Hệ Hỗ Trợ Quyết Định Phân Nhóm Các Trạm BTS Theo Lưu Lượng

Tài liệu nghiên cứu Hệ hỗ trợ quyết định phân nhóm các trạm bts theo lưu lượng, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Ngọc Thư
• Người hướng dẫn: Ts. Nguyễn Xuân Sâm
• Trường học: Học Viện Công Nghệ Bưu Chính Viễn Thông
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Hệ Thống Hỗ Trợ Quyết Định Phân Nhóm Các Trạm BTS Theo Lưu Lượng
• Loại tài liệu: Luận Văn Thạc Sĩ Kỹ Thuật
• Năm xuất bản: 2022
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH SÁCH HÌNH VÀ BẢNG BIỂU
• 1. CHƯƠNG 1: TỔNG QUAN CÁC YÊU CẦU BÀI TOÁN LƯU LƯỢNG CÁC TRẠM BTS
• 1.1. Giới thiệu mô hình tổng quát
• 1.2. Cơ chế vận hành mạng
• 1.3. Tổng quan và lưu lượng mạng
• 1.4. Lịch sử mạng di động
• 1.5. Mạng điện thoại di động
• 1.6. Các yếu tố ảnh hưởng đến lưu lượng mạng
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Giới thiệu học máy
• 2.2. Độ đo đánh giá mô hình
• 2.3. Các công trình liên quan
• 2.4. Kết luận chương
• 3. CHƯƠNG 3: ĐÁNH GIÁ ĐẦU XUẤT VÀ TRIỂN KHAI ỨNG DỤNG
• 3.1. Mô hình nghiên cứu
• 3.2. Thuật toán RandomForest và Gradient Boosted Decision Trees
• 3.3. Kết luận chương
• 4. CHƯƠNG 4: THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ
• 4.1. Cài đặt môi trường
• 4.2. Dữ liệu thử nghiệm
• 4.3. Kết quả thử nghiệm
• 4.4. Kết luận chương
• TÀI LIỆU THAM KHẢO
• BẢN CAM ĐOAN

Tóm tắt

I. Tổng Quan Hệ Thống Hỗ Trợ Quyết Định Phân Nhóm BTS 58 Ký Tự

Trong lĩnh vực dịch vụ viễn thông, việc ứng dụng công nghệ thông tin đóng vai trò then chốt để phát triển bền vững. Dữ liệu tích lũy ngày càng lớn, ẩn chứa nhiều thông tin giá trị. Nhu cầu đặt ra là biến đổi dữ liệu thô thành thông tin phục vụ công tác dự báo và phân loại. Luận văn này tập trung vào xây dựng hệ thống hỗ trợ quyết định (DSS) cho việc đánh giá, phân nhóm lưu lượng các trạm NodeB/eNodeB từ dữ liệu mạng Vinaphone Tây Ninh. Đây là một nhu cầu cấp thiết để tối ưu quản lý tài nguyên mạng và nâng cao hiệu quả kinh doanh. Luận văn sử dụng các thuật toán Machine Learning để phân tích và đưa ra các quyết định tối ưu, giảm thiểu sự can thiệp thủ công và tăng cường tính chính xác của quá trình phân nhóm trạm BTS.

1.1. Giới thiệu bài toán phân nhóm trạm BTS theo lưu lượng

Bài toán phân nhóm trạm BTS theo lưu lượng là một bài toán quan trọng trong quản lý mạng di động. Việc phân nhóm này giúp các nhà khai thác mạng hiểu rõ hơn về đặc điểm lưu lượng của từng trạm, từ đó có thể đưa ra các quyết định tối ưu về tối ưu hóa mạng lưới, quản lý tài nguyên mạng và nâng cao chất lượng dịch vụ. Theo luận văn, lý do chọn đề tài xuất phát từ nhu cầu thực tiễn là biến đổi dữ liệu thô thành thông tin hữu ích. Việc này giúp ích cho việc dự báo và phân loại, phục vụ cho công tác tư vấn và hỗ trợ kinh doanh. Dữ liệu từ các trạm NodeB/eNodeB mạng Vinaphone được sử dụng làm cơ sở cho nghiên cứu này.

1.2. Tầm quan trọng của hệ thống hỗ trợ quyết định DSS trong viễn thông

Hệ thống hỗ trợ quyết định (DSS) đóng vai trò quan trọng trong việc hỗ trợ các nhà quản lý đưa ra các quyết định dựa trên dữ liệu. Trong lĩnh vực viễn thông, DSS có thể được sử dụng để giải quyết nhiều bài toán khác nhau, chẳng hạn như dự báo lưu lượng, phân tích hành vi người dùng, quản lý chất lượng dịch vụ (QoS) và tối ưu hóa mạng lưới. Việc áp dụng DSS giúp các nhà quản lý có cái nhìn tổng quan về tình hình mạng, từ đó đưa ra các quyết định kịp thời và chính xác. Luận văn nhấn mạnh tầm quan trọng của DSS trong việc phân nhóm trạm BTS dựa trên lưu lượng, từ đó giúp cải thiện hiệu suất và quản lý tài nguyên hiệu quả hơn.

