APPRENDIMENTO MULTI-TASK E TRANSFER LEARNING PER PREDIZIONE DEL TRAFFICO MOBILE

Machine learning models require resources to train on a large dataset. Therefore, using the Transfer Learning technique to reuse the weights of a trained model on a different data-set would save time and resources. Here we try this approach for a predictive model built on data obtained by decoding the Down-Link Control Information (DCI) message carried by the Physical Down-Link Control Channel (PDCCH) of mobile networks in Barcelona, Spain. The collected data were processed to obtain useful data and obtain more significant data-sets. The predictive model used is based on a convolutional auto-encoder for feature reduction and fully connected layers for prediction. CNNs have been shown to be excellent networks for feature extraction, both for images with 2D networks and time series, with 1D networks. The final model obtained in this work shows good forecasting abilities on data sets with characteristics similar to those used for training. The final model obtained in this work shows good forecasting abilities on datasets with characteristics similar to the one used for training.

I modelli di machine learning richiedono risorse per l'addestramento su un set di dati di grandi dimensioni. Pertanto, l'utilizzo della tecnica Transfer Learning per riutilizzare i pesi di un modello addestrato su un set di dati diverso farebbe risparmiare tempo e risorse. Qui proviamo questo approccio per un modello predittivo basato sui dati ottenuti decodificando il messaggio Down-Link Control Information (DCI) trasportato dal Physical Down-Link Control Channel (PDCCH) delle reti mobili a Barcellona, ​​in Spagna. I dati raccolti sono stati elaborati per ottenere dati utili e ottenere set di dati più significativi. Il modello predittivo utilizzato si basa su un Convolutional Autoencoder per la riduzione delle caratteristiche e livelli completamente connessi per la previsione. Le CNN hanno dimostrato di essere reti eccellenti per l'estrazione di funzionalità, sia per immagini con reti 2D che per serie temporali, con reti 1D. Il modello finale ottenuto in questo lavoro mostra buone capacità di previsione su set di dati con caratteristiche simili a quelle utilizzate per la formazione. Il modello finale ottenuto in questo lavoro mostra buone capacità di previsione su dataset con caratteristiche simili a quelle utilizzate per la formazione.