Luận văn thạc sĩ: Kỹ thuật học sâu trong dự báo mạng vô tuyến 4G

Luận văn thạc sĩ nghiên cứu máy tính ứng dụng kỹ thuật học sâu trực tuyến cho bài toán dự báo mạng vô tuyến 4g, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện

• Tác giả: Lê Tân Pha
• Người hướng dẫn: PGS. TS Quản Thành Thơ
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng Dụng Kỹ Thuật Học Sâu Trực Tuyến Cho Bài Toán Dự Báo Mạng Vô Tuyến 4G
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• ABSTRACT
• LỜI CAM ĐOAN
• DANH SÁCH BẢNG
• DANH SÁCH HÌNH VẼ
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Mở đầu
• 1.2. Mô tả bài toán dự báo mạng vô tuyến 4G
• 1.3. Mục tiêu và nhiệm vụ của luận văn
• 1.4. Giới hạn đề tài
• 1.5. Đóng góp của luận văn
• 1.6. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ KIẾN THỨC
• 2.1. Tổng quan về dự báo chuỗi thời gian
• 2.1.1. Các phương pháp dự báo chuỗi thời gian
• 2.1.2. Các yếu tố ảnh hưởng đến dự báo chuỗi thời gian
• 2.1.3. Ưu điểm và nhược điểm của phương pháp học sâu
• 2.2. Các hình thức của phương pháp học máy
• 2.3. Mô hình MLP
• 2.4. Mô hình CNN
• 2.5. Mô hình RNN - LSTM
• 2.7. Giải thuật tối ưu mô hình
• 2.7.2. SGD cho học trực tuyến
• 2.8. Chuẩn hóa dữ liệu
• 3. CHƯƠNG 3: CÁC CÔNG TRÌNG NGHIÊN CỨU LIÊN QUAN
• 3.1. Hướng tiếp cận sử dụng CNN
• 3.2. Hướng tiếp cận sử dụng LSTM
• 3.3. Hướng tiếp cận kết hợp
• 4. CHƯƠNG 4: MÔ HÌNH ĐỀ XUẤT
• 4.1. Bộ dữ liệu
• 4.2. Mô hình tham khảo
• 4.3. Phương pháp đánh giá RMSE
• 4.4. Mô hình đề xuất CL-MLP
• 4.4.1. Đề xuất 1: Dự đoán gián tiếp
• 4.4.2. Đề xuất 2: Mô hình kết hợp CL-MLP
• 4.4.3. Đề xuất 3: Học trực tuyến
• 4.5. Các thí nghiệm và so sánh
• 4.5.1. Xử lý dữ liệu
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Trong bối cảnh mạng 4G ngày càng trở nên quan trọng đối với nền kinh tế số, việc dự báo mạng trở thành một yếu tố thiết yếu. Công nghệ học sâu và machine learning đã mở ra nhiều cơ hội mới cho việc tối ưu hóa hiệu suất mạng. Luận văn này tập trung vào việc ứng dụng các kỹ thuật này để dự báo các chỉ số chất lượng mạng (KPI) trong môi trường 4G. Mục tiêu chính là phát triển một mô hình dự báo có độ chính xác cao, giúp các nhà khai thác mạng có thể chủ động trong việc phân bổ tài nguyên và ngăn ngừa sự cố. Việc dự báo KPI không chỉ hỗ trợ trong việc cải thiện hiệu suất mà còn giúp nâng cao trải nghiệm người dùng. Theo đó, nghiên cứu sẽ phân tích dữ liệu từ nhiều khía cạnh khác nhau, từ lưu lượng người dùng đến tỷ lệ thành công trong việc thiết lập dịch vụ.

1.1 Mô tả bài toán dự báo mạng vô tuyến 4G

Bài toán dự báo mạng di động 4G liên quan đến việc dự đoán các chỉ số KPI trong tương lai dựa trên dữ liệu lịch sử. Các chỉ số này, bao gồm tỷ lệ thành công cuộc gọi, tốc độ tải xuống trung bình và tỷ lệ mất dịch vụ, có ảnh hưởng trực tiếp đến trải nghiệm người dùng. Việc dự đoán chính xác các KPI sẽ giúp các nhà khai thác mạng tối ưu hóa hiệu suất và chất lượng dịch vụ. Tuy nhiên, việc truy cập dữ liệu thực tế thường gặp khó khăn, do đó nghiên cứu này sẽ sử dụng dữ liệu mô phỏng và thực nghiệm để xây dựng các mô hình dự báo. Kết quả dự báo có thể giúp các nhà khai thác mạng chủ động trong việc quản lý tài nguyên và cải thiện dịch vụ.

II. Cơ sở kiến thức

Chương này trình bày tổng quan về các phương pháp dự báo chuỗi thời gian, bao gồm các kỹ thuật học sâu như mạng nơ-ron tích chập (CNN), mạng nơ-ron bộ nhớ ngắn hạn dài (LSTM) và mô hình Perceptron nhiều lớp (MLP). Những mô hình này được áp dụng để phân tích dữ liệu chuỗi thời gian từ các chỉ số KPI trong mạng 4G. Việc sử dụng machine learning trong dự báo chuỗi thời gian không chỉ giúp cải thiện độ chính xác mà còn tạo ra các mô hình có khả năng học từ dữ liệu mới một cách hiệu quả. Các phương pháp này có thể được chia thành hai loại chính: mô hình hóa và phân tích, mỗi loại có ưu và nhược điểm riêng. Việc lựa chọn phương pháp phù hợp sẽ phụ thuộc vào tính chất của dữ liệu và yêu cầu của bài toán.

