2026. — Т 13. — №1 - перейти к содержанию номера...

Постоянный адрес этой страницы - https://resources.today/05inor126.html

This article metadata is also available in English

DOI: 10.15862/05INOR126 (https://doi.org/10.15862/05INOR126)

Полный текст статьи в формате PDF (объем файла: 634.7 Кбайт)

Ссылка для цитирования этой статьи:

Родыгин, И. Р. Применение системного анализа для моделирования трафика в мобильных сетях пятого поколения с интеграцией методов машинного обучения для предиктивной аналитики нестационарных нагрузок / И. Р. Родыгин, С. Н. Шульженко // Отходы и ресурсы. — 2026. — Т 13. — №1. — URL: https://resources.today/PDF/05INOR126.pdf. — DOI: 10.15862/05INOR126. (дата обращения: 23.06.2026).

Применение системного анализа для моделирования трафика в мобильных сетях пятого поколения с интеграцией методов машинного обучения для предиктивной аналитики нестационарных нагрузок

Родыгин Иван Романович
ФГБОУ ВО «Московский государственный университет геодезии и картографии», Королёв, Россия
Технологический университет имени дважды Героя Советского Союза, лётчика‑космонавта А.А. Леонова
E-mail: ivanrrodygin@yandex.ru

Шульженко Сергей Николаевич
ФГБОУ ВО «Московский государственный университет геодезии и картографии», Королёв, Россия
Технологический университет имени дважды Героя Советского Союза, лётчика‑космонавта А.А. Леонова
Преподаватель
Кандидат технических наук, доктор технических наук
E-mail: shulzhenko.sn@ut-mo.ru

Аннотация. Автором представлен подход к моделированию сетевого трафика в мобильных сетях пятого поколения на основе системного анализа и гибридного прогностического контура. Актуальность исследования обусловлена ростом нестационарных нагрузок, возникающих из‑за массового подключения устройств интернета вещей, развитием сервисов с жёсткими требованиями к задержкам и необходимостью проактивного управления ресурсами радиодоступа. Цель работы заключается в повышении точности краткосрочного прогноза трафика и в улучшении качества решений по распределению ресурсов при изменяющейся интенсивности потоков. В статье описана модель, объединяющая элементы классической теории массового обслуживания и методы машинного обучения, позволяющие учитывать как временную, так и пространственную структуру нагрузки между базовыми станциями. Для оценки работоспособности подхода выполнено моделирование сценариев с резкими всплесками и постепенными трендами, а также проведено сравнение с базовыми статистическими и нейросетевыми решениями. Показано, что интеграция системного анализа с данными наблюдений обеспечивает устойчивость прогнозов и снижает риск ошибочного выделения ресурсов в пиковые периоды. Сделан вывод о практической применимости предложенного решения для задач планирования ёмкости, мониторинга качества обслуживания и поддержки адаптивного управления сетевыми сегментами. Перспективы связаны с расширением набора признаков и валидацией на реальных данных операторов связи. Дополнительно обсуждаются ограничения модели, требования к данным и способы повышения интерпретируемости результатов для инженерного принятия решений.

Ключевые слова: системный анализ; мобильные сети пятого поколения; моделирование трафика; нестационарный трафик; теория массового обслуживания; графовые нейронные сети; рекуррентные нейронные сети долгой краткосрочной памяти; предиктивная аналитика; оптимизация задержек; управление сетевыми ресурсами

Скачать