II. Vấn Đề Thách Thức Khi Phân Nhóm Trạm BTS Thủ Công 56 Ký Tự

Việc phân nhóm trạm BTS thủ công gặp nhiều hạn chế. Phương pháp này tốn nhiều thời gian, công sức và dễ mắc sai sót. Dữ liệu lưu lượng mạng thường rất lớn và phức tạp, đòi hỏi khả năng phân tích chuyên sâu. Các yếu tố ảnh hưởng đến lưu lượng truy cập mạng cũng rất đa dạng, như thời gian, địa điểm, sự kiện. Việc xem xét tất cả các yếu tố này một cách thủ công là rất khó khăn. Do đó, cần có một giải pháp tự động và hiệu quả hơn để giải quyết bài toán này. Việc triển khai DSS giúp giảm thiểu sai sót, đưa ra quyết định nhanh chóng và chính xác hơn, từ đó cải thiện KPI (Key Performance Indicator) mạng.

2.1. Khó khăn trong thu thập và xử lý dữ liệu lưu lượng mạng

Dữ liệu lưu lượng truy cập mạng thường rất lớn và phức tạp, đến từ nhiều nguồn khác nhau. Việc thu thập, xử lý và làm sạch dữ liệu này đòi hỏi các công cụ và kỹ thuật chuyên dụng. Ngoài ra, dữ liệu lưu lượng mạng có thể chứa nhiều thông tin nhiễu và thiếu sót, ảnh hưởng đến kết quả phân tích. Theo luận văn, công việc bắt đầu từ nghiên cứu các bộ dữ liệu đến từ việc triển khai mạng di động thực tế. Sau đó, cần quyết định tối ưu hóa mạng và ứng phó với vô số các vấn đề mạng như phân bố tài nguyên, tiết kiệm năng lượng.

2.2. Yêu cầu về độ chính xác và tính kịp thời của quyết định

Trong môi trường cạnh tranh, việc đưa ra quyết định nhanh chóng và chính xác là rất quan trọng. Việc phân nhóm trạm BTS ảnh hưởng trực tiếp đến hiệu suất mạng và chất lượng dịch vụ (QoS). Do đó, hệ thống phân nhóm cần đảm bảo độ chính xác cao và cung cấp kết quả kịp thời. Theo luận văn, một trong những mục tiêu nghiên cứu là phải nghiên cứu các mô hình và thuật toán học máy hỗ trợ việc phân nhóm trạm BTS theo lưu lượng.

2.3. Đòi hỏi về kiến thức chuyên môn sâu rộng về mạng viễn thông

Để xây dựng và vận hành một hệ thống phân nhóm trạm BTS hiệu quả, cần có kiến thức chuyên môn sâu rộng về mạng viễn thông. Điều này bao gồm hiểu biết về các công nghệ mạng di động (3G, 4G, 5G), các giao thức truyền thông, và các yếu tố ảnh hưởng đến lưu lượng truy cập mạng. Ngoài ra, cũng cần có kiến thức về các thuật toán phân cụm và các phương pháp đánh giá hiệu quả phân cụm.

III. Phương Pháp Sử Dụng Thuật Toán K Means Phân Nhóm Trạm BTS 58 Ký Tự

Luận văn đề xuất sử dụng thuật toán K-Means để phân nhóm trạm BTS. K-Means là một thuật toán phân cụm đơn giản, dễ hiểu và hiệu quả. Thuật toán này chia các trạm BTS thành K nhóm dựa trên khoảng cách đến các trung tâm cụm. Quá trình này lặp lại cho đến khi các cụm ổn định. K-Means phù hợp với bài toán này vì dữ liệu lưu lượng mạng thường có cấu trúc cụm rõ ràng. Ngoài ra, luận văn có thể so sánh hiệu quả của K-Means với các thuật toán khác như SOM (Self-Organizing Map) và DBSCAN để tìm ra giải pháp tốt nhất.

3.1. Ưu điểm của thuật toán K Means trong phân cụm dữ liệu lớn

Thuật toán K-Means có nhiều ưu điểm, đặc biệt là khi xử lý dữ liệu lớn. Thuật toán này có độ phức tạp tính toán thấp, dễ dàng triển khai và mở rộng. Ngoài ra, K-Means có thể được sử dụng để xử lý dữ liệu có nhiều chiều, phù hợp với dữ liệu lưu lượng mạng. Hơn nữa, kết quả phân cụm của K-Means dễ dàng diễn giải và sử dụng trong thực tế. Tuy nhiên, một nhược điểm của K-Means là cần phải xác định số lượng cụm K trước khi thực hiện thuật toán.

3.2. Các bước triển khai thuật toán K Means để phân nhóm BTS

Việc triển khai thuật toán K-Means để phân nhóm trạm BTS bao gồm các bước sau: (1) Chuẩn bị dữ liệu: Làm sạch và tiền xử lý dữ liệu lưu lượng mạng. (2) Chọn số lượng cụm K. (3) Khởi tạo các trung tâm cụm ban đầu. (4) Gán mỗi trạm BTS vào cụm gần nhất. (5) Cập nhật các trung tâm cụm. (6) Lặp lại bước 4 và 5 cho đến khi các cụm ổn định. Cuối cùng, đánh giá kết quả phân cụm bằng các chỉ số như chỉ số Silhouette và chỉ số Davies-Bouldin.

IV. So Sánh K Means SOM DBSCAN Thuật Toán Nào Tối Ưu 57 Ký Tự

Để đánh giá hiệu quả của thuật toán K-Means, luận văn nên so sánh với các thuật toán phân cụm khác như SOM (Self-Organizing Map) và DBSCAN. SOM là một thuật toán mạng nơ-ron, có khả năng trực quan hóa dữ liệu đa chiều. DBSCAN là một thuật toán dựa trên mật độ, có thể phát hiện các cụm có hình dạng bất kỳ. Việc so sánh này giúp xác định thuật toán phù hợp nhất cho bài toán phân nhóm trạm BTS dựa trên các tiêu chí như độ chính xác, hiệu suất và khả năng diễn giải.

