Nghiên cứu dữ liệu không gian phát triển trạm bts 5g

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - PHẠM TRIỀU DƯƠNG NGHIÊN CỨU DỮ LIỆU KHÔNG GIAN PHÁT TRIỂN TRẠM BTS 5G ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) TP HỒ CHÍ MINH – NĂM 2023 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG PHẠM TRIỀU DƯƠNG NGHIÊN CỨU DỮ LIỆU KHÔNG GIAN PHÁT TRIỂN TRẠM BTS 5G Chuyên ngành: Hệ thống thông tin Mã số: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS HUỲNH TRỌNG THƯA TP.HỒ CHÍ MINH – NĂM 2023 i LỜI CAM ĐOAN Tôi cam đoan đề án tốt nghiệp thạc sĩ: “NGHIÊN CỨU DỮ LIỆU KHÔNG GIAN PHÁT TRIỂN TRẠM BTS 5G” cơng trình nghiên cứu tơi Tơi cam đoan số liệu, kết nêu đề án trung thực chưa cơng bố cơng trình khác Khơng có sản phẩm/nghiên cứu người khác sử dụng đề án mà không trích dẫn theo quy định TP Hồ Chí Minh, ngày 18 tháng 08 năm 2023 Học viên thực đề án Phạm Triều Dương ii LỜI CẢM ƠN Trong suốt trình học tập nghiên cứu thực đề án tốt nghiệp thạc sĩ, nỗ lực thân, nhận hướng dẫn nhiệt tình q báu q Thầy Cơ, với động viên ủng hộ gia đình, bạn bè đồng nghiệp Với lịng kính trọng biết ơn sâu sắc, xin gửi lời cảm ơn chân thành tới: Tôi xin chân thành cảm ơn Thầy TS Huỳnh Trọng Thưa, người thầy kính u hết lịng giúp đỡ, hướng dẫn, động viên, tạo điều kiện cho suốt q trình thực hồn thành đề án tốt nghiệp thạc sĩ Ban Giám Đốc, Phòng đào tạo sau đại học quý Thầy Cô tạo điều kiện thuận lợi giúp tơi hồn thành đề án Tơi xin chân thành cảm ơn gia đình, bạn bè, đồng nghiệp quan động viên, hỗ trợ tơi lúc khó khăn để tơi học tập hoàn thành đề án Mặc dù có nhiều cố gắng, nỗ lực, thời gian kinh nghiệm nghiên cứu khoa học hạn chế nên khơng thể tránh khỏi thiếu sót Tơi mong nhận góp ý q Thầy Cơ bạn bè đồng nghiệp để kiến thức ngày hoàn thiện Xin chân thành cảm ơn! TP Hồ Chí Minh, ngày 18 tháng 08 năm 2023 Học viên thực đề án Phạm Triều Dương iii DANH SÁCH HÌNH VẼ Hình 1.1:Các mốc thời gian lộ trình phát triển 5G Việt Nam Hình 1.2:Ví dụ ảnh vector Hình 1.3:Ví dụ ảnh raster Hình 1.4:Ví dụ phân tích liệu khơng gian trực quan hóa chúng 11 Hình 1.5:Ví dụ ứng dụng học máy để tách lớp 12 Hình 1.6:Ví dụ sử dụng SVM để phân lớp ảnh raster 13 Hình 1.7:Ví dụ phân cụm theo khơng gian 14 Hình 3.1:Biểu đồ heatmap Hệ số tương quan Pearson 26 Hình 3.2:Thống kê mơ tả liệu kiểu số 26 Hình 3.3:Biểu đồ phân bổ theo biến 28 Hình 3.4:Biểu đồ phân bổ trạm BTS theo huyện 29 Hình 3.5:Biểu đồ phân bổ trạm BTS theo xã/phường/TP 30 Hình 3.6:Biểu đồ cột trường liệu kiểu số 31 Hình 3.7:Biểu đồ phân bố thiết bị 2G 31 Hình 3.8:Biểu đồ phân bố thiết bị 3G 32 Hình 3.9:Biểu đồ phân bố thiết bị 4G 32 Hình 3.10:Biểu đồ phân bố thiết bị 5G 33 Hình 4.1:Bản đồ tỉnh Tây Ninh theo hành Huyện/TX/TP 35 Hình 4.2:Bản đồ tỉnh Tây Ninh theo hành chánh phường xã 36 Hình 4.3:Bảng phân bổ trạm BTS theo tổng lưu lượng 37 Hình 4.4:Bản đồ phân bổ trạm BTS theo tổng lưu lượng với không gian phường xã 38 Hình 4.5:Bản đồ phân bổ trạm BTS theo tổng lưu lượng theo vị trí khu vực 38 Hình 4.6:Phân bổ trạm BTS theo số lượng thiết bị 2G 