2.1 Các phương pháp dự báo chuỗi thời gian

Các phương pháp dự báo chuỗi thời gian bao gồm nhiều kỹ thuật khác nhau, từ mô hình thống kê đơn giản đến các mô hình phức tạp hơn như mạng nơ-ron. Mô hình thống kê thường dễ hiểu nhưng có độ chính xác thấp, trong khi các mô hình học máy như CNN và LSTM có khả năng xử lý dữ liệu lớn và phức tạp hơn. Việc áp dụng các mô hình này giúp cải thiện khả năng dự đoán và phản ứng với các biến động trong dữ liệu, từ đó cung cấp thông tin hữu ích cho các nhà quản lý mạng. Đặc biệt, học máy trực tuyến cho phép mô hình cập nhật liên tục với dữ liệu mới, giúp duy trì độ chính xác của dự báo trong môi trường không ngừng thay đổi.

III. Các công trình nghiên cứu liên quan

Chương này tổng hợp các nghiên cứu trước đây về dự báo mạng 4G và các phương pháp học sâu đã được áp dụng. Nhiều nghiên cứu đã chỉ ra rằng việc kết hợp các mô hình như CNN và LSTM có thể mang lại kết quả dự báo tốt hơn so với việc sử dụng từng mô hình riêng lẻ. Các công trình này cũng nhấn mạnh tầm quan trọng của dữ liệu trong việc xây dựng mô hình dự báo chính xác. Việc hiểu rõ các nghiên cứu trước sẽ giúp xác định khoảng trống trong kiến thức và định hướng cho nghiên cứu hiện tại. Từ đó, các giải pháp mới có thể được đề xuất để cải thiện khả năng dự đoán trong mạng 4G.

3.1 Hướng tiếp cận sử dụng CNN

Nhiều nghiên cứu đã áp dụng mạng nơ-ron tích chập (CNN) để phân tích dữ liệu chuỗi thời gian. CNN có khả năng phát hiện các mẫu trong dữ liệu và thường được sử dụng trong các bài toán phân loại và dự đoán. Hướng tiếp cận này cho thấy CNN có thể cải thiện độ chính xác của dự báo khi kết hợp với các kỹ thuật xử lý dữ liệu. Hơn nữa, việc sử dụng CNN giúp giảm thiểu số lượng tham số cần thiết trong mô hình, từ đó tăng tốc độ xử lý và hiệu suất tổng thể. Tuy nhiên, việc áp dụng CNN cũng cần phải cân nhắc đến tính chất của dữ liệu và các yếu tố khác ảnh hưởng đến kết quả dự báo.

IV. Mô hình đề xuất

Chương này trình bày chi tiết về mô hình CL-MLP được đề xuất cho bài toán dự báo mạng 4G. Mô hình này kết hợp giữa CNN, LSTM và MLP nhằm tận dụng ưu điểm của từng loại mạng. Bằng cách sử dụng dữ liệu từ nhiều nguồn khác nhau, mô hình có khả năng dự đoán chính xác các chỉ số KPI trong thời gian thực. Các thí nghiệm thực nghiệm cho thấy mô hình CL-MLP đạt được kết quả vượt trội so với các phương pháp truyền thống. Việc áp dụng học máy trực tuyến giúp mô hình có khả năng học từ dữ liệu mới mà không cần phải đào tạo lại từ đầu, điều này rất hữu ích trong môi trường mạng di động thay đổi liên tục.

4.1 Bộ dữ liệu

Bộ dữ liệu được sử dụng trong nghiên cứu này bao gồm các chỉ số KPI thu thập từ mạng 4G trong thời gian thực. Dữ liệu được thu thập từ nhiều tỉnh thành khác nhau, đảm bảo tính đa dạng và đại diện cho nhiều điều kiện mạng khác nhau. Các chỉ số này bao gồm tỷ lệ thành công cuộc gọi, tốc độ tải xuống trung bình và tỷ lệ mất dịch vụ. Việc xử lý và làm sạch dữ liệu là rất quan trọng để đảm bảo độ chính xác của mô hình. Các kỹ thuật như chuẩn hóa dữ liệu và loại bỏ nhiễu đã được áp dụng để cải thiện chất lượng dữ liệu đầu vào cho mô hình.

V. Kết luận

Luận văn đã trình bày một cách hệ thống về việc ứng dụng kỹ thuật học sâu vào bài toán dự báo mạng 4G. Các kết quả nghiên cứu cho thấy mô hình CL-MLP có khả năng dự đoán chính xác các chỉ số KPI, hỗ trợ các nhà khai thác mạng trong việc tối ưu hóa tài nguyên và nâng cao chất lượng dịch vụ. Những đóng góp của luận văn không chỉ giúp cải thiện hiểu biết về dự báo mạng mà còn mở ra hướng nghiên cứu mới cho các ứng dụng trong tương lai. Việc tiếp tục nghiên cứu và phát triển các mô hình dự báo sẽ là cần thiết để đáp ứng nhu cầu ngày càng cao về chất lượng dịch vụ trong môi trường mạng không dây hiện đại.

