TR201515448A2 - Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ - Google Patents
Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ Download PDFInfo
- Publication number
- TR201515448A2 TR201515448A2 TR2015/15448A TR201515448A TR201515448A2 TR 201515448 A2 TR201515448 A2 TR 201515448A2 TR 2015/15448 A TR2015/15448 A TR 2015/15448A TR 201515448 A TR201515448 A TR 201515448A TR 201515448 A2 TR201515448 A2 TR 201515448A2
- Authority
- TR
- Turkey
- Prior art keywords
- network
- traffic
- current
- information
- network traffic
- Prior art date
Links
- 238000000034 method Methods 0.000 claims abstract description 10
- 238000010801 machine learning Methods 0.000 claims abstract description 6
- 238000013459 approach Methods 0.000 claims abstract description 3
- 238000004458 analytical method Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 208000018910 keratinopathic ichthyosis Diseases 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000005469 granulation Methods 0.000 description 1
- 230000003179 granulation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035755 proliferation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/147—Network analysis or design for predicting network behaviour
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
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)
- 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.
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2015/15448A TR201515448A2 (tr) | 2015-12-04 | 2015-12-04 | Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ |
EP16831649.5A EP3384634B1 (en) | 2015-12-04 | 2016-12-02 | A network traffic estimation system |
PCT/TR2016/000174 WO2017095344A1 (en) | 2015-12-04 | 2016-12-02 | A network traffic estimation system |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TR2015/15448A TR201515448A2 (tr) | 2015-12-04 | 2015-12-04 | Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ |
Publications (1)
Publication Number | Publication Date |
---|---|
TR201515448A2 true TR201515448A2 (tr) | 2017-06-21 |
Family
ID=57910094
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TR2015/15448A TR201515448A2 (tr) | 2015-12-04 | 2015-12-04 | Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ |
Country Status (3)
Country | Link |
---|---|
EP (1) | EP3384634B1 (tr) |
TR (1) | TR201515448A2 (tr) |
WO (1) | WO2017095344A1 (tr) |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1381953A2 (en) * | 2000-11-29 | 2004-01-21 | Netuitive Inc. | Enhanced computer performance forecasting system |
KR100440087B1 (ko) | 2002-06-20 | 2004-07-14 | 한국전자통신연구원 | 무선 통신 환경에서의 통화요청률 추정 시스템 및 그 방법 |
US20100273493A1 (en) | 2007-12-12 | 2010-10-28 | Nec Corporation | Radio access network management device, facility plan support system, and facility plan support method used therefor |
CN102111284B (zh) | 2009-12-28 | 2013-09-04 | 北京亿阳信通科技有限公司 | 电信业务量预测方法和装置 |
US8826314B2 (en) * | 2012-01-30 | 2014-09-02 | At&T Intellectual Property I, Lp | Method and apparatus for managing quality of service |
EP2750432A1 (en) * | 2012-12-28 | 2014-07-02 | Telefónica, S.A. | Method and system for predicting the channel usage |
WO2014126576A2 (en) * | 2013-02-14 | 2014-08-21 | Adaptive Spectrum And Signal Alignment, Inc. | Churn prediction in a broadband network |
US9338065B2 (en) * | 2014-01-06 | 2016-05-10 | Cisco Technology, Inc. | Predictive learning machine-based approach to detect traffic outside of service level agreements |
-
2015
- 2015-12-04 TR TR2015/15448A patent/TR201515448A2/tr unknown
-
2016
- 2016-12-02 WO PCT/TR2016/000174 patent/WO2017095344A1/en unknown
- 2016-12-02 EP EP16831649.5A patent/EP3384634B1/en active Active
Also Published As
Publication number | Publication date |
---|---|
WO2017095344A1 (en) | 2017-06-08 |
EP3384634B1 (en) | 2020-09-16 |
EP3384634A1 (en) | 2018-10-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8255524B2 (en) | Arrangement and a method relating to performance monitoring | |
KR101676743B1 (ko) | 통신 네트워크들에서 서비스 액세스 경험 품질 이슈들의 예측 및 근본 원인 추천들 | |
US20170124466A1 (en) | System, Method and Cloud-Based Platform for Predicting Energy Consumption | |
CN111709566A (zh) | 一种银行网点业务预测及调度方法 | |
Chakraborty et al. | A comparative study for Time Series Forecasting within software 5G networks | |
Torres et al. | Data analytics for forecasting cell congestion on LTE networks | |
Jain et al. | Machine learning, Prophet and XGBoost algorithm: Analysis of Traffic Forecasting in Telecom Networks with time series data | |
US10085157B2 (en) | Reconfiguring a mobile network based on cellular network state information | |
Mulrennan et al. | A Data Science Approach to Modelling a Manufacturing Facility's Electrical Energy Profile from Plant Production Data | |
EP3370343A1 (en) | Method and system for interference detection and diagnostic in cable networks | |
Bhorkar et al. | DeepAuto: A hierarchical deep learning framework for real-time prediction in cellular networks | |
TR201515448A2 (tr) | Bi̇r şebeke trafi̇k tahmi̇nleme si̇stemi̇ | |
CN112235164A (zh) | 一种基于控制器的神经网络流量预测装置 | |
WO2002059807A2 (en) | Data anlysis method | |
Mahmood et al. | Enabling Predictive and Preventive Maintenance using IoT and Big Data in the Telecom Sector. | |
Hellingrath et al. | On the integration of intelligent maintenance and spare parts supply chain management | |
JP2023550706A (ja) | 無線ネットワークパフォーマンス最適化システムおよび方法 | |
TWI632522B (zh) | Network traffic prediction method and computer program product thereof | |
US20220251817A1 (en) | Systems and methods for managing stormwater regulations | |
Banović-Ćurguz et al. | Moving from network-centric toward customer-centric CSPs in bosnia and Herzegovina | |
Malandrino et al. | 5G traffic forecasting: If verticals and mobile operators cooperate | |
Rana et al. | Network Bandwidth Utilization Prediction Based on Observed SNMP Data. | |
Petralli et al. | Restoration Time Prediction in Large Scale Railway Networks: Big Data and Interpretability | |
Eves et al. | A Utility's Response to Major Storm Events | |
Krysztofik et al. | A Novel Bandwidth Occupancy Forecasting Method for Optical Networks |