Abstract
Бұл зерттеу 5G макрожелісінің қызмет көрсету сапасын арттыру мақсатында машиналық оқыту әдістерін қолдануға негізделген. 5G технологиясы жоғары өткізу қабілеті мен аз кідіріс уақыты арқылы заманауи телекоммуникациялық жүйелердің басты тірегіне айналғанымен, нақты ортада интерференция деңгейінің жоғары болуы мен сигнал сапасының тұрақсыздығы сияқты мәселелер өзекті болып отыр. Осыған байланысты зерттеу жұмысы 5G желісіндегі кедергілерді азайту және сигнал сапасын оңтайландыру үшін XGBoost алгоритмін қолдануға бағытталды. Зерттеу әдістемесі Python бағдарламалық ортасында симуляциялық модель құруды қамтиды. Алдымен базалық станциялардың орналасуы, пайдаланушылар саны мен координаталары, сигнал қуаты және шу өлшемдері ескеріліп, бастапқы SINR (Signal-to-Interference-plus-Noise Ratio) мәндері есептелді. Кейін алынған мәліметтер XGBoost моделін үйрету үшін қолданылды. Бұл модель шешім ағаштары ансамблін пайдаланып, кедергілерге әсер ететін факторлардың күрделі тәуелділіктерін анықтап, SINR деңгейін дәл болжауға мүмкіндік берді. Бейімделгіш құрылымы мен жоғары есептеу тиімділігінің арқасында XGBoost моделі дәстүрлі аналитикалық тәсілдермен салыстырғанда анағұрлым жоғары нәтижелер көрсетті. Үлкен көлемдегі деректерді өңдеу және өлшемдер арасындағы өзара байланыстарды автоматты түрде анықтау қабілеті бұл әдісті 5G желілеріндегі динамикалық жағдайларды талдауға ерекше қолайлы етеді. Нәтижелер көрсеткендей, XGBoost әдісін қолдану арқылы орташа SINR мәні –3.39 dB-тен 18.72 dB-ке дейін артты, ал жоғары сапалы сигнал алған пайдаланушылар үлесі 8.65%-дан 42.30%-ға өсті. Бұл желі өнімділігінің 22–25 dB аралығында жақсарғанын дәлелдейді. Сонымен қатар, интерференция деңгейі төмендеп, сигнал сапасы мен қамту біркелкілігі артты. Зерттеудің ғылыми жаңалығы — 5G макрожелісінің сапа көрсеткіштерін XGBoost моделін пайдалану арқылы оңтайландырудың тиімді әдістемесін ұсынуында. Ұсынылған тәсіл дәстүрлі аналитикалық модельдерге қарағанда бейімделгіш, дәл және есептеу тұрғысынан тиімді. Бұл зерттеу 5G желісінің сапасын арттырумен қатар, болашақ 6G жүйелерінде интеллектуалды басқару және автоматтандырылған оңтайландыру процестерін дамытуға негіз бола алады.