Modeling Local Demand for Mobile Spectrum using Large Crowdsourced Datasets
Notice bibliographique
Résumé
With the deployment and expansion of 5G networks underway in many countries, the demand for mobile spectrum continues to grow, particularly in frequency bands below 6 GHz. The emergence of 6G networks will also further amplify current challenges associated with spectrum scarcity. This paper discusses the need to model mobile spectrum demand - defined in terms of the demand for mobile services - at the local level. More accurate spectrum demand modeling can help regulatory bodies to better plan spectrum allocations and to make more informed spectrum policy decisions to support future technological developments. While existing research typically estimates demand using simplistic models based on factors such as network capacity, spectral efficiency, and population-based proxies, this work proposes a data-driven approach to estimate mobile spectrum demand using machine learning. We also derive a more accurate proxy for demand using a large dataset of over 2.5 billion crowdsourced commercial mobile measurements. The data-driven nature of this proxy eliminates the need for various theoretical assumptions associated with current demand proxies. Finally, we employ the SHapley Additive exPlanations (SHAP) method for global model interpretation to demonstrate that, contrary to intuition, population is not the sole contributing factor of demand. Instead, a diverse set of real-world factors can influence demand patterns and, therefore, should be used to create more accurate demand models.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».