4.1. Ưu và nhược điểm của thuật toán SOM trong phân tích dữ liệu

Thuật toán SOM (Self-Organizing Map) có khả năng giảm chiều dữ liệu và trực quan hóa dữ liệu đa chiều, giúp hiểu rõ hơn về cấu trúc của dữ liệu. Tuy nhiên, SOM có thể gặp khó khăn khi xử lý dữ liệu có nhiều nhiễu và đòi hỏi nhiều tham số để điều chỉnh. Ngoài ra, kết quả phân cụm của SOM có thể bị ảnh hưởng bởi quá trình khởi tạo.

4.2. Ứng dụng thuật toán DBSCAN để phát hiện các cụm bất thường

Thuật toán DBSCAN có khả năng phát hiện các cụm có hình dạng bất kỳ và không yêu cầu xác định số lượng cụm trước. Điều này rất hữu ích khi phân tích dữ liệu lưu lượng mạng, vì có thể có các cụm bất thường đại diện cho các sự kiện đặc biệt. Tuy nhiên, DBSCAN có thể gặp khó khăn khi xử lý dữ liệu có mật độ không đồng đều và đòi hỏi nhiều tham số để điều chỉnh.

4.3. Tiêu chí đánh giá và so sánh các thuật toán phân cụm

Để so sánh các thuật toán phân cụm, cần sử dụng các tiêu chí đánh giá phù hợp. Các tiêu chí này bao gồm chỉ số Silhouette, chỉ số Davies-Bouldin, chỉ số Calinski-Harabasz, độ chính xác, hiệu suất và khả năng diễn giải. Việc sử dụng nhiều tiêu chí khác nhau giúp có cái nhìn toàn diện về hiệu quả của từng thuật toán.

V. Ứng Dụng Tối Ưu Mạng Lưới Từ Kết Quả Phân Nhóm BTS 59 Ký Tự

Kết quả phân nhóm trạm BTS có thể được sử dụng để tối ưu hóa mạng lưới và quản lý tài nguyên mạng. Các trạm BTS trong cùng một nhóm có đặc điểm lưu lượng tương đồng, do đó có thể áp dụng các chính sách quản lý chung. Ví dụ, các trạm có lưu lượng cao có thể được ưu tiên về băng thông và tài nguyên. Các trạm có lưu lượng thấp có thể được tối ưu hóa về năng lượng. Việc này giúp cải thiện hiệu suất mạng, giảm chi phí và nâng cao chất lượng dịch vụ (QoS).

5.1. Phân bổ tài nguyên mạng dựa trên đặc điểm lưu lượng của từng nhóm

Việc phân bổ tài nguyên mạng dựa trên đặc điểm lưu lượng của từng nhóm giúp đảm bảo rằng các trạm BTS có đủ tài nguyên để đáp ứng nhu cầu của người dùng. Các trạm có lưu lượng cao cần được cấp phát nhiều băng thông và tài nguyên hơn so với các trạm có lưu lượng thấp. Việc này giúp giảm thiểu tình trạng nghẽn mạng và cải thiện trải nghiệm của người dùng.

5.2. Điều chỉnh cấu hình mạng để đáp ứng nhu cầu sử dụng

Kết quả phân nhóm trạm BTS có thể được sử dụng để điều chỉnh cấu hình mạng. Ví dụ, có thể điều chỉnh công suất phát của các trạm BTS để tối ưu vùng phủ sóng và giảm nhiễu. Hoặc có thể điều chỉnh các tham số của giao thức truyền thông để cải thiện hiệu suất mạng. Việc điều chỉnh cấu hình mạng giúp đáp ứng tốt hơn nhu cầu sử dụng của người dùng và cải thiện KPI (Key Performance Indicator) mạng.

5.3. Dự báo lưu lượng cho từng khu vực dựa trên kết quả phân nhóm

Kết quả phân nhóm trạm BTS có thể được sử dụng để dự báo lưu lượng cho từng khu vực. Các trạm BTS trong cùng một nhóm có đặc điểm lưu lượng tương đồng, do đó có thể sử dụng dữ liệu lưu lượng của các trạm này để xây dựng mô hình dự báo. Việc dự báo lưu lượng giúp các nhà khai thác mạng chủ động hơn trong việc quản lý tài nguyên và đáp ứng nhu cầu của người dùng.

VI. Kết Luận Triển Vọng Hệ Thống Hỗ Trợ Quyết Định Cho BTS 59 Ký Tự

Luận văn đề xuất một giải pháp tiềm năng cho bài toán phân nhóm trạm BTS dựa trên dữ liệu lưu lượng truy cập mạng. Việc ứng dụng hệ thống hỗ trợ quyết định (DSS) giúp tự động hóa quá trình phân tích, giảm thiểu sai sót và đưa ra các quyết định tối ưu. Trong tương lai, cần nghiên cứu thêm các thuật toán Machine Learning tiên tiến hơn và tích hợp thêm các yếu tố khác như phân vùng địa lý và phân tích hành vi người dùng để nâng cao hiệu quả của hệ thống.

6.1. Hướng phát triển của hệ thống trong tương lai

Trong tương lai, hệ thống hỗ trợ quyết định (DSS) có thể được phát triển theo nhiều hướng khác nhau. Một hướng là tích hợp thêm các thuật toán Machine Learning tiên tiến hơn như deep learning và reinforcement learning. Một hướng khác là tích hợp thêm các yếu tố khác như thông tin về phân vùng địa lý, phân tích hành vi người dùng và dữ liệu từ các nguồn khác nhau. Ngoài ra, cần tập trung vào việc cải thiện giao diện người dùng và khả năng tương tác của hệ thống.