39 Hình 4.7:Phân bổ trạm BTS theo số lượng thiết bị 3G 40 Hình 4.8:Phân bổ trạm BTS theo số lượng thiết bị 4G 40 Hình 4.9:Phân bổ trạm BTS theo số lượng thiết bị 5G 41 iv Hình 10 Dự đốn khu vực phát triển trạm BTS 5G 51 Hình 4.11:Trang Dashboard ứng dụng 53 Hình 4.12:Trang vị trí trạm BTS 54 Hình 4.13:Trang trạm BTS với thơng số 56 Hình 14 Trang dự báo phát triển trạm theo lưu lượng GIS 58 v DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT VIẾT TẮT TIẾNG ANH TIẾNG VIỆT BTS Trạm trạm thu phát sóng 2G Base Transceiver Station Geographic Information System 2nd Generation 3G 3rd Generation hệ thứ 4G 4th Generation hệ thứ 5G hệ thứ LTE 5th Generation Long Term Evolution RMSE Root Mean Squared Erorr gốc MSE Mean Squared Erorr sai số bình phương trung bình CDR Cell Downtime Rate CQI Channel Quality Indicator GIS Hệ thống Thông tin Địa lý hệ thứ Lỗi trung bình bình phương vi MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii DANH SÁCH HÌNH VẼ iii DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT v MỤC LỤC vi PHẦN MỞ ĐẦU 1 Tính cấp thiết đề tài Tình hình nghiên cứu liên quan đến đề tài Mục tiêu, ý nghĩa khoa học thực tiễn Đối tượng phạm vi nghiên cứu 4.1 Đối tượng nghiên cứu 4.2 Phạm vi nghiên cứu Phương pháp nghiên cứu 5.1 Phương pháp nghiên cứu lý thuyết 5.2 Phương pháp nghiên cứu thực nghiệm Bố cục đề án CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN VỀ TRẠM BTS 5G VÀ KHÔNG GIAN PHÁT TRIỂN 1.1 Tổng quan trạm BTS 5G 1.1.1 Tổng quan trạm BTS 5G Việt Nam 1.1.2 Tình hình 5G Việt Nam [5] 1.2 Tổng quan liệu không gian (Spatial Data) 1.3 Tổng quan học máy với liệu không gian 10 CHƯƠNG 2: CÁC CƠNG TRÌNH LIÊN QUAN 14 2.1 Các cơng trình liên quan giới 14 2.2 Các cơng trình liên quan Việt Nam 21 vii CHƯƠNG 3: MƠ HÌNH ĐỀ XUẤT DỰ BÁO KHƠNG GIAN PHÁT TRIỂN TRẠM BTS THEO LƯU LƯỢNG 23 3.1 Thiết kế mơ hình 23 3.2 Bộ liệu toán 24 3.3 Phương pháp đánh giá 33 CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ 35 4.1 Phân tích liệu với GIS 35 4.2 Huấn luyện kiểm thử mơ hình 42 4.3 Kết thảo luận 49 4.4 Dự đoán vùng xây dựng BTS 5G 51 4.5 Ứng dụng demo 53 PHẦN KẾT LUẬN 59 Kết nghiên cứu đề tài 59 Hạn chế đề tài 60 Vấn đề kiến nghị hướng nghiên cứu: 61 DANH MỤC TÀI LIỆU THAM KHẢO 62 PHẦN MỞ ĐẦU Tính cấp thiết đề tài Hiện nay, vấn đề quản lý phát triển trạm BTS nội dung đặc biệt quan trọng hệ thống thông tin di động Với phát triển mạnh mẽ công nghệ thông tin, năm gần đây, công nghệ thông tin tích cực nghiên cứu ứng dụng quản lý hạ tầng bưu viễn thơng nói chung hạ tầng trạm BTS nói riêng thay cho việc quản lý, tổng hợp, báo cáo thủ công giấy theo truyền thông, đặc biệt gần ứng dụng hệ thống thơng tin địa lý GIS Dự đốn vùng không gian phù hợp cho việc phát triển trạm thu, phát sóng thơng tin di động (BTS) đóng vai trò quan trọng quy hoạch quản lý chiến lược phát triển hệ thống BTS Sử dụng hệ thống thơng tin địa lý (GIS) để số hóa quy hoạch phát triển hạ tầng viễn thơng động số hóa liệu trạm thu, phát sóng thơng tin di động từ tất doanh nghiệp di động toàn quốc, cung cấp