5.1 Đề xuất nghiên cứu trong tương lai

Để nâng cao khả năng dự đoán, các nghiên cứu trong tương lai có thể tập trung vào việc áp dụng các mô hình tiên tiến hơn như Deep Reinforcement Learning hoặc các kỹ thuật học sâu khác để cải thiện độ chính xác và khả năng xử lý dữ liệu lớn. Hơn nữa, việc tích hợp thêm dữ liệu từ các nguồn khác nhau, chẳng hạn như dữ liệu môi trường hoặc hành vi người dùng, cũng có thể giúp tăng cường khả năng dự đoán. Các nghiên cứu này sẽ đóng góp vào việc phát triển hệ thống giám sát và quản lý mạng hiệu quả hơn trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ chuyển đổi số, mạng di động 4G đóng vai trò là hạ tầng kết nối huyết mạch, phục vụ hàng chục triệu người dùng và là nền tảng quan trọng đồng hành cùng quá trình mở rộng mạng 5G tại Việt Nam. Tuy nhiên, việc vận hành mạng vô tuyến đối mặt với thách thức lớn khi lưu lượng truy cập liên tục biến động và các sự cố suy giảm chất lượng mạng xảy ra mang tính ngẫu nhiên cao. Nhằm giải quyết bài toán này, đề tài nghiên cứu tập trung xây dựng giải pháp dự báo chuỗi thời gian đa biến cho mạng vô tuyến 4G thông qua việc kết hợp kỹ thuật học sâu và học máy trực tuyến (Online Learning).

Mục tiêu cốt lõi của nghiên cứu là dự báo chính xác 5 chỉ số hiệu năng mạng then chốt (KPI) bao gồm tỷ lệ thiết lập cuộc gọi thành công (CSSR), tỷ lệ chuyển giao nội tần (INTRA FREQUENCY HO), tỷ lệ rớt dịch vụ (SERVICE DROP ALL), lưu lượng tổng (TRAFFIC) và tốc độ tải xuống trung bình của người dùng (USER DL AVG THPUT). Phạm vi nghiên cứu bao quát dữ liệu thực tế từ 5000 tế bào phát sóng (CELL) trải rộng trên 22 tỉnh thành tại Việt Nam, bao gồm đa dạng các địa hình như đô thị, khu công nghiệp, quốc lộ, biên giới và hải đảo trong giai đoạn từ tháng 01/2021 đến tháng 05/2023 với tổng khối lượng xử lý đạt khoảng 7,7 tỷ bản ghi.

Ý nghĩa thực tiễn của công trình thể hiện rõ qua việc cung cấp công cụ tự động hóa dự báo trước 24 giờ theo thời gian thực, giúp các nhà khai thác mạng chủ động tối ưu tài nguyên vô tuyến, giảm tỷ lệ nghẽn mạch xuống dưới 1% và phát hiện sớm các bất thường chất lượng dịch vụ trước khi ảnh hưởng đến trải nghiệm của khách hàng. Công trình là thành phần quan trọng thuộc đề tài nghiên cứu mã số 169KHCN2021005 được triển khai phối hợp giữa Trường Đại học Bách Khoa Thành phố Hồ Chí Minh cùng các đơn vị VNPT NET và VNPT RnD.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của ba mô hình học sâu hiện đại cùng cơ chế học máy trực tuyến nhằm khai thác trọn vẹn đặc trưng chuỗi thời gian đa biến:

• Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Được ứng dụng để trích xuất các đặc trưng không gian cục bộ và các mẫu biến động ngắn hạn từ ma trận dữ liệu KPI đầu vào thông qua các bộ lọc tích chập đa chiều.
• Mạng nơ-ron hồi quy bộ nhớ ngắn hạn dài (Long Short-Term Memory - LSTM): Với cơ chế cổng đóng mở thông minh gồm cổng quên, cổng cập nhật và cổng xuất giúp duy trì bộ nhớ dài hạn, khắc phục hoàn toàn hiện tượng biến mất đạo hàm (vanishing gradient) khi mô hình hóa các chu kỳ thời gian dài.
• Mạng Perceptron nhiều tầng (Multi-Layer Perceptron - MLP): Đóng vai trò là tầng ánh xạ phi tuyến tính tổng hợp các biểu diễn đặc trưng kết hợp từ CNN và LSTM để tạo ra vector dự báo đầu ra cho 5 chỉ số KPI đồng thời.
• Cơ chế học máy trực tuyến (Online Machine Learning): Dựa trên giải thuật tối ưu hóa độ dốc ngẫu nhiên (Stochastic Gradient Descent - SGD) được áp dụng để cập nhật trọng số mô hình tức thì sau mỗi mẫu dữ liệu mới.
• Kỹ thuật dự báo gián tiếp dựa trên chuỗi vi phân biến thiên 24 giờ: Giá trị biến thiên Delta t được định nghĩa bằng hiệu số giữa thời điểm hiện tại và thời điểm 24 giờ trước đó, giúp chuẩn hóa phân phối dữ liệu và triệt tiêu tính phi dừng của chuỗi dữ liệu gốc.

