Voice and data traffic modeling and prediction for a third generation mobile network using machine learning methods

Abstract

Tezin amacı, üçüncü nesil mobil şebekelerin devre anahtarlamalı ses ve paket anahtarlamalı veri trafikleri için ileri yönlü tahminin yapılmasını sağlayan daha akıllı modeller geliştirmektir. Trafik tahmin modelleri ilk olarak makine öğrenimi ile oluşturulmuş ve içerik olarak dört farklı yöntem kullanılmıştır. Bu yöntemler sırası ile Destek Vektör Makinesi (Support Vector Machine - SVM), Çok Katmanlı Algılayıcı (Multilayer Perceptron - MLP), Radyal Tabanlı Fonksiyon Sinir Ağı (Radial Basis Function Neural Network – RBF) ve Rasgele Orman'dır (Random Forest). İlave olarak istatistiki bir yöntem olan Holt-Winters methodu kullanılarak trafik tahmin modeli geliştirilmiştir. Trafik tahmin modelleri üretilirken UMTS şebekesine ait olan dört farklı tipteki gerçek trafik bilgileri kullanılmıştır. Modellerin performansı Ortalama Mutlak Yüzde Hata (MAPE) değeri hesaplanarak değerlendirilmiştir. Sonuçlar, genel olarak SVM tabanlı ve Holt-Winters tabanlı modellerin diğer yöntemlerden daha iyi performans elde ettiğini göstermektedir.

The purpose of the thesis is to derive models for traffic characteristics of a 3G network which is commercially deployed in Turkey and predict voice and data traffic by using various machine learning methods. The machine learning methods which were employed are Support Vector Machines (SVM), Multilayer Perceptron (MLP), Random Forest (RF) and Radial Basis Function Neural Network (RBF). Additionally, the Holt-Winters method has been applied to develop prediction models as a statistical method. Four different type of UMTS network traffic data have been utilized in order to build traffic prediction models. The performance of the forecasting models for the data sets has been assessed using Mean Absolute Percentage Error (MAPE). Finally, the performance of statistical and machine learning regression methods have been compared and the results show that SVM and Holt-Winters based models usually perform better than the ones obtained by the other methods.