Mobile Network Coverage Prediction Based on Supervised Machine Learning Algorithms التنبؤ بتغطية شبكة الهاتف المحمول بناءً على خوارزميات التعلم الآلي الخاضعة للإشراف Prévision de la couverture du réseau mobile basée sur des algorithmes d'apprentissage automatique supervisé Predicción de cobertura de red móvil basada en algoritmos de aprendizaje automático supervisado

The need for wider coverage and high-performance quality of mobile networks is critical due to the maturity of Internet penetration in today's society. One of the primary drivers of this demand is the dramatic shift toward digitalization due to the Covid-19 pandemic impact. Meanwhile, the emergence of the 5G wireless standard and the increasingly complex actual operating environment of mobile networks make the traditional prediction model less reliable. With the recent advancements and promising capabilities of machine learning (ML), it is seen as an alternative to the traditional approaches for ground to ground (G2G) mobile communication coverage prediction. In this study, various ML models have been tested and evaluated to develop an ML-based received signal strength prediction model for mobile networks. However, the challenge is to identify a practical ML model that can fulfill the computing speed criteria while still meeting the prediction accuracy. A total of six categories of ML models, namely Linear Regression (LR), Artificial Neural Network (ANN), Support Vector Machine (SVM), Regression Trees (RT), Ensembles of Trees (ET), and Gaussian Process Regression (GPR) that consists of more than 20 types of established algorithms/kernels have been tested and evaluated in this paper to identify the best contender among them, in terms of speed and accuracy. Findings from the evaluation showed that the GPR model is the most accurate model for Reference Signal Received Power (RSRP) prediction in terms of $RMSE$ and $R^{2}$ , followed by ET, RT, SVM, ANN and LR. Nevertheless, prediction speed and model training times are also important factors in determining the most practical model for RSRP prediction for several real-world mobile network planning applications. Finally, the ET model with Random Forest (RF) algorithm has been selected and highly recommended as the most practically employed ML model for developing rigorous RSRP predictions model in multi-frequency bands and multi-environment. The developed prediction model is capable of being utilized for the network analysis and optimization. تعد الحاجة إلى تغطية أوسع وجودة عالية الأداء لشبكات الهاتف المحمول أمرًا بالغ الأهمية بسبب نضج انتشار الإنترنت في مجتمع اليوم. أحد الدوافع الرئيسية لهذا الطلب هو التحول الدراماتيكي نحو الرقمنة بسبب تأثير جائحة كوفيد-19. وفي الوقت نفسه، فإن ظهور معيار 5G اللاسلكي وبيئة التشغيل الفعلية المتزايدة التعقيد لشبكات الهاتف المحمول تجعل نموذج التنبؤ التقليدي أقل موثوقية. مع التطورات الأخيرة والقدرات الواعدة للتعلم الآلي (ML)، يُنظر إليه على أنه بديل للنهج التقليدية للتنبؤ بتغطية الاتصالات المتنقلة من الأرض إلى الأرض (G2G). في هذه الدراسة، تم اختبار نماذج مختلفة لتعلم الآلة وتقييمها لتطوير نموذج التنبؤ بقوة الإشارة المستلمة القائم على تعلم الآلة لشبكات الهاتف المحمول. ومع ذلك، فإن التحدي هو تحديد نموذج عملي لتعلم الآلة يمكنه تلبية معايير سرعة الحوسبة مع الاستمرار في تلبية دقة التنبؤ. تم اختبار وتقييم ما مجموعه ست فئات من نماذج غسل الأموال، وهي الانحدار الخطي (LR)، والشبكة العصبية الاصطناعية (ANN)، وآلة ناقلات الدعم (SVM)، وأشجار الانحدار (RT)، ومجموعات الأشجار (ET)، وانحدار العملية الغاوسية (GPR) التي تتكون من أكثر من 20 نوعًا من الخوارزميات/النوى المعمول بها في هذه الورقة لتحديد أفضل المتنافسين فيما بينها، من حيث السرعة والدقة. أظهرت نتائج التقييم أن نموذج GPR هو النموذج الأكثر دقة لتنبؤات طاقة الإشارة المرجعية المستلمة (RSRP) من حيث $RMSE$ و $R^{ 2 }$، تليها ET و RT و SVM و ANN و LR. ومع ذلك، فإن سرعة التنبؤ وأوقات تدريب النموذج هي أيضًا عوامل مهمة في تحديد النموذج الأكثر عملية لتنبؤ RSRP للعديد من تطبيقات تخطيط شبكات الهاتف المحمول في العالم الحقيقي. أخيرًا، تم اختيار نموذج ET مع خوارزمية Random Forest (RF) ويوصى به بشدة كنموذج ML الأكثر استخدامًا من الناحية العملية لتطوير نموذج تنبؤات RSRP الصارم في نطاقات متعددة الترددات وبيئات متعددة. يمكن استخدام نموذج التنبؤ المطور لتحليل الشبكة وتحسينها. La nécessité d'une couverture plus large et d'une qualité de performance élevée des réseaux mobiles est essentielle en raison de la maturité de la pénétration d'Internet dans la société d'aujourd' hui. L'un des principaux moteurs de cette demande est la transition spectaculaire vers la