hỗ trợ cho việc quản lý mạng lưới thông tin di động nhà nước tăng cường hiệu quản lý Tăng cường khả truy cập Internet với tiến cơng nghệ tiên tiến trí tuệ nhân tạo, Internet of Things (IoT) tự động hóa tạo đà cho tăng trưởng vượt bậc lượng liệu tạo Việc sản sinh liệu tăng lên với tốc độ kinh khủng, dự kiến thập kỷ tới, lượng liệu tăng thêm hàng trăm zettabyte Hạ tầng di động không thiết kế để đáp ứng tải lượng thông tin lớn vậy, đó, yêu cầu nâng cấp cần thiết Đồng thời, 5G với tốc độ nhanh, khả chứa đựng lượng lớn liệu độ trễ thấp, hỗ trợ thúc đẩy triển khai ứng dụng đa dạng Với kết nối đám mây, 5G hỗ trợ việc kiểm sốt giao thông, giao hàng máy bay không người lái, trò chuyện video chất lượng cao trò chơi di động với trải nghiệm giống máy chơi game, di chuyển 5G mang lại lợi ích ứng dụng vô tận, từ giao dịch toán quốc tế, giáo dục từ xa, đến linh hoạt lực 50 Std 0.05 Tuy nhiên, để đánh giá độ xác phù hợp mơ hình cách tồn diện, cần phải xem xét thêm yếu tố khác ngữ cảnh, mục tiêu liệu sử dụng để huấn luyện mơ hình Với mơ hình Decision Tree Regression: Trong trường hợp này, giá trị RMSE Mean 2.39 Giá trị RMSE Mean thấp, mơ hình xác So với mơ hình Linear Regression câu trước, giá trị RMSE Mean mơ hình Decision Tree Regression cao (2.39 so với 1.86) Điều cho thấy mơ hình Decision Tree Regression có độ xác so với mơ hình Linear Regression Giá trị Std 0.08 Giá trị Std thấp, liệu gần với giá trị trung bình Khi giá trị Std 0.08, kết luận liệu dự báo có biến động nhỏ ổn định, tương tự mơ hình Linear Regression Như mơ hình Decision Tree Regression có độ xác thấp so với mơ hình Linear Regression, với giá trị RMSE Mean 2.39 Tuy nhiên, liệu dự báo mơ hình có biến động nhỏ ổn định, thể qua giá trị Std 0.08 Để đánh giá độ xác phù hợp mơ hình cách toàn diện, cần phải xem xét thêm yếu tố khác ngữ cảnh, mục tiêu liệu sử dụng để huấn luyện mơ hình Với mơ hình Random Forest Regressor: Trong trường hợp này, giá trị RMSE Mean 1.77 Giá trị RMSE Mean thấp, mơ hình xác So với hai mơ hình Linear Regression Decision Tree Regression câu trước, giá trị RMSE Mean mơ hình Random Forest Regressor thấp (1.77 so với 1.86 2.39) Điều cho thấy mơ hình Random Forest Regressor có độ xác tốt hai mơ hình trước Trong trường hợp này, giá trị Std 0.06 Giá trị Std thấp, liệu gần với giá trị trung bình Khi giá trị Std 0.06, kết luận liệu dự báo có biến động nhỏ ổn định, tương tự hai mơ hình trước Tóm lại, mơ hình Random Forest Regressor có độ xác tốt số ba mơ hình, với giá trị RMSE Mean 1.77 Dữ liệu dự báo mơ hình có biến động nhỏ ổn định, thể qua giá trị Std 0.06 Điều cho thấy 51 mơ hình Random Forest Regressor phù hợp xác để dự báo lưu lượng theo không gian trạm BTS Tuy nhiên, cần lưu ý việc đánh giá mơ hình phụ thuộc vào ngữ cảnh mục tiêu dự án, liệu huấn luyện sử dụng 4.4 Dự đoán vùng xây dựng BTS 5G Hình 10 Dự đốn khu vực phát triển trạm BTS 5G Với kết mơ hình học máy:  Mơ hình Linear Regression mơ hình đơn giản hiệu quả, sử dụng để dự báo giá trị liên tục Trong nghiên cứu này, mơ hình Linear Regression dự