Handover Prediction in Fifth Generation Small Cell Networks with LSTM-Based Deep Neural Network


Creative Commons License

CİCİOĞLU M.

Bilecik Şeyh Edebali Üniversitesi Fen Bilimleri Dergisi, vol.8, no.1, pp.90-99, 2021 (Peer-Reviewed Journal) identifier

Abstract

In this study, a new model is developed that performs handover prediction in fifth generation small cell networkswith Long Short Term Memory (LSTM) based deep neural networks. Firstly, the data set to be used for trainingin handover prediction was created with simulation scenarios designed in Riverbed Modeler. Through thesescenarios, three input (RSSI, SNR and Jitter) variables and one output variable (desired value) were obtained tobe used in the data set of the neural network. This data set was trained with machine learning algorithms LSTM,SVM, Tree, and Linear Regression techniques. LSTM-based deep neural network was compared with otherregression algorithms and was found to have higher performance. When the test results of the trained model forLSTM are examined; $R^2$ 0.94, MAE 0.3315, MSE 0.3670, and RMSE value 0.6058 was found. It was observedthat LSTM-based deep neural networks show high performance in regression processes. As a result, study showsthat handover decisions can be predicted in 5G small cell networks with the proposed regression model.
Bu çalışmada, Uzun Kısa-Vadeli Hafıza (LSTM) tabanlı derin sinir ağı ile beşinci nesil küçük hücre ağlarında eldeğiştirme (handover, HO) tahminlerini gerçekleştiren yeni bir model geliştirilmiştir. İlk olarak HO tahminindeeğitim için kullanılacak olan veri seti Riverbed Modeler benzetim yazılımında tasarlanan benzetim senaryoları ileoluşturulmuştur. Bu senaryolar aracılığıyla sinir ağının veri kümesinde kullanılacak üç adet giriş (RSSI, SNR veJitter) değişkeni ve bir adet çıkış (istenen değer) değişkeni elde edilmiştir. Bu veri seti makine öğrenmesialgoritmalarından LSTM, SVM, Tree ve Lineer Regresyon teknikleri ile eğitilmiştir. LSTM tabanlı derin sinir ağıdiğer regresyon algoritmaları ile karşılaştırılmış ve daha yüksek başarıma sahip olduğu tespit edilmiştir. LSTMiçin eğitilen modelin test sonuçları incelendiğinde; $R^2$ 0.94, MAE 0.3315, MSE 0.3670 ve RMSE değeri 0.6058olarak bulunmuştur. LSTM tabanlı derin sinir ağlarının, regresyon işlemlerinde yüksek başarım gösterdiğigörülmüştür. Sonuç olarak önerilen regresyon modeli ile 5G küçük hücre ağlarında HO kararlarının tahminedilebildiği gösterilmiştir.