Tez No	İndirme	Tez Künye	Durumu
687014		Mobil kablosuz ağların optimizasyonunda yapay zeka yöntemlerinin kullanılarak operasyonel verimliliğin artırılması / Increasing operational efficiency on mobil wireless network optimization by using artificial intelligence methods Yazar:YAKUP TARIK KRANDA Danışman: DOÇ. DR. RÜYA ŞAMLI Yer Bilgisi: İstanbul Üniversitesi-Cerrahpaşa / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2021 122 s.
Mobil iletişim dünyasında meydana gelen yeni gelişmeler, değişen ihtiyaçlar, bilgiye her an, her yerden, yüksek hız ve kapasitede erişim ihtiyacını ortaya çıkarmıştır. Bu doktora çalışması kapsamında, mobil radyo ağ performans ve kapasitesinin artırılması ve buna bağlı olarak operasyon verimliliği ve maliyet kazancı odağında daha akıllı kapasite planlama yapılabilmesi için uzun dönemli zaman serisi ve yapay öğrenme odaklı tahminleme algoritmaları ve bunların performansını olumsuz etkileyen ana iki durum ele alınmıştır. Bu durumlar mobil radyo hücrelerinin değişim noktası farkında mevsimsellik tespiti ve yeni devreye alındığı için yetersiz geçmişe sahip olan mobil radyo hücrelerinin uzun gelecek trafik tahminleme hatalarının kontrol altına alınması şeklinde ifade edilebilir. Çalışma kapsamında, gerçek mobil ağ günlük trafik verileri işlenmektedir ve baz istasyonları üzerindeki uzun vadeli mevsimsellik etkisini belirlemek için yeni bir hibrit çözüm geliştirilmektedir. Bu işlemden sonra, seviye kayması veya üstel eğilim artışı nedeniyle değişim noktası varlığını dikkate alarak baz istasyonları üzerindeki mevsimsellik etkisini çıkarmak için mobil ağ baz istasyonu trafik verilerinin mevsimsellik tespiti ve ayrıştırılması için bir algoritma tasarlanmaktadır. Yerel değişim noktası arama, değişim oranı analizi ve benzerlik kontrol mekanizmaları incelenmektedir. İki yıllık geçmiş mobil trafik verisi kullanarak çarpımsal mevsimsel faktörleri hesaplanmaktadır. Ayrıştırılmış mevsimsellik etkisi ile baz istasyonlarını etiketlemek, gelecek yılın trafik talebini tahmin ederken algoritmaları yeni özellikler ile beslemeye yardımcı olur. Buna ek olarak çalışma kapsamında, yetersiz geçmiş verilerden kaynaklanan büyük uzun vadeli trafik tahminleme hatalarına odaklanılmakta ve yetersiz geçmişe sahip yeni konuşlandırılmış hücreler için tahmin hatalarını azaltmak ve hatayı kontrol altına almak için hiyerarşik kümeleme tabanlı bir algoritma geliştirilmektedir. Buradaki amaç, hata sayısını önemli ölçüde azaltmak ve en azından bu hücrelerin ilk yılı için tatmin edici hata seviyelerinde tahmin sonuçları üretmektir. Yeni konuşlandırılan hücreler için yetersiz geçmiş verisi, hareketlilik devir ilişkileri, sahadan sahaya uzaklık, hücrelerin servis açısı kullanılarak kümelenmiş komşuların ortak geçmiş özellikleriyle tamamlanır. Hiyerarşik kümeleme tabanlı algoritmamızla seçilen hücrelerin geçmiş özellikleri, bu yeni hücreler için sentetik olarak geriye dönük bir geçmiş oluşturmak için kullanılır ve gelişmiş doğruluk sonuçlarını göstermek için farklı tahminleme algoritmalarına beslenir. SARIMAX, STL-ETS gibi klasik zaman serisi yöntemlerinin ve Vanilla LSTM Sinir Ağları, LSTM Kodlayıcı-Kod Çözücü Sinir Ağları, CNN-LSTM Kodlayıcı-Kod Çözücü Sinir Ağları, ConvLSTM Kodlayıcı-Kod Çözücü Sinir Ağları gibi derin sinir ağı yöntemlerinin tahmin çıktıları bu tez çalışmasında yer alan tamamlayıcı algoritma yardımıyla iyileştirilmektedir. Daha doğru ortalama sonuçlar için hiperparametre ayarlama adımları ve kümeleme için ideal nitelik seçimi de çoklu çalıştırma simülasyonları ile çalışma kapsamında yer almaktadır.
New developments and needs in the world of mobile communication have revealed the need for access to information at any time, from anywhere, at high speed and capacity. Within the scope of this doctoral study, long-term time series and machine learning-oriented estimation algorithms and two main situations that negatively affect their performance are discussed in order to increase mobile radio network performance and capacity, and accordingly, to make smarter capacity planning focused on operational efficiency and cost savings. These situations can be expressed as the need for seasonality detection in change point awareness and the large estimation errors of mobile cells, which have insufficient history due to newly commissioning. Within the scope of the study, real mobile radio network daily traffic data is processed, and a new hybrid solution is developed to determine the long-term seasonality effect on base stations. After this process, an algorithm is designed for seasonality detection and decomposition of mobile network base station traffic data in order to extract the seasonality effect on base stations, considering the change point existence due to level shift or exponential trend increase. Local change point search, rate of change analysis and similarity control mechanisms are examined. Using two years of historical traffic data, multiplicative seasonal factors are calculated. Tagging base stations with the disaggregated seasonality effect helps the algorithms predict new features when forecasting traffic demand for the next year. In addition, the study focuses on these large prediction errors caused by insufficient historical data, and a hierarchical clustering-based algorithm is developed to reduce traffic prediction errors and control the error for newly deployed cells with insufficient history. The aim here is to significantly reduce the number of errors and produce prediction results with satisfactory error levels, at least for the first year of these cells. Insufficient historical data for newly deployed cells is complemented by common historical characteristics of clustered neighbors using mobility cycle relationships, site-to-site distance, cells' service angle. Historical characteristics of cells selected by our hierarchical clustering-based algorithm are used to generate synthetic retrospective history for these new cells and fed into different prediction algorithms to demonstrate improved accuracy results. The prediction outputs of classical time series methods such as SARIMAX, STL-ETS and deep neural network methods such as Vanilla LSTM Networks, LSTM Encoder-Decoder Networks, CNN-LSTM Networks, ConvLSTM Encoder-Decoder are improved with the help of the complementary algorithm in this thesis. Hyperparameter tuning steps and clustering features significance analysis with multi-run simulations are also included for more accurate averaging results.