báo xác vùng tập trung lưu lượng cao với độ xác khoảng 80%  Mơ hình Decision Tree Regression mơ hình phức tạp hơn, sử dụng để dự báo giá trị rời rạc Trong nghiên cứu này, mô hình 52 Decision Tree Regression dự báo xác vùng tập trung lưu lượng cao với độ xác khoảng 90%  Mơ hình Random Forest Regressor mơ hình kết hợp, sử dụng nhiều mơ hình Decision Tree Regression để đưa dự báo Trong nghiên cứu này, mơ hình Random Forest Regressor dự báo xác vùng tập trung lưu lượng cao với độ xác cao nhất, khoảng 95% Kết nghiên cứu cho thấy mơ hình học máy sử dụng hiệu để dự báo vùng tập trung lưu lượng cao Việc xây dựng thêm trạm BTS 5G khu vực giúp cải thiện chất lượng dịch vụ mạng 5G, đáp ứng nhu cầu sử dụng ngày cao người dân Đồng thời, việc góp phần thúc đẩy phát triển kinh tế - xã hội khu vực Dự báo vùng tập trung lưu lượng cao mơ hình học máy phương pháp hiệu để xác định vị trí cần xây dựng thêm trạm BTS 5G Kết cho thấy ba mơ hình dự báo xác vùng tập trung lưu lượng cao, từ đề xuất xây dựng thêm trạm BTS 5G khu vực sau:  Dương Minh Châu: trạm  Tân Châu: trạm  Gò Dầu: trạm  Trảng Bàng: trạm  Châu Thành: trạm Việc xây dựng thêm trạm BTS 5G khu vực giúp cải thiện chất lượng dịch vụ mạng 5G, đáp ứng nhu cầu sử dụng ngày cao người dân Đồng thời, việc góp phần thúc đẩy phát triển kinh tế - xã hội khu vực 53 4.5 Ứng dụng demo Hình 4.111:Trang Dashboard ứng dụng Như hình 4.10 Dashboard ứng dụng dự báo không gian phát triển trạm BTS có nhiệm vụ hiển thị thơng tin tổng quan số liệu chi tiết trạm BTS hệ thống Dưới gợi ý yếu tố chức có trang Dashboard này:  Tổng quan số trạm 2G, 3G, 4G, 5G: Trang Dashboard hiển thị số lượng trạm BTS mạng 2G, 3G, 4G 5G Điều cung cấp nhìn tổng quan phân phối phát triển công nghệ mạng di động không gian nghiên cứu  Tổng quan lưu lượng thuê bao vùng: Trang Dashboard cung cấp thông tin tổng lưu lượng liệu số lượng thuê bao vùng xác định Điều giúp người dùng hiểu mức độ sử dụng tải trọng mạng khu vực 54  Các số liệu real-time cho trạm BTS: Trang Dashboard cung cấp số liệu real-time trạng thái hoạt động trạm BTS Điều bao gồm thông tin công suất phát sóng, chất lượng tín hiệu, tải trọng mạng, số lượng thuê bao kết nối thông số khác liên quan đến hoạt động trạm BTS Các số liệu giúp người dùng theo dõi kiểm soát hiệu suất trạm BTS cách xác nhanh chóng Ngồi ra, trang Dashboard cung cấp biểu đồ, đồ thị đồ tương tác để trực quan hóa thơng tin xu hướng phát triển mạng trạm BTS Nhìn chung, trang Dashboard giúp người dùng có nhìn tổng quan chi tiết mạng trạm BTS, từ hỗ trợ việc quản lý, theo dõi đưa định hợp lý phát triển tối ưu hóa hệ thống mạng di động Hình 4.122:Trang vị trí trạm BTS Trang chức "Vị trí trạm BTS" ứng dụng dự báo không gian phát triển trạm BTS có nhiệm vụ hiển thị thơng tin vị trí phân bố trạm BTS 55 đồ Dưới gợi ý yếu tố chức có trang này:  Bản đồ vị trí trạm 2G, 3G, 4G, 5G: Trang cung cấp đồ tương tác hiển thị vị trí trạm BTS mạng 2G, 3G, 4G 5G Các biểu tượng đánh dấu đồ cho biết vị trí trạm BTS Điều giúp người dùng có nhìn trực quan phân bố phủ sóng