Phương pháp nghiên cứu

Nguồn dữ liệu phục vụ nghiên cứu được trích xuất trực tiếp từ hệ thống giám sát chất lượng vô tuyến tập trung của nhà mạng viễn thông với độ phân giải đo lường 1 giờ cho mỗi tế bào mạng. Cỡ mẫu nghiên cứu gồm 5000 trạm tế bào được chọn lọc theo phương pháp chọn mẫu phân tầng đa dạng địa lý tại 22 tỉnh thành nhằm phản ánh đầy đủ mọi hình thái lưu lượng thực tế. Lý do lựa chọn phương pháp phân tích chuỗi thời gian học sâu kết hợp học trực tuyến là vì dữ liệu mạng vô tuyến có quy mô cực lớn, tính phi tuyến phức tạp và đòi hỏi khả năng thích ứng liên tục với môi trường thực địa.

Phương pháp phân tích áp dụng kỹ thuật trượt cửa sổ dữ liệu (Data Windowing) với cấu hình kích thước đầu vào 48 bước thời gian (tương ứng 48 giờ lịch sử) cho tập huấn luyện và 24 bước thời gian cho tập kiểm định, khoảng trượt dịch chuyển 1 giờ và độ dài nhãn dự báo là 24 giờ tiếp theo. Toàn bộ dữ liệu được chuẩn hóa theo thang đo Min-Max Scaling về khoảng giá trị từ 0 đến 1 dựa trên cực trị của 1000 tế bào ngẫu nhiên để tăng tốc độ hội tụ.

Mô hình đề xuất CL-MLP được thiết lập huấn luyện trên hệ thống máy chủ cấu hình cao trang bị bộ vi xử lý Intel Xeon Silver 4314 với 64 luồng tính toán, bộ nhớ RAM 256GB và bộ tăng tốc đồ họa chuyên dụng NVIDIA A100 PCIe dung lượng 80GB. Timeline dữ liệu huấn luyện kéo dài 24 tháng từ ngày 01/01/2021 đến ngày 01/12/2022, và giai đoạn kiểm thử độc lập diễn ra từ ngày 01/02/2023 đến ngày 22/05/2023 để thẩm định toàn diện tính ổn định của mô hình.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Thứ nhất, mô hình tích hợp CL-MLP thể hiện tốc độ hội tụ và độ chính xác vượt trội khi đạt giá trị hàm mất mát trung bình bình phương sai số (MSE) trên tập huấn luyện là 0.1173 sau 100 chu kỳ huấn luyện (epoch). Mức sai số này giảm hơn 30% so với mô hình đơn lẻ CNN-DeepAnT và giảm khoảng 22% so với mô hình LSTM truyền thống khi xử lý chuỗi thời gian 5 biến đồng thời.

Thứ hai, trên tập dữ liệu kiểm định độc lập với hơn 3 tháng dữ liệu mới, mô hình CL-MLP đạt kết quả tối ưu trên cả hai thang đo đánh giá căn bậc hai sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE). Mô hình phản ánh chính xác xu hướng dao động của các chỉ số lưu lượng TRAFFIC và tốc độ truyền dữ liệu USER DL AVG THPUT với sai số tương đối luôn duy trì ở mức dưới 5%.

Thứ ba, phương pháp tiếp cận dự báo gián tiếp thông qua độ biến thiên 24 giờ đã chứng minh hiệu quả vượt bậc trong việc xử lý hiện tượng mất cân bằng dữ liệu (Imbalanced Data). Đối với các chỉ số thường xuyên duy trì ở ngưỡng cao như tỷ lệ thiết lập cuộc gọi CSSR (trên 98%) hay tỷ lệ chuyển giao nội tần INTRA FREQUENCY HO (trên 99%), mô hình vẫn bắt trọn chính xác các thời điểm sụt giảm bất thường, khắc phục nhược điểm dự báo sai lệch của các phương pháp truyền thống.

Thứ tư, việc kết hợp giải thuật học máy trực tuyến SGD với kích thước mẫu đơn lẻ (batch size bằng 1 và số epoch bằng 1) cho phép hệ thống cập nhật tức thời khi trạm phát sóng có sự thay đổi về cấu hình phần cứng hoặc lưu lượng đột biến. Mô hình duy trì độ trễ xử lý dưới 50 mili-giây cho mỗi bước cập nhật trực tuyến, đáp ứng hoàn hảo yêu cầu vận hành thời gian thực trên quy mô mạng viễn thông quốc gia.

Thảo luận kết quả

Hiệu năng vượt trội của mô hình CL-MLP bắt nguồn từ sự kết hợp tương hỗ giữa các tầng kiến trúc học sâu. Trong khi lớp tích chập CNN trích xuất nhanh chóng các tương quan chéo giữa 5 chỉ số chất lượng mạng tại từng thời điểm, các khối bộ nhớ LSTM lại liên kết chặt chẽ các phụ thuộc dài hạn qua chu kỳ ngày đêm. Khi so sánh với các công trình nghiên cứu về DeepAnT của Mohsin Munir hoặc nghiên cứu dự báo lưu lượng bằng LSTM của Amin Azari, kiến trúc CL-MLP không chỉ khắc phục được hiện tượng bão hòa đạo hàm mà còn mở rộng khả năng dự báo đa biến thay vì chỉ tập trung vào một chỉ số đơn lẻ.

