특성 중요도 기반 4G/5G 네트워크 환경에서의 Throughput 예측

Abstract

This research introduces a novel approach to enhance the accuracy of Throughput prediction in 4G/5G network environments. With the qualitative growth of network services and a surge in data consumption, Throughput prediction has become a critical component in network design and operation, attracting extensive research. The diverse environments and dynamic usage patterns of mobile networks are primary factors that complicate Throughput prediction. Therefore, this study aims to provide a multidimensional data analysis approach that reflects the complexity of the network and user experience for Throughput prediction. This approach emphasizes identifying key attributes affecting Throughput prediction through Feature Importance analysis. By overcoming the limitations of correlation in data analysis, this method assigns contribution values to each attribute based on Feature Importance and determines their priority. Attributes are categorized into groups with similar characteristics, reducing the complexity of the prediction model. Optimal combinations of these categories are formed to enhance the predictive power of the model. This methodology was applied to two 4G and three 5G datasets using machine learning models like RFR, Extra Tree, GBR, and XGB, measuring and analyzing performance through RMSE, MSE, and R². The analysis shows that forming the optimal category combination based on category priority for Throughput prediction yields equal or higher performance than applying all attributes. This demonstrates the effectiveness of the best category combination determined by considering the contribution of each category based on Feature Importance analysis.;본 연구는 4G/5G 네트워크 환경에서 Throughput 예측의 정확성을 향상 시키기 위한 새로운 접근법을 적용한다. 최근 네트워크 서비스의 질적 성장과 데이터 소비의 급증으로 인해, Throughput 예측은 네트워크 설계와 운영에 있어 필수적인 요소로 많은 연구가 이루어지고 있다. 특히, 모바일 네트워크의 다양한 환경과 동적인 사용 패턴은 Throughput 예측을 복잡하게 만드는 주된 요인이다. 따라서, Throughput 예측을 위해 네트워크의 복잡성과 사용자 경험을 반영할 수 있는 다차원적인 데이터 분석 접근법을 제공하고자 한다. 이 접근법은 특성 중요도(Feature Importance)를 활용하여 Throughput 예측에 영향을 미치는 주요 속성들을 식별하는 데 중점을 둔다. 이를 통해 데이터 분석 방법이자 속성 추출 방법인 상관 관계의 한계를 극복하고자 한다. 특성 중요도의 역순위를 통해 기여도를 부여하고 카테고리 우선순위를 결정하는데 이때, 속성들을 유사한 특징을 가진 속성끼리 카테고리로 분류함으로써, 예측 모델의 복잡성을 줄일 수 있다. 최적의 카테고리 조합의 예측 성능을 평가하기 위해 해당 방법에 따라 4G 2개, 5G 3개 데이터셋에 대해 RFR, Extra Tree, GBR, XGB 머신 러닝 모델을 적용하여 RMSE, MSE, R²으로 성능을 측정하고 분석하였다. 분석 결과, 카테고리 우선순위에 따라 최적의 카테고리 조합을 형성하여 Throughput 예측을 하였을 때, 모든 속성을 적용하여 예측한 결과와 상응하거나 더 높은 성능을 보임으로써 특성 중요도 기 반으로 한 카테고리별 기여도 우선순위를 고려하여 결정된 최적의 카테고리 조합 이 효과적임을 보인다.