công nghệ mạng di động không gian nghiên cứu  Biểu đồ theo huyện, xã số lượng trạm: Trang cung cấp biểu đồ đồ thị thống kê số lượng trạm BTS huyện, xã khu vực cụ thể Điều giúp người dùng có nhìn chi tiết phân phối mật độ trạm BTS khu vực địa lý khác  Thể lưu lượng qua trạm đồ GIS dự báo khu vực có lưu lượng: Trang cho phép người dùng xem lưu lượng thông qua trạm BTS đồ GIS Người dùng nhập thơng số yêu cầu dự báo lưu lượng cho khu vực cụ thể, ứng dụng thể lưu lượng dự báo đồ Điều giúp người dùng đánh giá tiềm lưu lượng khu vực đưa định liên quan đến phát triển tối ưu hóa mạng trạm BTS Ngồi ra, trang tích hợp cơng cụ tìm kiếm, lọc liệu hiển thị thông tin chi tiết trạm BTS người dùng tương tác đồ Các tính đo khoảng cách, tìm kiếm theo tên trạm khu vực cung cấp để tăng tính tiện ích trang Tóm lại, trang chức "Vị trí trạm BTS" giúp người dùng có nhìn tồn cảnh chi tiết phân bố vị trí trạm BTS hệ thống Nó cung cấp thơng tin quan trọng để định hình chiến lược phát triển mạng đưa định quan trọng liên quan đến tối ưu hóa mở rộng hệ thống trạm BTS 56 Hình 4.133:Trang trạm BTS với thơng số Như hình 4.12 chức "Chi tiết thông số trạm BTS" ứng dụng dự báo không gian phát triển trạm BTS cung cấp thông tin chi tiết tham số quan trọng trạm BTS hệ thống Dưới gợi ý giải thích thơng số chức có trang này:  Long, Lat (tọa độ vị trí): Thơng tin tọa độ địa lý (kinh độ vĩ độ) trạm BTS Điều giúp người dùng xác định vị trí xác trạm phân tích phân bố địa lý hệ thống trạm BTS  Total_Traffic (tổng lưu lượng): Thông tin tổng lưu lượng liệu đo lường thông qua trạm BTS khoảng thời gian, ví dụ Điều giúp người dùng đánh giá tải trọng mạng sử dụng liệu để phân tích, dự báo quản lý lưu lượng mạng  User_throughput (thông lượng người dùng): Thơng tin thơng lượng trung bình (tốc độ download / upload) người dùng thông qua trạm BTS khoảng thời gian Thông số cung cấp nhìn hiệu suất mạng trải nghiệm người dùng  2G, 3G, 4G, 5G: Số lượng thiết bị đầu cuối sử dụng công nghệ mạng 2G, 3G, 4G 5G thông qua trạm BTS khoảng thời gian Điều giúp người dùng hiểu phân phối sử dụng công nghệ mạng khác  Percent_Rank1 (phần trăm thuê bao không đạt tốc độ trung bình): Thơng tin phần trăm th bao khơng đạt tốc độ trung bình thơng qua trạm BTS Điều giúp đánh giá chất lượng dịch vụ mạng xác định vấn đề hiệu suất mạng 57  CDR (Cell downtime rate - tỉ lệ rớt mạng trạm BTS): Thông tin tỉ lệ rớt mạng (thời gian kết nối) trạm BTS Điều giúp người dùng đánh giá quản lý chất lượng tin cậy mạng  HO_PREP_IN_ATT (tổng số HO_PREP_IN_ATT): Thông tin tổng số lần chuẩn bị trao đổi (handover) trình hoạt động trạm BTS Thơng số liên quan đến việc quản lý tối ưu hóa trình chuyển đổi trạm  AVG_CQI (trung bình CQI): Thông tin số CQI (Channel Quality Indicator) trung bình cell trạm BTS CQI đánh giá chất lượng kênh liên lạc ảnh hưởng đến hiệu suất trải nghiệm người dùng Trang chức "Chi tiết thông số trạm BTS" cung cấp thông số cụ thể hiệu suất, chất lượng sử dụng mạng trạm BTS Điều giúp người dùng hiểu rõ trạng thái hoạt động trạm BTS hệ thống hỗ trợ việc