6.2. Đề xuất các nghiên cứu tiếp theo liên quan đến chủ đề

Có nhiều hướng nghiên cứu tiếp theo liên quan đến chủ đề này. Một hướng là nghiên cứu về các phương pháp dự báo lưu lượng chính xác hơn. Một hướng khác là nghiên cứu về các thuật toán tối ưu hóa mạng lưới hiệu quả hơn. Ngoài ra, cần nghiên cứu về các vấn đề liên quan đến bảo mật và quyền riêng tư khi sử dụng dữ liệu người dùng trong hệ thống hỗ trợ quyết định (DSS).

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ viễn thông, lưu lượng mạng di động ngày càng gia tăng và biến động phức tạp, đặt ra nhiều thách thức trong công tác quản lý và vận hành hệ thống mạng. Tại tỉnh Tây Ninh, dữ liệu lưu lượng mạng di động 2G, 3G và 4G được thu thập trong khoảng thời gian từ ngày 22 đến 28/04/2022 cho thấy lưu lượng qua mạng 4G cao hơn đáng kể và biến thiên theo thời gian so với mạng 3G. Việc phân nhóm các trạm BTS (Base Transceiver Station) theo lưu lượng nhằm hỗ trợ ra quyết định quản lý hiệu quả, tối ưu hóa tài nguyên mạng và nâng cao chất lượng dịch vụ là mục tiêu trọng tâm của nghiên cứu này.

Luận văn tập trung xây dựng hệ thống hỗ trợ quyết định phân nhóm các trạm BTS dựa trên lưu lượng truy cập, sử dụng các thuật toán học máy hiện đại như Random Forest và Gradient Boosted Decision Trees. Phạm vi nghiên cứu bao gồm dữ liệu lưu lượng mạng Vinaphone tại khu vực tỉnh Tây Ninh trong năm 2022. Ý nghĩa của nghiên cứu thể hiện qua việc cung cấp công cụ phân tích chính xác, giúp nhà quản lý mạng phát hiện các bất thường, tối ưu hóa phân bổ tài nguyên và nâng cao hiệu quả vận hành mạng di động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết học máy (Machine Learning), tập trung vào hai thuật toán chính:

• Random Forest (RF): Là tập hợp các cây quyết định được xây dựng trên các mẫu bootstrap khác nhau, giúp giảm thiểu sai số và độ lệch, tăng độ chính xác phân loại. RF sử dụng kỹ thuật chọn ngẫu nhiên tập con các đặc trưng tại mỗi nút phân tách, giúp tăng tính đa dạng và khả năng tổng quát của mô hình.

• Gradient Boosted Decision Trees (GBDT): Thuật toán tăng cường dựa trên cây quyết định, xây dựng mô hình theo từng bước, tối ưu hóa hàm mất mát bằng phương pháp gradient descent. GBDT có khả năng học sâu và cải thiện hiệu suất dự đoán qua từng vòng lặp.

Các khái niệm chính bao gồm: lưu lượng mạng di động, trạm BTS, phân nhóm dữ liệu, độ chính xác (accuracy), hàm mất mát (loss function), và các chỉ số đánh giá mô hình như MAPE, RMSE, MAE.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp kết hợp giữa lý thuyết và thực nghiệm:

• Nguồn dữ liệu: Bộ dữ liệu lưu lượng mạng di động Vinaphone tại tỉnh Tây Ninh, gồm 24 trường dữ liệu với khoảng 1000 dòng, bao gồm các chỉ số lưu lượng lên (Traffic_Volume_UL_GB), lưu lượng xuống (Traffic_Volumn_DL_GB), tỷ lệ chuyển giao thành công, throughput, v.v.

• Phương pháp phân tích: Dữ liệu được tiền xử lý, làm sạch và phân nhãn thành 4 nhóm trạm BTS dựa trên lưu lượng tải lên. Tập dữ liệu được chia thành 70% dùng để huấn luyện và 30% để kiểm thử. Hai thuật toán Random Forest và Gradient Boosted Decision Trees được áp dụng để xây dựng mô hình phân nhóm.

• Timeline nghiên cứu: Thu thập và xử lý dữ liệu trong tháng 4/2022, xây dựng và huấn luyện mô hình trong quý II năm 2022, đánh giá và so sánh kết quả trong quý III năm 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân nhóm lưu lượng: Mô hình Random Forest đạt độ chính xác trung bình trên 99%, vượt trội so với các thuật toán học máy khác được thử nghiệm. Gradient Boosted Decision Trees cũng cho kết quả tốt với độ chính xác gần tương đương, tuy nhiên thời gian huấn luyện dài hơn.

2. Độ chính xác và độ mất mát: Độ chính xác (accuracy) của mô hình RF đạt khoảng 99,18%, trong khi GBDT có độ mất mát (logloss) thấp hơn, thể hiện khả năng dự đoán chính xác và ổn định hơn trong các trường hợp phức tạp.

3. Phân tích biến động lưu lượng: Dữ liệu lưu lượng mạng 4G có sự biến động lớn theo thời gian trong ngày, đặc biệt lưu lượng tăng cao vào khoảng 23h ngày 28/04/2022 so với ngày kế tiếp, cho thấy nhu cầu quản lý tài nguyên mạng cần linh hoạt theo thời gian.

4. So sánh thuật toán: Random Forest có ưu điểm về tốc độ huấn luyện và khả năng xử lý dữ liệu lớn, trong khi GBDT phù hợp với các bài toán cần tối ưu hàm mất mát phức tạp và có thể cải thiện độ chính xác qua từng vòng lặp.

