| Popis: |
An important application of Machine Learning (ML) in mobile networks is to predict if a user device has coverage on a frequency other than the current serving frequency. This is a use-case called Secondary Carrier Prediction (SCP). In this thesis we deduce if data across different cells and frequencies can be successfully combined when learning this task, thus reducing the number of models that require training. Aggregation of data involves several challenges, such as different prevalences and varying amounts of available data, but more importantly the possibility of achieving synergies in training by exploiting recurring patterns in data. By using an experimental setup in which models are trained and validated on aggregated datasets it is shown that synergies in fact can be achieved through aggregation. The scalability of this task is improved so that the number of models can be reduced with a factor as large as the number of cells times the number of frequencies, while maintaining similar or improved prediction performance. Prediktion av täckning på sekundära frekvenser är en signifikant tillämpning av maskininlärning inom mobila nätverk. I den här avhandlingen utreds möjligheten att träna modeller på aggregationer av data, med följden att antalet modeller blir färre. Olika klassbalanser och varierande tillgång på data är utmaningar som uppstår vid aggregation, men även möjligheten att uppnå synergier genom att utnyttja återkommande mönster i datat. Med en experimentell uppställning där modeller tränas och valideras på aggregerade dataset visas att synergier kan uppnås genom aggregation. Skalbarheten på denna tillämpning förbättras till den grad att antalet modeller kan reduceras med en faktor lika stor som antalet celler gånger antalet frekvenser, med likvärdig eller förbättrad prediktionsprestanda. |