Trên biểu đồ phân tích hàm mất mát huấn luyện và đồ thị đối soát kết quả dự báo thực tế, đường dự báo của CL-MLP bám sát hoàn toàn đường giá trị thực tế của các chỉ số KPI theo từng giờ. Biểu đồ phân phối vi phân 24 giờ thể hiện rõ ràng cấu trúc phân phối chuẩn đối xứng, giúp thuật toán tối ưu hóa dễ dàng nhận diện các điểm dị biệt nằm ngoài khoảng tin cậy 95%. Bảng so sánh các chỉ số đo lường RMSE và MAE khẳng định tính thích ứng cao của mô hình khi kiểm thử trên đa dạng môi trường từ các trạm phát sóng ven biển đến khu công nghiệp tập trung đông dân cư.

Đề xuất và khuyến nghị

Dựa trên các kết quả thực nghiệm vững chắc, nghiên cứu đưa ra 4 giải pháp trọng tâm nhằm chuyển giao và ứng dụng công nghệ vào thực tiễn quản lý mạng viễn thông:

1. Tích hợp trực tiếp mô hình học sâu trực tuyến CL-MLP vào hệ thống điều hành mạng tập trung (NOC) của các nhà mạng viễn thông lớn tại Việt Nam trong quý 1 năm 2025. Giải pháp này do trung tâm vận hành khai thác mạng chủ trì nhằm nâng cao độ chính xác cảnh báo nghẽn mạng lên trên 95% và tự động phát hiện sớm sự cố trước 24 giờ.
2. Nâng cấp hạ tầng quản trị dữ liệu lớn bằng cách triển khai cụm cơ sở dữ liệu phân tán Apache Cassandra nhằm tối ưu hóa năng lực lưu trữ và truy vấn dòng dữ liệu streaming với thông lượng xử lý hơn 100.000 bản ghi mỗi giây, mục tiêu hoàn thành trong vòng 6 tháng bởi đội ngũ kỹ sư hạ tầng dữ liệu.
3. Ứng dụng kết quả dự báo đa biến của mô hình vào thuật toán mạng tự tổ chức (Self-Organizing Networks - SON) để tự động cân bằng tải và điều chỉnh góc ngẩng ăng-ten điện tử của trạm phát sóng. Đội ngũ kỹ sư tối ưu hóa mạng vô tuyến sẽ thực hiện giải pháp này trong năm 2025 với mục tiêu giảm tỷ lệ rớt cuộc gọi dịch vụ (SERVICE DROP ALL) xuống dưới mức 0,3%.
4. Mở rộng kiến trúc CL-MLP cho hệ thống mạng di động thế hệ mới 5G và 6G với chu kỳ lấy mẫu dữ liệu rút ngắn xuống 15 phút, hướng tới thương mại hóa và ứng dụng rộng rãi giai đoạn 2025-2026 dưới sự phối hợp của các viện nghiên cứu và phòng thí nghiệm trọng điểm.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chuyên môn:

• Kỹ sư tối ưu hóa mạng vô tuyến (Radio Network Optimization Engineers): Ứng dụng thuật toán dự báo đa biến 5 KPI để chủ động phân bổ tài nguyên, điều tiết lưu lượng và nâng cao chất lượng dịch vụ trên từng trạm phát sóng.
• Chuyên gia khoa học dữ liệu và kỹ sư trí tuệ nhân tạo (AI & Data Scientists): Khảo cứu và phát triển kiến trúc lai ghép CNN-LSTM-MLP cùng giải thuật học trực tuyến SGD để giải quyết các bài toán chuỗi thời gian lớn và dữ liệu mất cân bằng trong thực tế.
• Cán bộ quản lý vận hành trung tâm điều hành mạng (NOC Managers): Xây dựng hệ thống giám sát thời gian thực, tự động hóa cảnh báo sự cố viễn thông sớm trước 24 giờ nhằm tối ưu hóa chi phí vận hành và bảo trì.
• Học viên cao học và sinh viên ngành Công nghệ thông tin, Điện tử viễn thông: Tham khảo phương pháp luận chuẩn mực về xử lý dữ liệu lớn 7,7 tỷ bản ghi, kỹ thuật chuẩn hóa chuỗi thời gian và công nghệ lưu trữ dữ liệu phân tán Cassandra.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn dự báo gián tiếp qua độ biến thiên 24 giờ thay vì dự báo trực tiếp giá trị KPI?

Trong thực tế dữ liệu mạng 4G, các KPI như tỷ lệ thiết lập cuộc gọi thường xuyên đạt mức trên 98%, dẫn đến hiện tượng mất cân bằng dữ liệu nghiêm trọng. Việc chuyển đổi sang chuỗi vi phân biến thiên 24 giờ giúp tái cấu trúc phân phối dữ liệu về dạng chuẩn đối xứng quanh giá trị 0, giúp mô hình nhận diện chính xác các điểm biến động bất thường thay vì bị thiên vị vào trạng thái ổn định.

Mô hình kết hợp CL-MLP có ưu thế gì vượt trội so với các mô hình đơn lẻ như CNN hay LSTM?

