Communication Dans Un Congrès Année : 2025

Apprentissage Statistique Cellule par Cellule de la Charge à Partir de la Demande de Trafic dans les Réseaux Cellulaires Sans Fil

Résumé

A statistical approach is proposed to predict the specific load of each cell in operational wireless networks, using traffic demand as the main variable. Unlike a global linear model, which is fitted using data from all cells uniformly without considering the specific characteristics of each cell, the cellwise linear approach is distinguished by two key elements: (i) a unidimensional model, in which the load of each cell is predicted solely based on its own traffic demand, and (ii) a multidimensional model, in which the traffic demand of all the cells is incorporated. Using large-scale real-world data, it is shown that the unidimensional model outperforms global approaches in terms of accuracy. While additional flexibility and improvements are offered by the multidimensional model in specific scenarios, particularly under high traffic conditions, its coefficients often seem to lack physical interpretability, even when using ridge regularization. This underscores the need for more advanced regularization techniques to be developed and particularly, ones that account for the geometry of wireless networks.

Nous proposons une approche statistique pour prédire la charge spécifique à chaque cellule dans les réseaux sans fil opérationnels, en utilisant la demande de trafic comme variable principale. Contrairement à un modèle linéaire global, qui ajuste les données de toutes les cellules de manière uniforme sans tenir compte des spécificités de chaque cellule, notre approche linéaire par cellule se distingue par deux éléments clés : (i) un modèle unidimensionnel, qui prédit la charge de chaque cellule uniquement en fonction de sa propre demande de trafic, et (ii) un modèle multidimensionnel, qui intègre la demande de trafic de l'ensemble des cellules. À l'aide de données réelles massives, nous montrons que le modèle unidimensionnel surpasse les approches globales en termes de précision. Bien que le modèle multidimensionnel offre une flexibilité supplémentaire et des améliorations sur certains aspects spécifiques, notamment en cas de trafic élevé, ses coefficients manquent souvent d'interprétabilité physique, même avec une régularisation de crête (ridge regularization). Cela souligne la nécessité de développer des techniques de régularisation avancées, prenant en compte la géométrie des réseaux sans fil.

Fichier principal
Vignette du fichier
CellLoadFit.pdf (874.85 Ko) Télécharger le fichier
Origine Fichiers produits par l'(les) auteur(s)
Licence

Dates et versions

hal-05030767 , version 1 (11-04-2025)

Licence

Identifiants

  • HAL Id : hal-05030767 , version 1

Citer

Lucas Darlavoix, Bartłomiej Błaszczyszyn, Mohamed Kadhem Karray, Zeinab Nehme. Apprentissage Statistique Cellule par Cellule de la Charge à Partir de la Demande de Trafic dans les Réseaux Cellulaires Sans Fil. CORES 2025 - 10èmes Rencontres Francophones sur la Conception de Protocoles, l'Evaluation de Performances et l'Expérimentation des Réseaux de Communication, Jun 2025, Saint Valery-sur-Somme, France. ⟨hal-05030767⟩
208 Consultations
135 Téléchargements

Partager

  • More