Прогнозирование характеристик трафика для сетей 5G на основе технологий искусственного интеллекта

Объект. Исследование сети связи пятого поколения. Предмет. Разработка методов прогнозирования характеристик трафика для них. Цель. Разработка методов прогнозирования характеристик трафика VANET, Интернета Вещей и Тактильного Интернета в сетях связи 5G на основе применения машинного и глубокого обучения с использованием робастных оценок, что должно повысить точность прогнозирования при наличии выбросов в наблюдаемых данных. Научная новизна. 1. В отличие от известных методов прогнозирования потерь пакетов в сетях VANET предложено использовать многослойную нейронную сеть глубокого обучения и робастную справедливую оценку и робастную оценку Коши в условиях, когда данные искажены гауссовским шумом и случайными выбросами. 2. В отличие от известных методов прогнозирования задержки и потерь для Интернета Вещей и Тактильного Интернета предложено для прогнозирования использовать машинное обучение на основе нелинейной рекуррентной авторегрессионной нейронной сети NARX и доказано, что наилучшие результаты при ее обучении достигаются при использовании алгоритма Левенберга-Марквардта, превосходя при этом алгоритм обучения Флетчера-Ривса и устойчивый алгоритм обучения по значениям срднеквадратичной ошибки и абсолютной ошибки на порядок и более как при прогнозировании на один шаг, так и при прогнозировании на несколько шагов. 3. В отличие от известных методов прогнозирования предложено для прогнозирования пропускной способности сетей 5G для трафика Интернета Вещей использовать глубокое обучение и алгоритм долговременной краткосрочной памяти (LSTM), что обеспечивает результаты прогноза с приемлемой для практики точностью при 500 скрытых нейронах. Теоретическая значимость. Применение робастных оценок для прогнозирования потерь пакетов в условиях сети VANET, когда данные искажены гауссовским шумом и случайными выбросами. Применение нелинейных рекуррентных авторегрессионных нейронных сетей для прогнозирования задержки и потерь в сетях Интернета Вещей и Тактильного Интернета также значимо для прогнозирования трафика в сетях связи пятого и последующих поколений. Кроме того, предложено использовать для прогнозирования пропускной способности сетей 5G для трафика Интернета Вещей глубокое обучение и алгоритм долговременной краткосрочной памяти (LSTM). Практическая значимость. Полученные новые научные результаты могут быть использованы при планировании сетей связи для Интернета Вещей и Тактильного Интернета, а также при обучении в университетах. Облять применения. Полученные в диссертационной работе результаты использованы в Федеральном государственном бюджетном образовательном учреждении высшего образования «Санкт-Петербургском государственном университете телекоммуникаций им. проф. М.А. Бонч-Бруевича» (СПбГУТ) при чтении лекций и проведении практических занятий по курсам «Интернет Вещей», "Современные проблемы науки в области инфокоммуникаций», «Машинное и глубокое обучение в телекоммуникациях» и «Искусственный интеллект в сетях и системах связи». Методы. Методы теории вероятностей, теории телетрафика, машинного и глубокого обучения, математической статистики.