Thảo luận kết quả

Kết quả cho thấy việc áp dụng các thuật toán học máy hiện đại trong phân nhóm trạm BTS theo lưu lượng là khả thi và hiệu quả. Độ chính xác cao của Random Forest phù hợp với yêu cầu thực tiễn trong quản lý mạng viễn thông, giúp phát hiện kịp thời các bất thường và tối ưu hóa phân bổ tài nguyên. So với các nghiên cứu trước đây, kết quả này tương đồng với báo cáo ngành về hiệu quả của RF trong phân loại dữ liệu mạng di động.

Việc biến động lưu lượng theo thời gian nhấn mạnh tầm quan trọng của việc cập nhật mô hình thường xuyên và áp dụng các kỹ thuật học sâu để dự đoán lưu lượng trong tương lai. Các biểu đồ phân bố lưu lượng theo giờ và ngày có thể minh họa rõ ràng sự biến thiên này, hỗ trợ nhà quản lý trong việc ra quyết định.

Đề xuất và khuyến nghị

1. Triển khai hệ thống phân nhóm tự động: Áp dụng mô hình Random Forest vào hệ thống quản lý mạng để phân nhóm trạm BTS theo lưu lượng theo thời gian thực, giúp nâng cao hiệu quả giám sát và điều phối tài nguyên. Thời gian triển khai dự kiến trong 6 tháng, do phòng kỹ thuật mạng thực hiện.

2. Cập nhật và huấn luyện mô hình định kỳ: Thiết lập quy trình thu thập dữ liệu và huấn luyện lại mô hình mỗi quý để đảm bảo độ chính xác và thích ứng với biến động lưu lượng mới. Đơn vị phụ trách là bộ phận phân tích dữ liệu mạng.

3. Tích hợp dự báo lưu lượng: Nghiên cứu và áp dụng các mô hình học sâu như LSTM hoặc STGCN-HO để dự báo lưu lượng trong tương lai, hỗ trợ kế hoạch nâng cấp và mở rộng mạng. Thời gian nghiên cứu và thử nghiệm khoảng 12 tháng.

4. Đào tạo nhân sự và nâng cao nhận thức: Tổ chức các khóa đào tạo về học máy và phân tích dữ liệu cho đội ngũ kỹ thuật viên và quản lý mạng nhằm nâng cao năng lực vận hành và khai thác dữ liệu hiệu quả.

Đối tượng nên tham khảo luận văn

1. Nhà quản lý mạng viễn thông: Giúp hiểu rõ phương pháp phân nhóm trạm BTS theo lưu lượng, từ đó tối ưu hóa quản lý tài nguyên và nâng cao chất lượng dịch vụ.

2. Chuyên gia phân tích dữ liệu và học máy: Cung cấp ví dụ thực tiễn về ứng dụng thuật toán Random Forest và GBDT trong lĩnh vực viễn thông, hỗ trợ phát triển các mô hình tương tự.

3. Sinh viên và nghiên cứu sinh ngành công nghệ thông tin, viễn thông: Là tài liệu tham khảo quý giá về phương pháp nghiên cứu, xử lý dữ liệu và ứng dụng học máy trong thực tế.

4. Các nhà cung cấp dịch vụ viễn thông: Hỗ trợ trong việc phát triển các giải pháp giám sát và dự báo lưu lượng mạng, nâng cao hiệu quả kinh doanh và trải nghiệm khách hàng.

Câu hỏi thường gặp

1. Tại sao chọn Random Forest và GBDT cho phân nhóm trạm BTS?
   Random Forest và GBDT là các thuật toán học máy mạnh mẽ, có khả năng xử lý dữ liệu phức tạp và biến động cao như lưu lượng mạng di động. RF giúp giảm sai số và tăng tính đa dạng mô hình, trong khi GBDT tối ưu hàm mất mát qua từng bước, nâng cao độ chính xác dự đoán.

2. Dữ liệu lưu lượng mạng được thu thập như thế nào?
   Dữ liệu được thu thập từ hệ thống mạng Vinaphone tại tỉnh Tây Ninh, bao gồm các chỉ số lưu lượng lên/xuống, tỷ lệ chuyển giao thành công, throughput, với tổng cộng 24 trường dữ liệu và khoảng 1000 mẫu trong khoảng thời gian tháng 4/2022.

3. Mô hình phân nhóm có thể áp dụng cho các khu vực khác không?
   Có thể, tuy nhiên cần thu thập dữ liệu tương ứng và huấn luyện lại mô hình để phù hợp với đặc điểm lưu lượng và cấu trúc mạng của từng khu vực cụ thể.

4. Làm thế nào để đánh giá hiệu quả mô hình phân nhóm?
   Hiệu quả được đánh giá qua các chỉ số như độ chính xác (accuracy), hàm mất mát (logloss), MAPE, RMSE và MAE trên tập dữ liệu kiểm thử, đồng thời so sánh với các thuật toán khác để chọn ra mô hình tối ưu.

5. Có thể mở rộng nghiên cứu để dự báo lưu lượng trong tương lai không?
   Hoàn toàn có thể. Nghiên cứu đề xuất áp dụng các mô hình học sâu như LSTM hoặc STGCN-HO để dự báo lưu lượng, giúp nhà quản lý mạng chủ động trong việc điều phối và nâng cấp hạ tầng.

