TR201515448A2 - Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ - Google Patents

Abstract

Bu buluş, geçmiş trafik verisine bakarak makine öğrenmesi yaklaşımlarından regresyon yöntemleri ile gelecekte oluşacak şebeke trafiğinin tahmin edilmesini sağlayan çözüm mimarisi sunan bir şebeke trafik tahminleme sistemi (1) ile ilgilidir. Buluş konusu şebeke trafik tahminleme sistemi (1) trafik tahminlemesini makine öğrenmesi regresyon problemi olarak ele almaktadır. Veri tabanı (2) üzerinde lokasyon/hücre bazlı güncel güncel şebeke performans belirteçleri, şebeke konfigürasyon planlaması bilgileri, planlanmış etkinlikler, güncel planlı çalışmalar, güncel şebeke alarmları, hava durumu tahminleri, güncel müşteri ve gelecek kampanya bilgileri tutulmaktadır.

Description

TARIFNAME BIR SEBEKE TRAFIK TAHMINLEME SISTEMI Teknik Alan Bu bulus, geçmis trafik verisine bakarak makine ögrenmesi yaklasimlarindan regresyon yöntemleri ile gelecekte olusacak sebeke trafiginin tahmin edilmesini saglayan çözüm mimarisi sunan bir sebeke trafik tahiniiileme sistemi ile ilgilidir. Önceki Teknik Sebekelerde verilen kalite hizmetin devam ettirilebilmesi için sebeke planlama uzmanlarindan olusan bir takim sebekedeki trafik, alarm, ariza ve bakim çalismalarini takip etmektedirler. Sebeke durumlarini kontrol eden takimlar trafik tahmininde bulunabilmek için geçmis trafik verilerini excel dosyalarinda toplamakta ve manuel olarak trend analizi yapmaktadirlar. Ancak incelenmesi gereken sebeke verisinin çogalmasi takimlarin her veriyi incelemesini imkânsiz hale getirmektedir.

Dolayisi ile takimlar milyonlarca kayita ulasan veriler arasinda ufak ömeklemeler alarak inceleme islemlerini gerçeklestirmektedir. Manuel olarak bu kadar verinin toplanmasi ve incelenmesi önemli bir is gücü ihtiyacini dogurmaktadir. Verinin büyük boyutlari nedeni ile trend analizi yapilan örneklem veri tahminlerdeki hata payini artirabilmektedir.

CN102111284 sayili Çin patent dokümaninda telekom trafiginin tahmin edilmesi için kullanilan bir yöntem ve cihazdan bahsedilmektedir. Söz konusu bulusta kullanilan yöntem; telekom trafiginin tahmin tanelenmesine karar verilmesi; tarihsel ve tahminsel bir modelin seçilmesi; tek bilesenli lineer regresyon modeli kullanilarak tarihsel ve tahminsel modelin ilk degerlerinin ve büyüme degerlerinin ayri ayri hesaplanmasi; tarihsel ve tahmin modelinin trafik tahminin hesaplanmasi; tarihsel modelin gerçek trafik degerinin okunmasi ve ikinci trafik tahminin gerçek trafik degeri ile ilk trafik tahminin arasindaki sapmaya göre hesaplanmasi adimlarini içermektedir. Söz konusu patent dokümaninda sadece geçmis trafik verileri kullanilmaktadir. Dolayisi ile basarili tahmin orani oldukça düsüktür.

