In 6G communication, many state-of-the-art machine learning algorithms are going to be implemented to enhance the performances, including the latency property. In this thesis, we apply Buffer Status Report(BSR) prediction to the uplink scheduling process. The BSR does not include information for data arriving after the transmission of this BSR. Therefore, the base station does not allocate resources for the new arrival data, which increases the latency. To solve this problem, we decide to make BSR predictions at the base station side and allocate more resources than BSRs indicate. It is hard to make an accurate prediction since there are so many features influence the BSRs. Another challenge in this task is that the time intervals are tremendously short (in the order of milliseconds). In other traffic predictions, the traffic data in a long term, such as in a week and month, can be used to predict the periodicity and trend. In addition, many external features, such as the weather, can boost the prediction results. However, when the time is short, it is hard to leverage these features. The datasets provided by Ericsson are collected from real networks. After cleaning the data, we convert the time series forecasting problem into a supervised learning problem. State-of-the-art algorithms such as Random Forest(RF), XGboost, and Long Short Term Memory(LSTM) are leveraged to predict the data arrival rate, and one K-Fold Cross-Validation is followed to validate the models. The results show that even the time intervals are small, the data arrival rate can be predicted and the downlink data, downlink quality indicator and rank indicator can boost the forecasting performance. / I 6G-kommunikation kommer många toppmoderna maskinin lärnings algoritmer att implementeras för att förbättra prestanda, inklusive latensegenskapen. I den här avhandlingen vill vi tillämpa Buffer Status Report (BSR) förutsägelse för schemaläggningsprocessen för upplänkning. BSR innehåller inte information för data som anländer efter överföring av denna BSR. Därför tilldelar basstationen inte resurser för den nya ankomstdatan, vilket ökar latensen. För att lösa detta problem bestämmer vi oss för att göra BSR-förutsägelser på basstationssidan och tilldela fler resurser än vad BSR anger. Det är svårt att göra en exakt förutsägelse eftersom det finns så många funktioner som påverkar BSR. En annan utmaning i denna uppgift är att tidsintervallen är oerhört korta (millisekunder). I andra trafikprognoser kan trafikdata på lång sikt, som under en vecka och månad, användas för att förutsäga periodicitet och trend, och många externa funktioner, såsom väder, kan öka förutsägelseresultaten. Men när tiden är kort är det svårt att utnyttja dessa funktioner. Dataset som tillhandahålls av Ericsson samlas in från riktiga nätverk. Efter rengöring av data konverterar vi tidsserieprognosproblemet till ett övervakat inlärningsproblem. Toppmoderna algoritmer som Random Forest (RF), XGboost och LSTM(Long Short TermMemory) utnyttjas för att förutsäga data ankomst astigheten och en K-Fold Cross-Validation följs för att validera modellerna. Resultaten visar att även tidsintervallen är små, datainkomsthastigheten kan förutsägas och nedlänksdata, kvalitetsindikator för nedlänk och rangindikator kan öka prognosprestandan.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-308924 |
| Date | January 2021 |
| Creators | Zhang, Qi |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS) |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2021:912 |
Page generated in 0.0025 seconds