Kết luận

• Nghiên cứu đã xây dựng thành công hệ thống hỗ trợ quyết định phân nhóm các trạm BTS theo lưu lượng dựa trên thuật toán Random Forest và Gradient Boosted Decision Trees với độ chính xác trên 99%.
• Bộ dữ liệu lưu lượng mạng Vinaphone tại tỉnh Tây Ninh được sử dụng làm cơ sở thực nghiệm, phản ánh biến động lưu lượng theo thời gian và địa lý.
• Kết quả phân tích cho thấy mô hình Random Forest phù hợp với yêu cầu thực tiễn về tốc độ và độ chính xác, trong khi GBDT có ưu thế về tối ưu hàm mất mát.
• Đề xuất triển khai hệ thống phân nhóm tự động, cập nhật mô hình định kỳ và tích hợp dự báo lưu lượng nhằm nâng cao hiệu quả quản lý mạng.
• Khuyến khích các nhà quản lý, chuyên gia và sinh viên ngành viễn thông, công nghệ thông tin tham khảo và ứng dụng kết quả nghiên cứu trong thực tế.

Triển khai thử nghiệm mô hình trên hệ thống quản lý mạng thực tế, đồng thời mở rộng nghiên cứu dự báo lưu lượng để đáp ứng nhu cầu phát triển mạng 5G và các công nghệ tương lai.

Trích đoạn nội dung tài liệu

HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG --------------------------------------- NGUYÄN NGàC TH¡ HÆ Hä TRþ QUY¾T ĐÞNH PHÂN NHÓM CÁC TR¾M BTS THEO L¯U L¯þNG LUÀN VN TH¾C S) KỸ THUÀT (Theo đßnh h°áng āng dāng) THÀNH PHÞ Hà CHÍ MINH - NM 2022 HàC VIÆN CÔNG NGHÆ B¯U CHÍNH VIÄN THÔNG --------------------------------------- NGUYÄN NGàC TH¡ HÆ Hä TRþ QUY¾T ĐÞNH PHÂN NHÓM CÁC TR¾M BTS THEO L¯U L¯þNG CHUYÊN NGÀNH : HÆ THÞNG THÔNG TIN Mà SÞ: 8.04 LUÀN VN TH¾C S) KỸ THUÀT (Theo đßnh h°áng āng dāng) NG¯âI H¯àNG D¾N KHOA HàC TS. NGUYÄN XUÂN SÂM THÀNH PHÞ Hà CHÍ MINH - NM 2022 i LâI CAM ĐOAN Tôi tên là Nguyßn Ngọc Th¢, cam đoan rằng luận văn <Hệ hỗ trợ quyết định phân nhóm các trạm BTS theo lưu lượng= là bài nghiên cāu cÿa chính tôi d°ới sā h°ớng dẫn cÿa TS. NguyÅn Xuân Sâm. Ngo¿i trừ nhÿng tài liáu tham khÁo đ°ÿc trích dẫn trong luận văn này, tôi cam đoan rằng toàn ph¿n hay nhÿng ph¿n nhỏ cÿa luận văn này ch°a từng đ°ÿc công bố hay đ°ÿc sử dāng đá nhận bằng cãp « nhÿng n¢i khác.

Không có sÁn phẩm nghiên cāu nào cÿa ng°£i khác đ°ÿc sử dāng trong luận văn này mà không đ°ÿc trích dẫn theo đúng quy định. Luận văn này ch°a bao gi£ đ°ÿc nộp đá nhận bãt kỳ bằng cãp nào t¿i các tr°£ng đ¿i học hoặc c¢ s« đào t¿o khác.HCM, ngày 25 tháng 01 năm 2022 Hác viên thāc hiÇn luÁn vn NguyÅn Ngác Th¢ ii LâI CÀM ¡N Trong suốt quá trình học tập, nghiên cāu và thāc hián đß tài luận văn th¿c sĩ, ngoài nhÿng cố gắng và nỗ lāc cÿa bÁn thân, tôi đã nhận đ°ÿc sā h°ớng dẫn, giúp đ£ qu礃Ā báu cÿa qu礃Ā th¿y cô, cùng với sā động viên, khích lá và ÿng hộ cÿa các đ÷ng nghiáp, b¿n bè và gia đình. Với long kính trọng và biët ¢n sâu sắc tôi xin đ°ÿc bày tỏ l£i cÁm ¢n chân thành tới: Ban Giám hiáu, Phong đào t¿o sau đ¿i học và quý Th¿y Cô Khoa công nghá thông tin, tr°£ng Học vián Công nghá B°u chính vißn thông đã t¿o mọi đißu kián thuận lÿi giúp tôi hoàn thành luận văn. Tôi xin chân thành cÁm ¢n TS.

NGUYÄN XUÂN SÂM, ng°£i th¿y kính mën đã hët long giúp đ£, d¿y bÁo, động viên và t¿o mọi đißu kián thuận lÿi cho tôi trong suốt quá trình học tập và hoàn thành luận văn tốt nghiáp. Xin chân thành cÁm ¢n qu礃Ā Th¿y Cô trong hội đ÷ng chãm luận văn đã cho tôi nhÿng đóng góp qu礃Ā báu đá hoàn chỉnh luận văn này. Tôi xin chân thành cÁm ¢n mọi ng°£i trong gia đình tôi, đã t¿o đißu kián, động viên khích lá đá tôi học tập và hoàn thành luận văn này. Mặc dù đã cố gắng hët sāc, song do th£i gian và kinh nghiám nghiên cāu khoa học con h¿n chë nên không thá tránh khỏi nhÿng thiëu sót.