USZOO3236084 sayili Birlesik Devletler patent dokümaninda kablosuz kisisel iletisim servislerinin sunuldugu ortamlarda çagrilarin trafik oranlarinin tahmin edildigi bir sistemden bahsedilmektedir. Söz konusu sistem ayri ayri nodelarda gerçek zamanli gözlemlerin toplanmasi ve node setlerinin olusturulmasinda kullanilan bir trafik gözlem parametre modülü; çagrilarin trafik oranlarinin tahmin modelinin belirlenmesi ve dustan disa ve içten içe yapilan çagrilarin trafik oranlarinin tahmini için gözlemlerin regresyon analizini gerçeklestiren bir regresyon analiz modülü ve kaynaklarin yönlendirilmesi için kullanilan bir kaynak atama modülü içermektedir. Söz konusu patent dokümaninda ise mobil telefon sebekeleri yerine kablosuz kisisel haberlesme sebekelerindeki yogunluklari tahminlemeye çalisilmaktadir. yönetim cihazi, tesis plan destek sistemi ve bunun için kullanilan plan destek yöntemi ile ilgilidir. Bulus özellikle de baz istasyonlarinin ileri tarihli trafik tahminine bagli olarak atanmasi ile ilgilidir. Bulusta yer alan trafik talep tahmin ünitesi geçmis trafik talep verilerini yakin radyo hücrelerinden alarak regresyon analizinde kullanmakta ve yakin gelecekte trafik talebi ortaya çikarmaktadir. Söz konusu patent dokümani ise yeni kurulacak baz istasyonlari gibi yatirimlar öncesinde trafik ihtiyaçlarini bölgesel tahminlemesi yapan bir çözüm ile ilgilidir.

Bulusun Kisa Açiklamasi Bu bulusun amaci, geçmis trafik verisine bakarak makine ögrenmesi yaklasimlarindan regresyon yöntemleri ile otomatik olarak gelecekte olusacak sebeke trafiginin tahmin edildigi bir sebeke trafik tahminleme sistemi gerçeklestirmektir.

Bulusun diger amaci yapilan tahminlemeler ile sebekenin donanim ihtiyaci ve konumlandirilmasinin saha verimli yapildigi ve böylelikle yatiriin inaliyetlerinde düsüs saglanirken verilen hizmetin kalitesi ve müsteri memnuniyetinin artirildigi bir sebeke trafik tahminleme sistemi gerçeklestirmektir.

Bulusun Ayrintili Açiklamasi Bu bulusun amacina ulasmak için gerçeklestirilen “Bir sebeke trafik tahminleme sistemi” ekli sekilde gösterilmis olup bu sekil; Sekil 1 _Bulus konusu bir sebeke trafik tahminleme sisteminin sematik görünüsüdür.

Sekilde görülen parçalar tek tek numaralandirilmis olup, bu numaralarin karsiligi asagida verilmistir. 1 . Sistem 2. Veri tabani 3. Birlestirme birimi 4. Uygulama birimi . Tahmin birimi Belirli bir zaman diliminde trafik tahminlemesi yapan bulus konusu sistem (1), -temel olarak sebeke, sezonsallik, yeni saha bilgileri ve kampanya konulari isiginda toplanan tarihçe girdilerinin saklandigi en az bir veri tabani (2), -veri tabani (2) üzerinde yer alan bilgilerin lokasyon(hücre) ve tarih bazli birlestirilerek makine ögrenmesi yönteminin uygulandigi en az bir birlestirme birimi - veri tabani (2) üzerinde tutulan bilgiler üzerinde regrasyon yöntemini kullanarak ile müsteri sikayeti gelmesi muhtemel lokasyonlari ve sikayet kategorilerini belirleyen en az bir uygulama birimi (4) ve -uygulama biriininde (4) elde edilen veriler ile trafik tahminlemesi yapan en az bir tahmin birimi (5) içermektedir.

Bulus konusu sebeke trafik tahminleme sistemi (1) trafik tahminlemesini makine ögrenmesi regresyon problemi olarak ele almaktadir. Veri tabani (2) üzerinde lokasyon/hücre bazli güncel güncel sebeke performans belirteçleri, sebeke konfigürasyon planlamasi bilgileri, planlanmis etkinlikler, güncel planli çalisinalar, güncel sebeke alarmlari, hava durumu tahminleri, güncel müsteri ve gelecek kampanya bilgileri tutulmaktadir.

Veri tabani (2) üzerinde sebeke trafik tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler geçmiste sebekede yasanan trafik miktari bilgilerini içermektedir.

Tercih edilen uygulamada uygulama birimi (4), veri tabani (2) üzerinde saklanan trafik ölçümün yapildigi tarih ve trafigin ölçümlendigi lokasyon bilgisini (hücre bilgisi) kullanmaktadir.

