Έμβλημα Πολυτεχνείου Κρήτης με τίτλο Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών
Η Σχολή ΗΜΜΥ στο Facebook  Η Σχολή ΗΜΜΥ στο Youtube

Κατάλογος Εκδηλώσεων

Προβολή ημερολογίου Προβολή ημερολογίου
Προβολή λίστας Προβολή λίστας
iCal - Εκδηλώσεις μήνα iCal - Εκδηλώσεις μήνα
iCal - Εκδηλώσεις 6 μηνών iCal - Εκδηλώσεις 6 μηνών
RSS - Εκδηλώσεις μήνα RSS - Εκδηλώσεις μήνα
RSS - Εκδηλώσεις 6 μηνών RSS - Εκδηλώσεις 6 μηνών

26
Ιαν

Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Ζαχαρόπουλου - Σχολή ΗΜΜΥ
Κατηγορία: Παρουσίαση Διπλωματικής Εργασίας  
Τοποθεσία
Ώρα26/01/2023 15:30 - 16:30

Περιγραφή:

ΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗΣ
Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών
Πρόγραμμα Προπτυχιακών Σπουδών

ΠΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ

Κωνσταντίνου Ζαχαρόπουλου

με θέμα

Στατιστική Μοντελοποίηση των “Hotspot” Κεραιών Κινητής Τηλεφωνίας με Χρήση Μοντέλων Γράφων
Graph-Based Modeling of Cellular Hotspot Data Analysis

Εξεταστική Επιτροπή

Αναπληρωτής Καθηγητής Σωτήριος Ιωαννίδης (επιβλέπων)
Καθηγητής Μιχαήλ Ζερβάκης
Καθηγητής Απόστολος Δόλλας

Περίληψη

Τα δίκτυα κινητής τηλεφωνίας έχουν υποστεί σημαντικές αλλαγές στην υποδομή τους τις τελευταίες δεκαετίες. Η τεχνολογική πρόοδος μαζί με τη μαζική αύξηση του πληθυσμού συνεχίζουν να ωθούν τις δυνατότητες του δικτύου κινητής τηλεφωνίας στα όριά τους. Καθώς οι απαιτήσεις χρήσης του δικτύου γίνονται μεγαλύτερες, τόσο αυξάνονται οι ανάγκες των ειδικών τεχνικών για ακριβείς και έγκαιρες πληροφορίες σχετικά με την κατάσταση του δικτύου κινητής τηλεφωνίας. Με αυτές τις πληροφορίες στη διάθεσή τους, έχουν τη δυνατότητα να προβλέψουν και να αποτρέψουν ανεπιθύμητες περιστάσεις, όπως αποτυχία δικτύου λόγω μη διαχειρίσιμης υπερφόρτωσης. 
Σε αυτή τη διπλωματική, προτείνω μια δομή νευρωνικού δικτύου που στοχεύει να κάνει γρήγορες και ακριβείς προβλέψεις τέτοιων ανεπιθύμητων συμβάντων. Χρησιμοποιώ γνωστές αρχιτεκτονικές νευρωνικών δικτύων, όπως το Graph Neural Network (GNN) και το Recurrent Neural Network (RNN), έναν συνδυασμό που επιτρέπει την παρακολούθηση και εκμάθηση τόσο χωρικών όσο και χρονικών μοτίβων που μπορεί να εμφανίζει το δίκτυο. Επιπλέον, εισάγεται ένας διαμερισμός του Γράφου, όπου ουσιαστικά χωρίζεται ο αρχικός Γράφος σε πολύ μικρότερους και διαχειρίσιμους υπο-γράφους με την ιδέα της περαιτέρω αύξησης των μετρικών απόδοσης των νευρωνικών δικτύων, ενώ παράλληλα μειώνει σημαντικά τη χρονική του πολυπλοκότητα. Επιπλέον, προτείνω την προσθήκη ενός Ιεραρχικού μοντέλου στην αρχική αρχιτεκτονική, μια προσθήκη που σχεδόν μεγιστοποιεί την ακρίβεια στις περισσότερες περιπτώσεις. 
Η προτεινόμενη αρχιτεκτονική επιτυγχάνει να αυξήσει την ακρίβεια των προβλέψεών της σε σύγκριση με άλλες γνωστές υλοποιήσεις. Επιπλέον, έχει σταθερή απόδοση σε διάφορα μεγέθη ιστορικών δεδομένων που παρέχονται στο δίκτυο και σε διαφορετικούς στοχευμένους ορίζοντες πρόβλεψης.

Abstract

Cellular networks have gone through significant changes in infrastructure during the last few decades. The technological advance along with the massive increase of population keep pushing the mobile network's capabilities to their limits. As the network usage requirements become larger, so do the radio expert's needs for accurate and timely information regarding the status of the cellular network. With that information at hand, they have the ability to foresee and prevent unwanted circumstances, such as network failure due to unmanageable overload. 
In this thesis, I propose a Neural Network structure which aims to make both swift and precise forecasts of such undesirable events. I make use of well-known Neural Network architectures such as the Graph Neural Network(GNN) and the Recurrent Neural Network(RNN), a combination which allows for monitoring and learning both spatial and temporal patterns that the cellular network may exhibit. In addition, a Graph partition is introduced, which effectively splits the original graph into much smaller and manageable sub-graphs with the idea of further increasing the Neural Networks performance metrics while also significantly scaling down its time complexity. Furthermore, I propose the addition of an Hierarchical model in the original architecture, an addition which nearly maximizes the precision in most use-cases. 
The proposed architecture succeeds in increasing the precision of its predictions compared to other known implementations. Moreover, it has a steady performance across various sizes of historical data provided to the network and across different targeted prediction horizons.

Προσθήκη στο ημερολόγιό μου
© Σχολή Ηλεκτρολόγων Μηχανικών & Μηχανικών Υπολογιστών 2014
Πολυτεχνείο Κρήτης