Search academic texts

Information × Registration Number 2125U001619, Article popup.category Бакалаврська робота Title popup.author popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/74982 popup.publisher Київ Description Метою роботи є розробка та експериментальна перевірка платформи для оптимізації параметрів базових станцій мобільних 4G/5G мереж із застосуванням методів штучного інтелекту. Запропоновано комплекс алгоритмів: LSTM модель для прогнозування трафіку, Q learning для локального адаптивного розподілу радіоресурсів та мультиагентну систему з централізованим контролером для координації дій агентів. Реалізовано веб додаток на базі Flask + SocketIO із фронтендом на Bootstrap, Leaflet.js і Chart.js для інтерактивного моніторингу та управління мережею. Використані методи: часові ряди й рекурентні нейромережі (LSTM) для прогнозу навантаження; табличний Q learning із ε жадібною політикою та глибинні нейромережі для апроксимації Q функції; мультиагентна координація через WebSocket; ORM SQLAlchemy для зберігання моделей і результатів у SQLite; веб технології для інтерактивної візуалізації. Експериментальні результати показали, що LSTM модель досягає MAPE ≈ 6 % для годинних інтервалів трафіку; Q learning підвищує середню винагороду агента з 0,55 до 0,88 (+60 %) та знижує середнє відхилення потужності від навантаження на 18 %; мультиагентна координація забезпечує 100 % станцій у “optimized” статусі та підвищення глобальної пропускної здатності на 12 %. Вартість енергії мережі зменшена на 8 %. Рекомендації: інтегрувати рішення в SON/ Open RAN середовища; впровадити Deep Q Network для підвищення стійкості в складних умовах; перейти на PostgreSQL для забезпечення продуктивності в промислових масштабах; організувати MLOps процеси для безперервного навчання моделей. popup.nrat_date 2025-08-25 Close