Veri tabani (2) üzerinde ayrica müsteri sikâyetleri tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler geçmiste yasanan müsteri sikâyetleridir. Tercih edilen uygulamada uygulama birimi (4), veri tabani (2) üzerinde saklanan sikayet tarihi, sikayetin kategorisi ve sikayetin geldigi lokasyon (hücre) bilgisi kullanmaktadir.

Veri tabani (2) üzerinde sebeke performans belirteçleri (KPI(key performance indicator)) tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler sebeke performansini belirten KPI kümesi olup bilgiler lokasyon (hücre) ve tarih bilgileri ile tutulmaktadir.

Veri tabani (2) üzerinde sebeke alarm tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler sebeke ekipmanlarindan problem ve arizalara istinaden gelen uyari mesajlarinin tarihçesidir. Tercih edilen uygulamada uygulama birimi (4), veri tabani (2) üzerinde saklanan bu bilgileri lokasyon (hücre) ve tarih bazli kullanmaktadir.

Veri tabani (2) üzerinde ag konfigürasyon parametreleri tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler herhangi bir tarihte herhangi bir lokasyonun (hücre) konfigürasyon parametreleridir.

Veri tabani (2) üzerinde is emirleri tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler lokasyonlar (hücre) üzerinde ariza ve bakim çalisma bilgileridir.

Veri tabani (2) üzerinde hava durumu tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler herhangi bir tarihte herhangi bir lokasyonun (hücre) bulundugu en yakin degerlendirilebilir sicaklik, nem, basinç, rüzgar yönü siddeti ve benzeri bilgilerdir.

Veri tabani (2) üzerinde planli çalismalar tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler herhangi bir lokasyon (hücre) üzerinde yenileme, düzeltme ve bakim çalismalarinin tarih bazinda bilgilerdir.

Veri tabani (2) üzerinde kampanya tarihçesine ait bilgiler tutulmaktadir. Söz konusu bilgiler geçmiste pazarlama ekiplerinin gerçeklestirdikleri veri/konusma kampanya bilgilerini içermeketdir.

Veri tabani (2) üzerinde yukarida yer alan bilgiler haricinde, uygulama birimine (4) girdi olarak kullanilabilecek trafigi etkileyebilen, tarihçesini ve gelecekteki degerlerini bildigimiz her türlü veri saklanabilmektedir.

Bulus konusu trafik tahminleme sisteminde (1) uygulama birimi (4) regrasyon yöntemi ile belirli zaman diliminde trafik tahminlemesi ve yatirim ihtiyaci olup olmadigina karar verilmesi için bir model üretmektedir.

Bulusun tercih edilen uygulamasinda tahmin biriini (5) elde ettigi trafik tahminlemeleri ile lokasyon hiyerarsisinde daha üstteki lokasyonlar için agregasyon ile tahminlemeler yapabilmektedir.

Bu temel kavramlar etrafinda, bir sebeke trafik tahminleme sisteminin (1) çok çesitli uygulamalarinin gelistirilmesi mümkün olup, bulus burada açiklanan örneklerle sinirlandirilamaz, esas olarak istemlerde belirtildigi gibidir.

Claims (1)

1. ISTEMI Bu bulus, geçmis trafik verisine bakarak makine ögrenmesi yaklasimlarindan regresyon yöntemleri ile gelecekte olusacak sebeke trafiginin tahmin edilmesini saglayan çözüm mimarisi sunan bir sebeke trafik tahminleme sistemi (1) ile ilgilidir. Bulus konusu sebeke trafik tahminleme sistemi (1) trafik tahminlemesini makine ögrenmesi regresyon problemi olarak ele almaktadir. Veri tabani (2) üzerinde lokasyon/hücre bazli güncel güncel sebeke performans belirteçleri, sebeke konfigürasyon planlamasi bilgileri, planlanmis etkinlikler, güncel planli çalismalar, güncel sebeke alarmlari, hava durumu tahminleri, güncel müsteri ve gelecek kampanya bilgileri tutulmaktadir.