Tôi rãt mong nhận đ°ÿc sā góp 礃Ā cÿa qu礃Ā th¿y cô cùng b¿n bè đ÷ng nghiáp đá kiën thāc cÿa mình ngày một hoàn thián h¢n.HCM, ngày 25 tháng 01 năm 2022 Hác viên thāc hiÇn luÁn vn NguyÅn Ngác Th¢ iii DANH SÁCH HÌNH VÀ Hình 1.2: Thống kê l°u l°ÿng theo ngày .3: Thống kê l°u l°ÿng theo gi£.1: Các b°ớc thāc nghiám .2: S¢ đ÷ thuật toán Random Forest .1: Độ chính xác cÿa mô hình RF trong l¿n thāc nghiám đ¿u tiên .2: Độ mãt mát cÿa mô hình RF trong l¿n thāc nghiám đ¿u tiên .3: So sánh độ chính xác cÿa hai thuật toán « l¿n ch¿y thā 7. 49 iv DANH SÁCH BÀNG BÁng 4.1: Tập dÿ liáu l°u l°ÿng m¿ng .2: Thông tin tóm tắt bộ dÿ liáu .3: Kët quÁ ch¿y mô hình với thuật toán RF .4: So sánh độ chính xác cÿa hai thuật toán. 49 v MĀC LĀC LâI CAM ĐOAN .ii DANH SÁCH HÌNH VÀ. iii DANH SÁCH BÀNG.

Lý do chọn đß tài. Tßng quan vãn đß nghiên cāu. Đối t°ÿng và ph¿m vi nghiên cāu. Ph°¢ng pháp nghiên cāu.

TâNG QUAN VÀ L¯U L¯þNG .4 M¾NG DI ĐÞNG CÁC TR¾M BTS .1 Giới thiáu mô hình tßng quát.2 C¢ chë vận hành m¿ng .3 Tßng quan vß l°u l°ÿng m¿ng .4 Mô tÁ tập dÿ liáu .5 Kët luận ch°¢ng. C¡ Sä LÝ THUY¾T VÀ CÁC NGHIÊN CĀU LIÊN QUAN 18 2.1 Giới thiáu học máy [1] .2 Độ đo đánh giá mô hình .3 Các công trình liên quan .4 Kët luận ch°¢ng. ĐÁNH GIÁ ĐÀ XUÂT VÀ TRIÂN KHAI ĀNG DĀNG.1 Mô hình nghiên cāu .2 Thuật toán RandomForest và Gradient Boosted Decision Trees .3 Kët luận ch°¢ng. THĀC NGHIÆM VÀ ĐÁNH GIÁ K¾T QUÀ .1 Cài đặt môi tr°£ng.2 Dÿ liáu thāc nghiám .3 Kët quÁ thāc nghiám .4 Kët luận ch°¢ng.

51 TÀI LIÆU THAM KHÀO. 52 BÀN CAM ĐOAN. Lý do chán đÁ tài Trong lĩnh vāc dịch vā Vißn thông, các ho¿t động đßu gắn lißn với viác tiëp nhận và xử lý thông tin, do vậy viác āng dāng công nghá thông tin có ý nghĩa quan trọng đối với ngành Vißn thông đá phát trián bßn vÿng và có hiáu quÁ cao. Qua quá trình ho¿t động, dÿ liáu đ°ÿc tích lũy có kích th°ớc ngày càng lớn, trong nó có thá ẩn chāa nhißu thông tin d¿ng nhÿng quy luật ch°a đ°ÿc khám phá.

Chính vì vậy, một nhu c¿u đặt ra là c¿n tìm cách biën đßi dÿ liáu <thô= thành thông tin phāc vā các công tác dā báo, phân lo¿i nhằm māc đích t° vãn và hỗ trÿ công viác kinh doanh. Công nghá, kỹ thuật dÿ liáu đã, đang và s¿ phát trián m¿nh m¿ tr°ớc nhÿng khao khát tri thāc cÿa con ng°£i, thu hút sā quan tâm các nhà nghiên cāu trong nhißu lĩnh vāc khác nhau nh° học máy, há chuyên gia, thống kê. Nhißu ph°¢ng pháp kỹ thuật phân lớp đã đ°ÿc đß xuãt nh°ng không có ph°¢ng pháp tiëp cận phân lo¿i nào là tối °u và chính xác h¢n hẳn nhÿng ph°¢ng pháp khác. Với mong muốn nghiên cāu vß viác xây dāng một há thống hỗ trÿ ra quyët định đá đánh giá, phân nhóm l°u l°ÿng các tr¿m NodeB/eNodeB từ dÿ liáu m¿ng Vinaphone Vißn thông Tây Ninh, tôi đã chọn đß tài <Hệ hỗ trợ quyết định phân nhóm các trạm BTS theo lưu lượng= làm luận văn tốt nghiáp.

Tãng quan vÃn đÁ nghiên cāu Trong nhÿng năm g¿n đây Học máy (Machine Learning - ML) là một trong nhÿng công cā tißm năng và hāa hẹn nhãt đá dā báo một lo¿t các vãn đß phāc t¿p. Sā phát trián nhanh chóng cÿa ML t°¢ng quan trāc tiëp với sā phát trián cÿa công nghá; sā phát trián nhanh chóng cÿa cộng đ÷ng AI có lÿi cho sā phát trián cÿa nhißu th° vián và công cā mã ngu÷n m« (ví dā: TensorFlow, Keras, PyTorch, fast.ai), giúp nhißu nhà nghiên cāu trong viác trián khai và trián khai các thuật toán ML. 2 Công viác trong luận văn này đ°ÿc thāc hián theo h°ớng dÿ liáu, và nó tập trung vào viác tìm hiáu cách sử dāng và biën đßi dÿ liáu này thành thông tin[1] phāc vā māc đích sÁn xuãt kinh doanh trong m¿ng di động; mô tÁ đặc điám l°u l°ÿng truy cập di động cÿa ng°£i dùng, viác sử dāng āng dāng và các kiáu l°u l°ÿng truy cập cÿa họ. Sau đó, c¿n phân tích số liáu thống kê vß th£i gian cÿa m¿ng đá xác định l°u l°ÿng từng khu vāc.

