Optimizing Prediction Time and Accuracy of Users' Regular/Irregular Grouping Using ML Classification

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F24%3A00379519" target="_blank" >RIV/68407700:21230/24:00379519 - isvavai.cz</a>

Výsledek na webu

<a href="https://doi.org/10.1109/VTC2024-Fall63153.2024.10757811" target="_blank" >https://doi.org/10.1109/VTC2024-Fall63153.2024.10757811</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.1109/VTC2024-Fall63153.2024.10757811" target="_blank" >10.1109/VTC2024-Fall63153.2024.10757811</a>

Jazyk výsledku

angličtina

Název v původním jazyce

Optimizing Prediction Time and Accuracy of Users' Regular/Irregular Grouping Using ML Classification

Popis výsledku v původním jazyce

Utilization of Artificial Intelligence in mobile networks has seen significant growth in the last decade. It spans from mobile phone applications to various aspects of mobile network operations, including planning and optimization. Understanding and modeling users' mobility patterns enhance mobility-based operations such as handover, scheduling, paging, and caching. In the literature, numerous models exist for grouping users' mobility patterns in mobile networks based on their regularity. In our paper, we employ machine learning techniques to achieve this task, prioritizing low prediction time and high accuracy.

Název v anglickém jazyce

Optimizing Prediction Time and Accuracy of Users' Regular/Irregular Grouping Using ML Classification

Popis výsledku anglicky

Utilization of Artificial Intelligence in mobile networks has seen significant growth in the last decade. It spans from mobile phone applications to various aspects of mobile network operations, including planning and optimization. Understanding and modeling users' mobility patterns enhance mobility-based operations such as handover, scheduling, paging, and caching. In the literature, numerous models exist for grouping users' mobility patterns in mobile networks based on their regularity. In our paper, we employ machine learning techniques to achieve this task, prioritizing low prediction time and high accuracy.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

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

100th IEEE Vehicular Technology Conference, VTC 2024-Fall

ISBN

9798331517786

ISSN

1550-2252

e-ISSN

1550-2252

Počet stran výsledku

5

Strana od-do

1-5

Název nakladatele

Institute of Electrical and Electronics Engineers

Místo vydání

—

Místo konání akce

Washington

Datum konání akce

7. 10. 2024

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—