Kiến trúc CL-MLP phát huy sức mạnh cộng hưởng: mạng CNN đảm nhiệm bóc tách đặc trưng cục bộ giữa 5 KPI cùng thời điểm, mạng LSTM nắm bắt các quy luật tuần hoàn theo thời gian dài, và tầng MLP kết hợp để đưa ra dự báo đồng thời. Kết quả thực nghiệm cho thấy CL-MLP giảm hàm mất mát MSE xuống mức 0.1173, thấp hơn đáng kể so với từng mô hình thành phần.

Phương pháp học trực tuyến (Online Learning) giải quyết thách thức gì trong thực tế vận hành mạng viễn thông?

Hạ tầng mạng luôn thay đổi khi có thêm trạm phát mới hoặc cấu hình thiết bị biến động. Phương pháp học trực tuyến với thuật toán SGD cập nhật trọng số liên tục theo từng điểm dữ liệu mới đến mà không cần tốn nhiều ngày để huấn luyện lại từ đầu trên toàn bộ 7,7 tỷ bản ghi lịch sử, từ đó ngăn chặn hiện tượng quá khớp và bắt kịp dữ liệu thời gian thực.

Nguồn dữ liệu thực nghiệm trong luận văn có độ tin cậy và tính đại diện như thế nào?

Dữ liệu được thu thập trực tiếp từ 5000 tế bào phát sóng thực tế của tập đoàn viễn thông lớn tại Việt Nam, trải dài trên 22 tỉnh thành với đa dạng môi trường từ khu công nghiệp, đô thị đến hải đảo. Tổng số 7,7 tỷ dòng dữ liệu đo lường liên tục trong hơn 2 năm đảm bảo tính khách quan và tính đại diện cao cho toàn mạng lưới.

Luận văn đánh giá hiệu năng dự báo thông qua những thước đo định lượng nào?

Nghiên cứu sử dụng hai chỉ số đánh giá cốt lõi là căn bậc hai sai số bình phương trung bình (RMSE) và sai số tuyệt đối trung bình (MAE) cùng hàm mất mát MSE. Các chỉ số này cho phép đo lường chính xác độ lệch giữa giá trị dự báo và thực tế trên cùng đơn vị đo lường gốc của từng KPI.

Kết luận

Nghiên cứu đã hoàn thành toàn diện các mục tiêu đề ra với 5 đóng góp học thuật và thực tiễn nổi bật:

• Đề xuất thành công mô hình lai ghép CL-MLP kết hợp CNN, LSTM và MLP cho bài toán dự báo chuỗi thời gian đa biến trên 5 chỉ số KPI chất lượng mạng 4G.
• Phát triển kỹ thuật dự báo gián tiếp qua chuỗi vi phân 24 giờ, giải quyết triệt để vấn đề mất cân bằng dữ liệu giữa trạng thái mạng bình thường và bất thường.
• Ứng dụng hiệu quả cơ chế học máy trực tuyến (Online Learning) sử dụng giải thuật SGD, giúp mô hình thích ứng linh hoạt và cập nhật tức thời theo luồng dữ liệu thời gian thực.
• Thu thập, làm sạch và xử lý khối lượng dữ liệu khổng lồ gồm 7,7 tỷ bản ghi từ 5000 tế bào mạng tại 22 tỉnh thành trên nền tảng cơ sở dữ liệu Cassandra.
• Đóng góp trực tiếp vào kết quả nghiệm thu của đề tài khoa học công nghệ cấp bộ mã số 169KHCN2021005 phối hợp cùng VNPT NET, VNPT RnD và Đại học Bách Khoa TP.HCM.

Trong giai đoạn tiếp theo từ năm 2024 đến năm 2025, hướng nghiên cứu sẽ mở rộng sang việc rút ngắn chu kỳ dự báo xuống 15 phút và ứng dụng trên hạ tầng mạng 5G Standalone. Quý bạn đọc và các đơn vị quan tâm hãy tham khảo toàn văn công trình nghiên cứu để cùng ứng dụng các giải pháp học sâu tiên tiến vào việc chuyển đổi số và nâng cao chất lượng hạ tầng mạng viễn thông quốc gia.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIỆU ĐỀ TÀI: Trình bày tổng quan về đề tài, lý do thực hiện đề tài và ý nghĩa thực tiễn của bài toán, cũng như giới hạn và phạm vi của đề tài. Cuối cùng là nhiệm vụ và cấu trúc của luận văn. • Chương 2 CƠ SỞ KIẾN THỨC: Bàn về cơ sở kiến thức cơ bản trong deep learning như Convolution Neural Network tới Recurrent Neural Network, Long Short-Term Memory, Multi-layer Perceptron và phương pháp học máy trực tuyến. • Chương 3 CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN: Trình bày một cách tổng quát về những nghiên cứu liên quan đã và đang được thực hiện, cũng như xu hướng chung hiện nay trong việc giải quyết bài toán.

Phần này cũng đưa ra những bàn luận và đánh giá cho các phương pháp kể trên vì đó là cơ sở quan trọng cho những nghiên cứu của học viên trong quá trình thực hiện luận văn. • Chương 4 CÁC MÔ HÌNH ĐỀ XUẤT: Chương 4 nói cụ thể về các mô hình đề xuất của học viên cho bài toán dự báo mạng vô tuyến 4G và các kết quả thực nhiệm. • Chương 5 KẾT LUẬN: Tổng hợp các kết quả đạt được trong quá trình thực hiện luận văn từ bước nghiên cứu và xây dựng giả thuyết đến triển khai thực nghiệm. Phần này cũng trình bày những hạn chế và vấn đề tồn đọng, cuối cùng đề xuất các giải pháp cải tiến trong tương lai.