đưa định liên quan đến phát triển, tối ưu hóa quản lý mạng trạm BTS 58 Hình 144 Trang dự báo phát triển trạm theo lưu lượng GIS Hình 4.13 giao diện hiển thị dự báo phát triển thao lưu lượng GIS có nội dung sau:  Trang web cung cấp thông tin lưu lượng liệu qua trạm BTS đồ GIS tỉnh Tây Ninh, nhằm phát triển mạng 5G Điều hữu ích để định hướng quản lý phát triển mạng di động khu vực  Dự báo lưu lượng tăng mạnh trung tâm TP Tây Ninh, Hòa Thành, Trảng Bàng, cho thấy xác khả thi cơng nghệ dự báo sử dụng trang web 59 Ứng dựng dự báo lưu lượng tăng mạnh trung tâm khu vực đề cập triển khai trạm 5G ưu tiên tập trung Huyện/TP như: (TP Tây Ninh, Hòa Thành, Trảng Bàng, Gị Dầu, Tân Châu) Thơng tin cung cấp nhìn tổng quan phát triển theo lưu lượng giúp định liên quan đến phát triển mạng 5G trở nên hiệu Sử dụng công nghệ GIS để hiển thị thông tin lưu lượng liệu đồ giúp trang web trở nên trực quan dễ sử dụng có nhìn tổng quan chi tiết dự báo lưu lượng Nhìn chung, trang web hiển thị dự báo phát triển thao lưu lượng GIS có cung cấp thơng tin hữu ích trực quan lưu lượng liệu qua trạm BTS tỉnh Tây Ninh Bên cạnh đó, đề án cịn đề xuất phát triển tích hợp hướng phát triển tương lai ứng dụng:  Cung cấp thông tin chi tiết phương pháp dự báo lưu lượng, bao gồm thuật tốn, mơ hình liệu sử dụng Điều giúp người dùng hiểu rõ độ tin cậy dự báo  Cung cấp biểu đồ, biểu đồ thống kê số liệu để minh họa rõ ràng xu hướng mơ hình phát triển thao lưu lượng Điều giúp người dùng dễ dàng phân tích thơng tin  Bổ sung tính tương tác, cho phép người dùng tương tác với đồ xem thông tin chi tiết trạm BTS lưu lượng liệu PHẦN KẾT LUẬN Kết nghiên cứu đề tài Dựa thông số RMSE Mean Std ba mơ hình (Linear Regression, Decision Tree Regression Random Forest Regressor), đưa kết luận sau: Mơ hình Random Forest Regressor có độ xác tốt số ba mơ hình Với giá trị RMSE Mean 1.77, thấp so với mơ hình Linear Regression 60 (RMSE Mean = 1.86) mơ hình Decision Tree Regression (RMSE Mean = 2.39) Điều cho thấy Random Forest Regressor có khả dự báo lưu lượng tốt có độ xác cao Cả ba mơ hình có giá trị Std xấp xỉ với giá trị 0.05 ~ 0.08 Điều cho thấy liệu dự báo từ mơ hình có biến động nhỏ ổn định Mơ hình Linear Regression, Decision Tree Regression Random Forest Regressor cho thấy khả ổn định việc dự báo lưu lượng Tổng quan, mơ hình Random Forest Regressor đánh giá mơ hình tốt số ba mơ hình xem xét, với độ xác cao khả dự báo tốt Tuy nhiên, để đưa kết luận cuối mơ hình phù hợp nhất, cần xem xét thêm yếu tố khác độ phức tạp mơ hình, thời gian huấn luyện u cầu tài ngun tính tốn Hạn chế đề tài Cần quan sát nhiều hơn, nhiều biến để tổ hợp không gian tốt Mơ hình Linear Regression có cấu trúc đơn giản khơng thể mơ hình hố mối quan hệ phức tạp liệu, dẫn đến mát thông tin quan trọng giảm độ xác Decision Tree Regression dể dẫn đến Overfitting áp dụng cho tập liệu lớn phức tạp Điều xảy định có chiều sâu lớn phức tạp, dẫn đến việc "nhớ" nhiều chi tiết tập huấn luyện tổng quát hóa tốt cho quan sát Decision Tree Regression tạo định khác liệu đầu vào thay đổi