Auf dem Weg zum KI-gestützten Mobilfunknetz: die Rolle von MDT-Daten zur Echtzeitoptimierung

Abstract

Next-generation wireless networks need to meet increasingly strict performance requirements across a wide range of use cases, from ultra-reliable industrial automation to high-bandwidth consumer services. Common static rule-based network configuration has reached its peak, and now cellular deployments require continuous optimization based on current network data, e.g., cell load. Traditional data gathering techniques, e.g., drive testing, often prove expensive and insufficient due to limited spatial and temporal coverage. The Minimization of Drive Tests (MDT) standard addresses these challenges by gathering data directly from user equipment (UE) under real operational conditions, resulting in large-scale, high-fidelity datasets. This paper examines how to leverage MDT data in conjunction with artificial intelligence (AI) for real-time analysis, dynamic optimization, and predictive decision-making in advanced radio access networks. We show that combining AI-driven analytics with both immediate and logged MDT measurements offers effective modelling of user mobility, interference patterns, and coverage quality, enabling proactive resource allocation and faster issue resolution. By integrating these methods into digital twin frameworks, operators can test and refine network configurations in a virtual setting before implementing them in live environments. We highlight the growing significance of AI in telecommunication systems, positioning MDT as a key enabler of self-optimizing, next-generation network architectures.

Die nächste Generation drahtloser Netzwerke sieht sich mit der Herausforderung konfrontiert, strengere Leistungsanforderungen zu erfüllen, die von ultra-zuverlässigen industriellen Anwendungen bis hin zu hochperformanten Breitbanddiensten reichen. Traditionelle Drive-Tests zur Diagnose und Optimierung der Netzwerkleistung erweisen sich zunehmend als unzureichend, da sie mit hohen Kosten sowie räumlichen und zeitlichen Einschränkungen verbunden sind. Der Minimization of Drive Tests (MDT)-Standard adressiert diese Herausforderungen, indem er Daten direkt vom Endgerät, dem sogenannten User Equipment (UE), unter realen Betriebsbedingungen sammelt und so umfangreiche, qualitativ hochwertige Datensätze bereitstellt. Der Fokus dieses Beitrags liegt auf der Untersuchung der Anwendung von MDT-Daten in Kombination mit künstlicher Intelligenz (KI) für Echtzeitanalysen, dynamische Optimierung und vorausschauende Entscheidungsfindung in hochentwickelten Radiozugangsnetzen. Es wird dargelegt, dass die Kombination aus KI-gestützten Analysen mit MDT-Messungen eine effektive Modellierung von Nutzerbewegungen, Interferenzmustern und Versorgungsqualität ermöglicht und somit eine proaktive Ressourcenallokation und schnellere Fehlerbehebung unterstützt. Die Integration dieser Methoden in Digital Twin-Frameworks erlaubt zudem die Prüfung und Verfeinerung von Netzkonfigurationen in einer virtuellen Umgebung, bevor sie im Live-Betrieb Anwendung finden. Die Ergebnisse betonen die zunehmende Relevanz von KI in Telekommunikationssystemen und positionieren MDT als ein entscheidendes Element für selbstoptimierende Netzwerkarchitekturen der nächsten Generation.