5 Chương 2 CƠ SỞ KIẾN THỨC 2.1 Tổng quan về dự báo chuỗi thời gian Dự báo chuỗi thời gian là quá trình sử dụng dữ liệu lịch sử để dự đoán giá trị trong tương lai của một biến. Dữ liệu chuỗi thời gian là dữ liệu được thu thập theo thời gian, chẳng hạn như giá cổ phiếu, doanh số bán hàng, nhiệt độ, chỉ số chất lượng mạng v.1 Các phương pháp dự báo chuỗi thời gian Có nhiều phương pháp dự báo chuỗi thời gian khác nhau, có thể được phân loại thành hai loại chính: • Phương pháp mô hình hóa: Các phương pháp này sử dụng các mô hình toán học để mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian. Các phương pháp mô hình hóa phổ biến bao gồm: – Hồi quy tuyến tính: Phương pháp này sử dụng một đường thẳng để mô tả mối quan hệ giữa các biến (Hình 2. – Hồi quy phi tuyến: Phương pháp này sử dụng một đường cong để mô tả mối quan hệ giữa các biến (Hình 2.

– Mô hình tự hồi quy: Phương pháp này sử dụng các giá trị trước đó của biến để dự đoán giá trị hiện tại của biến. – Mô hình tự hồi quy tích phân: Phương pháp này sử dụng các giá trị trước đó và tích phân của các giá trị trước đó của biến để dự đoán giá trị hiện tại của biến. • Phương pháp phân tích: Các phương pháp này dựa trên phân tích dữ liệu chuỗi thời gian để xác định các xu hướng và biến động trong dữ liệu. Các phương pháp phân tích phổ biến bao gồm (Hình 2.3): – Phân tích xu hướng: Phân tích các xu hướng dài hạn trong dữ liệu.

– Phân tích chu kỳ: Phân tích các chu kỳ ngắn hạn trong dữ liệu. – Phân tích mùa vụ: Phân tích các biến động theo mùa trong dữ liệu. 6 • Phương pháp học máy [7]: Phương pháp học máy dự báo chuỗi thời gian là một phương pháp dự báo chuỗi thời gian sử dụng các mô hình học máy để học từ dữ liệu lịch sử. Các mô hình học máy có thể mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian một cách hiệu quả hơn các phương pháp truyền thống.

Có nhiều loại mô hình học máy có thể được sử dụng cho dự báo chuỗi thời gian, bao gồm: – Mô hình hồi quy: Các mô hình hồi quy sử dụng một hàm số để mô tả mối quan hệ giữa các biến. – Mô hình cây: Các mô hình cây sử dụng một cây quyết định để dự đoán giá trị của biến. – Mạng nơ-ron: Các mạng nơ-ron là một loại mô hình học máy phức tạp có thể mô tả các mối quan hệ phi tuyến phức tạp.1: Mô hình hồi quy tuyến tính 2.2 Các yếu tố ảnh hưởng đến dự báo chuỗi thời gian Có nhiều yếu tố ảnh hưởng đến độ chính xác của dự báo chuỗi thời gian nói chung và dự báo KPI nói riêng, bao gồm: • Chất lượng dữ liệu: Dữ liệu chuỗi thời gian cần phải đầy đủ, chính xác và không bị sai lệch. • Kiểu dữ liệu: Dữ liệu chuỗi thời gian có thể được chia thành hai loại chính: dữ liệu tuyến tính và dữ liệu phi tuyến.

Phương pháp dự báo phù hợp cần được lựa chọn dựa trên loại dữ liệu. • Tính chất của dữ liệu: Dữ liệu chuỗi thời gian có thể có các tính chất như xu hướng, chu kỳ, mùa vụ, v. Phương pháp dự báo cần được lựa chọn sao cho phù hợp với các tính chất của dữ liệu. • Các yếu tố bên ngoài: Các yếu tố bên ngoài, chẳng hạn như các sự kiện âm nhạc, vị trí đặt trạm phát sóng, v.

có thể ảnh hưởng đến giá trị của biến. Các yếu tố này cần được xem xét khi thực hiện dự báo chuỗi thời gian với dữ liệu KPI 4G.2: Mô hình hồi quy phi tuyến Hình 2.3: Một số phân tích bổ biến trên dữ liệu chuỗi thời gian 2.3 Ưu điểm và nhược điểm của phương pháp học sâu Ưu điểm: • Độ chính xác cao: Các mô hình học sâu có thể mô tả các xu hướng và biến động trong dữ liệu chuỗi thời gian một cách hiệu quả hơn các phương pháp truyền thống, chẳng hạn như hồi quy tuyến tính hoặc tự hồi quy. • Thích ứng với dữ liệu thay đổi: Các mô hình học sâu có thể học từ dữ liệu mới và thích ứng với các thay đổi trong dữ liệu. • Áp dụng cho nhiều loại dữ liệu: Các mô hình học sâu có thể được áp dụng cho nhiều loại 8 dữ liệu chuỗi thời gian, bao gồm dữ liệu tuyến tính, dữ liệu phi tuyến, dữ liệu có xu hướng, dữ liệu có chu kỳ, v.