Viác khai thác một l°ÿng lớn thông tin cho phép cÁi thián hiáu suãt cÿa chính m¿ng nh°ng cũng đá giÁi quyët một lo¿t vãn đß (ví dā: phát hián bãt th°£ng) có thá Ánh h°«ng đën c¢ s« h¿ t¿ng m¿ng. Công viác bắt đ¿u từ viác nghiên cāu các bộ dÿ liáu đën từ viác trián khai m¿ng di động thāc të sau đó quyët định tối °u hóa m¿ng và āng phó với vô số các vãn đß m¿ng nh° phân bß tài nguyên, tiët kiám năng l°ÿng. Māc tiêu nghiên cāu Nghiên cāu tßng quan vß l°u l°ÿng m¿ng di động, c¢ chë ho¿t động cũng nh° các yëu tố tác động đën l°u l°ÿng m¿ng. Nghiên cāu các mô hình và thuật toán học máy hỗ trÿ viác phân nhóm tr¿m BTS theo l°u l°ÿng.

Nghiên cāu vß công cā và ngôn ngÿ hỗ trÿ viác khai phá dÿ liáu (nh° Google Colab, Python), từ đó cài đặt và sử dāng cho đß tài. Đßi t°ÿng và ph¿m vi nghiên cāu Đối t°ÿng nghiên cāu: há hỗ trÿ ra quyët định, thuật toán máy học (Machine learning): Cây quyët định, rừng ngẫu nhiên& trong khai phá dÿ liáu. Ph¿m vi nghiên cāu: Āng dāng các thuật toán máy học đá phân nhóm các tr¿m BTS theo l°u l°ÿng. Các biáu mẫu, số liáu liên quan đën viác phân nhóm các tr¿m BTS: Total traffic, Call setup Success rate.

Mẫu dÿ liáu là danh sách l°u l°ÿng các tr¿m BTS cÿa m¿ng Vinaphone khu vāc tỉnh Tây Ninh. Ph°¢ng pháp nghiên cāu Đß tài này sử dāng ph°¢ng pháp nghiên cāu lý thuyët kët hÿp với xây dāng āng dāng thāc nghiám: - Ph°¢ng pháp nghiên cāu lý thuyët: Tìm hiáu, phân tích, tßng hÿp các tài liáu vß há hỗ trÿ ra quyët định, khai phá dÿ liáu và đß xuãt cÁi tiën một số thuật toán máy học nhằm đ¿t đ°ÿc māc tiêu nghiên cāu. Thu thập, tìm hiáu, nghiên cāu tài liáu; số liáu m¿ng di động Vinaphone khu vāc tỉnh Tây Ninh. - Ph°¢ng pháp nghiên cāu thāc nghiám: Phân tích yêu c¿u thāc të cÿa công viác, áp dāng lý thuyët, các thuật toán liên quan đá xây dāng há hỗ trÿ ra quyët định; Xây dāng bộ dÿ liáu mẫu dùng đá kiám tra, thử nghiám ch°¢ng trình và đ°a ra đánh giá kët quÁ.

CÃu trúc luÁn vn Ngoài ph¿n m« đ¿u, māc lāc, kët luận và kiën nghị, danh māc hình v¿, danh māc bÁng biáu, tài liáu tham khÁo, phā lāc, ph¿n chính cÿa luận văn g÷m 4 ch°¢ng nh° sau: Ch°¢ng 1: TÞNG QUAN CÁC YÊU C¾U BÀI TOÁN L¯U L¯þNG CÁC TR¾M BTS Ch°¢ng 2: C¡ SÞ LÝ THUYÀT VÀ CÁC NGHIÊN CĀU LIÊN QUAN Ch°¢ng 3: ĐÁNH GIÁ ĐÞ XUÂT VÀ TRIàN KHAI ĀNG DĀNG Ch°¢ng 4: THĀC NGHIàM VÀ ĐÁNH GIÁ KÀT QUÀ 4 CH¯¡NG 1. TâNG QUAN VÀ L¯U L¯þNG M¾NG DI ĐÞNG CÁC TR¾M BTS 1.1 Giái thiÇu mô hình tãng quát Hình 1.1: CÃu t¿o tr¿m BTS Trong hình 1.1, tr¿m thu phát gốc (BTS) là một thiët bị hỗ trÿ giao tiëp không dây giÿa thiët bị ng°£i dùng (UE) và m¿ng dùng đá chuyán tiëp l°u l°ÿng tho¿i và dÿ liáu. UE là các thiët bị nh° đián tho¿i di động (thiët bị c¿m tay), đián tho¿i WLL, máy tính có kët nối Internet không dây. M¿ng có thá là m¿ng cÿa bãt kỳ công nghá truyßn thông không dây nào nh° GSM, CDMA, vong lặp cāc bộ không dây, Wi-Fi, WiMAX hoặc công nghá m¿ng dián rộng (WAN) khác.

BTS con đ°ÿc gọi là nút B (trong m¿ng 3G) hay đ¢n giÁn h¢n là tr¿m gốc (BS). Đá thÁo luận vß tiêu chuẩn LTE, chÿ viët tắt eNB cho nút phát trián B đ°ÿc sử dāng rộng rãi và GNodeB cho 5G.