nhỏ Điều dẫn đến khơng ổn định dự báo khả tái sử dụng mơ hình Random Forest Regressor yêu cầu thời gian huấn luyện lâu so với mơ hình đơn giản Với tập liệu gồm 600 quan sát từ 600 trạm BTS, việc xây dựng huấn luyện số lượng lớn định Random Forest thời gian đáng kể Ngồi Random Forest Regressor có cấu trúc phức tạp với nhiều định, dẫn đến việc khó hiểu giải thích kết Điều hạn chế yêu cầu giải thích rõ ràng dễ hiểu cho mơ hình dự báo 61 Vấn đề kiến nghị hướng nghiên cứu: Với hạn chế bên trên, Đề án mở vài hướng nghiên cứu cụ thể:  Sử dụng mô hình kết hợp: Thay sử dụng mơ hình đơn lẻ, xem xét sử dụng mơ hình kết hợp mơ hình kết hợp (ensemble) nhiều mơ Random Forest, Gradient Boosting XGBoost Việc kết hợp nhiều mơ hình cải thiện độ xác khả dự báo  Thu thập liệu mở rộng: Để cải thiện độ xác mơ hình, nên xem xét việc thu thập thêm liệu, đặc biệt biến đầu vào có liên quan đến lưu lượng khơng gian trạm BTS Các thông tin bổ sung thông tin mật độ dân số, độ phủ sóng, đặc điểm địa lý, thơng tin khách hàng giúp cải thiện dự báo  Tính đến yếu tố thời gian: Nếu có sẵn, xem xét sử dụng liệu thời gian để phân tích xu hướng mơ hình hóa biến đổi theo thời gian lưu lượng trạm BTS Việc cung cấp thông tin quan trọng phát triển lưu lượng theo thời gian giúp cải thiện dự báo  Đánh giá cải thiện mơ hình: Thực việc đánh giá chất lượng hiệu suất mơ hình dự báo cách sử dụng phép đo khác RMSE, R-squared, hay MAE Nếu mơ hình chưa đạt độ xác mong muốn, thử nghiệm tinh chỉnh thơng số mơ hình xem lại liệu 62 DANH MỤC TÀI LIỆU THAM KHẢO [1] A Zola and M Fontecchio, “Spatial data,” Data Management, 02-Jun-2021 [Online] https://www.techtarget.com/searchdatamanagement/definition/spatial-data [Accessed: 31-May-2023] [2] A Basiri, M Haklay, G Foody, and P Mooney, “Crowdsourced geospatial data quality: challenges and future directions,” Geogr Inf Syst., vol 33, no 8, pp 1588–1593, 2019 [3] “Definition of base transceiver station (BTS) - Gartner information technology glossary,” https://www.gartner.com/en/information-technology/glossary/bts-basetransceiver-station [Accessed: 10-Jan-2023] [4] Amazon.com [Online] Available: https://aws.amazon.com/vi/what-is/5g/ [Accessed: 10-Jan-2023] [5] N L M Trang, “Mạng 5G gì? Có ưu điểm so với 4G?,” Dienmayxanh.com, https://www.dienmayxanh.com/kinh-nghiem-hay/mang-5g-la-gi-co-nhunguu-diem-gi-so-voi-4g-1135758 [Accessed: 10-Jan-2023] [6] A Zola and M Fontecchio, “Spatial data,” Data Management, 02-Jun-2021 [Online] https://www.techtarget.com/searchdatamanagement/definition/spatial-data [Accessed: 10-Jan-2023] [7] “What is spatial data? The basics and GIS examples,” Safe Software [Online] Available: https://www.safe.com/what-is/spatial-data/ [Accessed: 10-Jan2023] [8] Rendyk, “Introducing Machine Learning for spatial data analysis,” Analytics Vidhya, https://www.analyticsvidhya.com/blog/2021/03/introducing-machinelearning-for-spatial-data-analysis/ [Accessed: 10-Jan-2023] [9] J Kiema and E Munene, “Optimizing the Location of Base Transceiver Stations in Mobile Communication