Nhược điểm: • Yêu cầu dữ liệu lớn: Các mô hình học sâu cần một lượng dữ liệu lớn để học từ dữ liệu lịch sử. • Yêu cầu tính toán cao: Việc đào tạo các mô hình học sâu có thể đòi hỏi nhiều tài nguyên tính toán. • Khó giải thích: Các mô hình học sâu có thể khó giải thích, điều này có thể khiến việc xác định các xu hướng và biến động trong dữ liệu trở nên khó khăn. Phương pháp học máy dự báo chuỗi thời gian là một phương pháp mạnh mẽ có thể được sử dụng để cải thiện độ chính xác của dự báo chuỗi thời gian.

Tuy nhiên, phương pháp này cũng có một số nhược điểm cần được cân nhắc khi sử dụng.2 Các hình thức của phương pháp học máy Hình 2.4: Online learning và Batch learning Dựa trên cách thức mô hình tiếp cận dữ liệu để học, có 2 phương pháp phổ biến (Hình 2.4): • Batch Machine Learning là phương pháp học mà mô hình được cung cấp toàn bộ bộ dữ liệu trước khi đưa ra dự đoán. Mô hình được cập nhật một lần sau mỗi lần xử lý toàn bộ bộ dữ liệu. 9 • Online Machine Learning [11] là phương pháp học mà mô hình cập nhật từng phần, theo từng mẫu dữ liệu mới nhận được. Mỗi mẫu dữ liệu được sử dụng để cập nhật mô hình ngay lập tức và không được sử dụng lại.

Với batch machine learning, mô hình cần phải xử lý toàn bộ bộ dữ liệu trước khi có thể đưa ra dự đoán. Điều này có thể mất nhiều thời gian, đặc biệt với bộ dữ liệu lớn hoặc dữ liệu thay đổi liên tục. Với online machine learning, mô hình có thể cập nhật liên tục theo từng mẫu dữ liệu mới. Điều này cho phép mô hình xử lý dữ liệu real-time và thích ứng với dữ liệu thay đổi.

Phân loại này cũng có thể được hiểu là phân loại theo thời gian cập nhật mô hình. Với batch machine learning, mô hình được cập nhật định kỳ, sau mỗi lần xử lý toàn bộ bộ dữ liệu. Với online machine learning, mô hình được cập nhật liên tục, theo từng mẫu dữ liệu mới. Phân loại này có ý nghĩa quan trọng trong việc lựa chọn phương pháp học máy phù hợp cho từng bài toán.

Nếu bài toán yêu cầu độ chính xác cao và không cần xử lý dữ liệu real-time, batch machine learning là lựa chọn tốt. Nếu bài toán cần xử lý dữ liệu real-time và dữ liệu thay đổi theo thời gian, online machine learning là lựa chọn tốt hơn.3 Mô hình MLP Hình 2.5: Mô hình mạng nơ-ron nhiều tầng (MLP - Multi-layer Perceptron) Mạng nơ-ron nhiều tầng (MLP - Multi-layer Perceptron) là một loại mạng nơ-ron feed- forward gồm nhiều tầng, bao gồm ít nhất một tầng ẩn (hidden layer) giữa tầng đầu vào (input layer) và tầng đầu ra (output layer). MLP được sử dụng rộng rãi trong các bài toán ứng dụng học sâu bao gồm dự báo chuỗi thời gian. Cấu trúc của MLP (Hình 2.5): 10 • Input Layer (Tầng đầu vào): Tầng này chứa các nút đại diện cho các đặc trưng hoặc biến đầu vào của dữ liệu chuỗi thời gian.

• Hidden Layers (Tầng ẩn): Gồm nhiều tầng ẩn, mỗi tầng bao gồm nhiều nút (perceptrons) tính toán thông tin từ tầng trước đó và truyền thông tin đến tầng tiếp theo. Các tầng ẩn này giúp học các biểu diễn phức tạp và trừu tượng từ dữ liệu đầu vào. • Output Layer (Tầng đầu ra): Tầng này chứa các nút đại diện cho kết quả dự đoán của mô hình cho chuỗi thời gian. Cách hoạt động của MLP trong dự báo chuỗi thời gian: • Feed-forward: Trong quá trình huấn luyện, dữ liệu chuỗi thời gian được đưa vào mạng thông qua tầng đầu vào và truyền qua các tầng ẩn theo chiều tiến.

Mỗi tầng tính toán thông tin và truyền nó tới tầng tiếp theo. • Tính toán đầu ra: Khi dữ liệu đã được truyền qua các tầng, mạng tính toán đầu ra dự đoán dựa trên các trọng số (weights) và độ lệch (biases) được học trong quá trình huấn luyện. • Huấn luyện và cập nhật trọng số: Mạng được huấn luyện thông qua quá trình lan truyền ngược (backpropagation), trong đó sai số giữa đầu ra dự đoán và giá trị thực tế được tính toán. Quá trình này cập nhật trọng số và độ lệch của các nút trong mạng để giảm thiểu sai số này.

• Dự đoán chuỗi thời gian: Sau khi huấn luyện, mô hình MLP có thể được sử dụng để dự đoán giá trị tiếp theo của chuỗi thời gian dựa trên các đặc trưng đã học từ quá khứ.