Time series forecasting and clustering techniques for cellular network performance for predictive load management

Abstract

Der starke Nutzungszuwachs von Mobilgeräten und damit einhergehend des Datenverkehrs stellt Telekommunikationsanbieter bei der Bereitstellung und Weiterentwicklung ihrer Leistungen vor Herausforderungen. Um eine effiziente, kostensparende Ressourcenzuweisung und zeitgleich hohe Servicequalität zu gewährleisten, ist eine genaue Vorhersage der Auslastung einzelner Funkzellen notwendig. Demzufolge müssen Mobilfunknetzbetreiber bei ihrer Kapazitätsplanung die erwartete Auslastung sowie etwaige relevante Bewegungsmuster berücksichtigen. Diese Informationen müssen dann in die Architekturplanung sowie die gezielte Auswahl von neuen Zellstandorten mit einfließen. UnterZuhilfenahme eines Datensatzes, der von einem europäischen Telekommunikationsanbieter zur Verfügung gestellt wurde, fokussiert sich die vorliegende Diplomarbeit auf die Herstellung eines Verständnisses zur sowie die Vorhersage von Zellnutzungsmuster im Laufe der Zeit. Herkömmliche Forecasting-Methoden sind oft nicht in der Lage, die komplexen Muster zu erfassen, die in Mobilfunknetz-Datensätzen zu erkennen sind. Daher werden in dieser Arbeit verschiedene Clustering-Methoden mit traditionelleren sowie neueren Forecasting-Ansätzen – ARIMA, Holt-Winters und univariaten und multivariatenFacebook-Prophet-Modellen – kombiniert.Die gewählte Methodik umfasst die Vorverarbeitung der Daten, um Konsistenz und Zuverlässigkeit zu gewährleisten, gefolgt von der Anwendung von Clustering-Algorithmen, zur Erkennung bestimmter Muster der Zellauslastung. Diese Cluster werden dann verwendet,um die Vorhersagefähigkeiten der Forecasting-Modelle zu verbessern.Die Ergebnisse zeigen, dass die Integration fortschrittlicher Clustering-Techniken mit Forecasting Modellen, insbesondere einem multivariaten Prophet-Modell, die Genauigkeit von Auslastungs-Vorhersagen erheblich verbessert. Durch die Identifizierung und Nutzung von Mustern innerhalb von Clustern können die Modelle die künftige Zellenauslastung genauer vorhersagen, was eine bessere Ressourcenzuweisung und Netzoptimierung ermöglicht.Darüber hinaus leistet diese Diplomarbeit einen Beitrag zum Bereich des Time Series Forecastings für das Anwendungsfeld der Netzoptimierung, was auf verschiedene Aspekte der Verwaltung von Mobilfunknetzen angewendet werden kann, einschließlich Kapazitätsplanung, Erkennung von Anomalien und Verbesserung der Dienstqualität.

The exponential growth in mobile device usage and data traffic has enhanced the challenges faced by telecommunication providers in optimizing cellular network performance. Accurate prediction of cell load is essential for efficient resource allocation, cost management, and enhanced service quality. As a result, mobile network operators must consider the expected user load and movement patterns in their capacity planning, while cellular network architecture planning should include the strategic placement of cell sites to strengthen signal coverage. Using a detailed dataset provided by a European telecommunication provider, this research focuses on understanding and forecasting the patterns of cell utilization over time. Traditional forecasting methods often fall short in capturing the complex patterns inherent in cellular network data. To overcome these limitations, this thesis integrates advanced clustering methods with traditional as well as modern predictive models - namely ARIMA, Holt-Winters and the Facebook Prophet model. The methodology involves preprocessing the data to ensure consistency and reliability, followed by the application of clustering algorithms to identify distinct patterns of cell usage. These clusters are then used to enhance the predictive capabilities of the time series models. The findings reveal that integrating advanced clustering techniques with time series prediction models, especially a multivariate Prophet model, significantly improves the forecasting quality of the cell load. By identifying and leveraging patterns withinclusters, the models can more precisely predict future cell load, facilitating better resource allocation and network optimization.Furthermore, this thesis contributes to the field of predictive modeling and network optimization. The integration of advanced data-driven techniques offers a framework that can be applied to various aspects of cellular network management, including capacity planning, anomaly detection, and service quality enhancement.