Machine Learning-based Fingerprinting Localization in 5G Cellular Networks

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216305%3A26220%2F24%3APU151345" target="_blank" >RIV/00216305:26220/24:PU151345 - isvavai.cz</a>

Výsledek na webu

<a href="https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2024_sbornik_2.pdf" target="_blank" >https://www.eeict.cz/eeict_download/archiv/sborniky/EEICT_2024_sbornik_2.pdf</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.13164/eeict.2024.222" target="_blank" >10.13164/eeict.2024.222</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Machine Learning-based Fingerprinting Localization in 5G Cellular Networks

Popis výsledku v původním jazyce

This study explores the viability of employing machine learning (ML)-based fingerprinting localization in 5G heterogeneous cellular networks. We conducted an extensive measurement campaign to collect data and utilized them to train three ML models: Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM). The findings reveal that RF delivers the highest accuracy among the three ML algorithms. Furthermore, the results indicate that 5G New Radio (NR) can benefit the most from this localization method due to the dense deployment of base stations, achieving median localization errors of 17.5 m and 106 m during the validation and testing phases, respectively.

Název v anglickém jazyce

Machine Learning-based Fingerprinting Localization in 5G Cellular Networks

Popis výsledku anglicky

This study explores the viability of employing machine learning (ML)-based fingerprinting localization in 5G heterogeneous cellular networks. We conducted an extensive measurement campaign to collect data and utilized them to train three ML models: Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM). The findings reveal that RF delivers the highest accuracy among the three ML algorithms. Furthermore, the results indicate that 5G New Radio (NR) can benefit the most from this localization method due to the dense deployment of base stations, achieving median localization errors of 17.5 m and 106 m during the validation and testing phases, respectively.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

20203 - Telecommunications

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proceedings II of the 30th Conference STUDENT EEICT 2024: Selected papers

ISBN

978-80-214-6230-4

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

222-226

Název nakladatele

Brno University of Technology, Faculty of Electronic Engineering and Communication

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

23. 4. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—