numérisation en raison de l'impact de la pandémie de Covid-19. Pendant ce temps, l'émergence de la norme sans fil 5G et l'environnement d'exploitation réel de plus en plus complexe des réseaux mobiles rendent le modèle de prédiction traditionnel moins fiable. Avec les progrès récents et les capacités prometteuses de l'apprentissage automatique (ML), il est considéré comme une alternative aux approches traditionnelles de prédiction de la couverture des communications mobiles sol-sol (G2G). Dans cette étude, divers modèles de ML ont été testés et évalués pour développer un modèle de prédiction de l'intensité du signal reçu basé sur le ML pour les réseaux mobiles. Cependant, le défi consiste à identifier un modèle de ML pratique qui peut répondre aux critères de vitesse de calcul tout en respectant la précision de la prédiction. Au total, six catégories de modèles de ML, à savoir la régression linéaire (LR), le réseau neuronal artificiel (ANN), la machine vectorielle de support (SVM), les arbres de régression (RT), les ensembles d'arbres (ET) et la régression du processus gaussien (GPR) qui se compose de plus de 20 types d'algorithmes/noyaux établis ont été testés et évalués dans cet article pour identifier le meilleur concurrent parmi eux, en termes de vitesse et de précision. Les résultats de l'évaluation ont montré que le modèle GPR est le modèle le plus précis pour la prédiction de la puissance reçue du signal de référence (RSRP) en termes de $RMSE $ et $R^{2}$ , suivi de ET, RT, SVM, ANN et LR. Néanmoins, la vitesse de prédiction et les temps de formation des modèles sont également des facteurs importants pour déterminer le modèle le plus pratique pour la prédiction RSRP pour plusieurs applications réelles de planification de réseau mobile. Enfin, le modèle ET avec algorithme Random Forest (RF) a été sélectionné et fortement recommandé comme le modèle ML le plus utilisé dans la pratique pour développer un modèle de prédiction RSRP rigoureux dans des bandes multi-fréquences et des environnements multiples. Le modèle de prédiction développé peut être utilisé pour l'analyse et l'optimisation du réseau. La necesidad de una cobertura más amplia y una calidad de alto rendimiento de las redes móviles es fundamental debido a la madurez de la penetración de Internet en la sociedad actual. Uno de los principales impulsores de esta demanda es el cambio dramático hacia la digitalización debido al impacto de la pandemia de Covid-19. Mientras tanto, la aparición del estándar inalámbrico 5G y el entorno operativo real cada vez más complejo de las redes móviles hacen que el modelo de predicción tradicional sea menos confiable. Con los recientes avances y las prometedoras capacidades del aprendizaje automático (ML), se ve como una alternativa a los enfoques tradicionales para la predicción de cobertura de comunicación móvil tierra a tierra (G2G). En este estudio, se han probado y evaluado varios modelos de ML para desarrollar un modelo de predicción de intensidad de señal recibida basado en ML para redes móviles. Sin embargo, el desafío es identificar un modelo práctico de ML que pueda cumplir con los criterios de velocidad de cómputo sin dejar de cumplir con la precisión de la predicción. Un total de seis categorías de modelos de ML, a saber, Regresión Lineal (LR), Red Neuronal Artificial (ANN), Máquina de Vectores de Soporte (SVM), Árboles de Regresión (RT), Conjuntos de Árboles (ET) y Regresión de Procesos Gaussianos (GPR), que consta de más de 20 tipos de algoritmos/núcleos establecidos, se han probado y evaluado en este documento para identificar al mejor contendiente entre ellos, en términos de velocidad y precisión. Los hallazgos de la evaluación mostraron que el modelo GPR es el modelo más preciso para la predicción de potencia recibida de señal de referencia (RSRP) en términos de $RMSE $ y $R^{2}$, seguido de ET, RT, SVM, ANN y LR. Sin embargo, la velocidad de predicción y los tiempos de entrenamiento del modelo también son factores importantes para determinar el modelo más práctico para la predicción de RSRP para varias aplicaciones de planificación de redes móviles del mundo real. Finalmente, el modelo ET con algoritmo Random Forest (RF) ha sido seleccionado y altamente recomendado como el modelo ML más empleado en la práctica para desarrollar un modelo riguroso de predicciones RSRP en bandas multifrecuencia y multi-entorno. El modelo de predicción desarrollado puede utilizarse para el análisis y la optimización de la red.