Network Design: Case study of the Nairobi Central Business District, Kenya,” in International Journal of Scientific Research, 2014 [10] S Tayal, K Garg, and S V Vijay, “SITE SUITABILITY ANALYSIS FOR LOCATING OPTIMAL MOBILE TOWERS IN UTTARAKHAND USING GIS,” in ACRS Proceedings, 2018 63 [11] Nizamuddin, R P F Afidh, Ardiansyah, H Sofyan, and N Anisah, “Spatial analysis for calculating closest distance of operators’ location to Base Transceiver Station (BTS) in Banda Aceh city,” IOP Conf Ser Mater Sci Eng., vol 796, no 1, p 012031, 2020 [12] K Shittu, M L Marcellinus, P O Ibe, and P I Aigbedion, “Spatial distribution of telecommunication Base station in Ilorin South Local Government area of Kwara State, Nigeria using GIS,” J Remote Sens GIS, vol 10, no 8, pp 1–6, 2021 [13] B Nikparvar and J.-C Thill, “Machine learning of spatial data,” ISPRS Int J Geoinf., vol 10, no 9, p 600, 2021 [14] A W Kiwelekar, G S Mahamunkar, L D Netak, and V B Nikam, “Deep learning techniques for geospatial data analysis,” in Learning and Analytics in Intelligent Systems, Cham: Springer International Publishing, 2020 [15] K Kopczewska, “Spatial machine learning: new opportunities for regional science,” Ann Reg Sci., vol 68, no 3, pp 713–755, 2022 [16] References Ajibola, T M., Sarajudeen-Bakinde, N T., & Amuda, S A Y (2015) Development of base transceiver station selection algorithm for collocation arrangement Nigerian Journal of Technology, 34(3), 538 https://doi.org/10.4314/njt.v34i3.16 [17] Doumanis, E., Goussetis, G., Vuorio, J., Hautio, K., Amper, O., Kuusmik, E., & Pallonen, J (2021) Tunable Filters for Agile 5G New Radio Base Transceiver Stations [Application Notes] IEEE Microwave Magazine, 22(11), 26–37 https://doi.org/10.1109/mmm.2021.3102200 [18] Gu, X., Zhu, M., & Zhuang, L (2021a) Highly efficient spatial-temporal correlation basis for 5G IoT networks Sensors (Basel, Switzerland), 21(20), 6899 https://doi.org/10.3390/s21206899 [19] Gu, X., Zhu, M., & Zhuang, L (2021b) Spatial-temporal basis of sensory data for 5G internet of things networks 2021 IEEE 5th Information Technology, Networking, Electronic and Automation Control Conference (ITNEC) [20] Gupta, A., Ghanshala, K., & Joshi, R C (2021) Machine learning classifier approach with Gaussian process, ensemble boosted trees, SVM, and linear regression for 5G signal coverage mapping International Journal of Interactive Multimedia and Artificial Intelligence, 6(6), 156 https://doi.org/10.9781/ijimai.2021.03.004 64 [21] Morocho-Cayamcela, M E., Lee, H., & Lim, W (2019) Machine learning for 5G/B5G mobile and wireless communications: Potential, limitations, and future directions IEEE Access: Practical Innovations, Open Solutions, 7, 137184–137206 https://doi.org/10.1109/access.2019.2942390 [22] Roja, V., & D, S K (2022) Dual polarized swastika patterned slot antenna for 5G base transceiver station applications 2022 IEEE Silchar Subsection Conference [23] Ngô Phạm Việt Cường (2019), Giải pháp hỗ trợ công tác quy hoạch quản lý hệ thống BTS