. Bu yöntemler arasında kendi sürüş testlerini gerçekleştirmek veya kullanıcıların telefonlarına yükledikleri uygulamalar üzerinden yaptıkları hız testlerinin sonuçlarını satın almak yer almaktadır. Ancak, bu yöntemler giderek daha zor, maliyetli ve sürdürülemez hale gelmektedir. GSM sektöründe, tüm teknolojiler için öngörüye dayalı kapsama haritaları yaygın olarak kullanılmaktadır. Bu araştırmanın amacı, LTE veri hızı öngörü haritaları oluşturmak için güvenilir bir yöntem geliştirmektir. Bu çalışmada, LTE veri indirme ve yükleme hızını öngörmek amacıyla yapay sinir ağları, karar ağaçları, regresyon, destek vektör makineleri ve rastgele orman gibi makine öğrenme algoritmalarına dayalı modeller oluşturulmuş ve bu modellerin güvenilirliği karşılaştırılmıştır. Her bir modelin oluşturulması sırasında farklı parametreler denenmiş, her makine öğrenme yöntemi için en güvenilir model seçilerek karşılaştırmalar yapılmıştır. Veri seti olarak, Türkiye'deki 81 ilde üç GSM operatörü için gerçekleştirilen sürüş testleri ölçümleri kullanılmıştır. Bu ölçümler, modellerde kullanılmadan önce birçok aşamadan geçirilerek hazır hale getirilmiştir. Yöntemler arasında daha doğru karşılaştırma yapabilmek için, her yöntem ve modelde aynı eğitim ve doğrulama verileri kullanılmıştır. Bu araştırmanın sonucunda, doğru veri setleri ve doğru parametreler kullanarak makine öğrenme algoritmaları ile LTE veri indirme ve yükleme hızları için öngörü modelleri oluşturulabileceği ve bu sonuçların harita üzerinde gösterilebileceği sonucuna varılmıştır.GSM operators use various methods to determine location-based data download and upload speeds with LTE (Long-Term Evolution), the 4th generation cellular communication technology most widely used in mobile phones in our country. These methods include performing their own driving tests or purchasing the results of speed tests through applications that users have installed on their phones. However, these methods are becoming increasingly difficult, costly and unsustainable. In the GSM industry, coverage prediction maps are widely used for all technologies. The aim of this research is to develop a reliable method for generating LTE data rate prediction maps. In this study, models based on machine learning algorithms such as artificial neural networks, decision trees, regression, support vector machines and random forest were created to predict LTE data download and upload speed, and the reliability of these models was compared. During the creation of each model, different parameters were tested and the most reliable model was selected for each machine learning method and comparisons were made. As the data set, driving test measurements performed for three GSM operators in 81 provinces in Turkey were used. These measurements were made ready by going through many stages before being used in the models. To make more accurate comparisons between methods, the same training and validation data were used for each method and model. As a result of this research, it was concluded that predictive models for LTE data download and upload speeds can be created with machine learning algorithms using correct data sets and correct parameters, and these results can be displayed on the map.