Comparative Analysis of Machine Learning Algorithms for 5G Coverage Prediction: Identification of Dominant Feature Parameters and Prediction Accuracy
Notice bibliographique
Résumé
5G technology is a key factor indelivering faster and more reliable wirelessconnectivity. One crucial aspect in 5G networkplanning is coverage prediction, which enablesnetwork providers to optimize infrastructuredeployment and deliver high-quality services tocustomers. This study conducts a comprehensiveanalysis of machine learning algorithms for 5Gcoverage prediction, focusing on dominantfeature parameters and accuracy. Notably, theRandom Forest algorithm demonstrates superiorperformance with an RMSE of 1.14 dB, MAE of0.12, and R2 of 0.97. The CNN model, thestandout among deep learning algorithms,achieves an RMSE of 0.289, MAE of 0.289, andR2 of 0.78, showcasing high accuracy in 5Gcoverage prediction. Random Forest modelsexhibit near-perfect metrics with 98.4% accuracy,precision, recall, and F1-score. Although CNNoutperforms other deep learning models, itslightly trails Random Forest in performance. Theresearch highlights that the final Random Forestand CNN models outperform other models andsurpass those developed in previous studies.Notably, 2D Distance Tx Rx emerges as the mostdominant feature parameter across allalgorithms, significantly influencing 5G coverageprediction. The inclusion of horizontal andvertical distances further improves predictionresults, surpassing previous studies. The studyunderscores the relevance of machine learningand deep learning algorithms in predicting 5Gcoverage and recommends their use in networkdevelopment and optimization. In conclusion,while the Random Forest algorithm stands out asthe optimal choice for 5G coverage prediction,deep learning algorithms, particularly CNN, offerviable alternatives, especially for spatial dataderived from satellite images. These accuratepredictions facilitate efficient resource allocationby network providers, ensuring high-qualityservices in the rapidly evolving landscape of 5Gtechnology. A profound understanding ofcoverage prediction remains pivotal forsuccessful network planning and reliable serviceprovision in the 5G era.The rapid development of 5G technology istransforming industries and enhancing connectivitythrough higher data speeds, ultra-low latency, andincreased network capacity.Efficient deployment of 5G networks requiresaccurate coverage prediction, ensuring seamlessservice across diverse geographical areas.Traditional coverage prediction methods often relyon time-consuming and resource-intensivesimulations, making them impractical for large-scaledeployment.Machine learning (ML) offers promising alternativesfor real-time and scalable 5G coverage prediction byanalyzing large datasets and identifying patterns thatinfluence network performance.ML algorithms can improve the accuracy of coveragepredictions by considering complex environmental
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,013 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».