Модель представлення та метод формування ознак потокової інформації мобільної мережі

Анотація

У статті розглянуто задачу формування узгодженого ознакового представлення потокової гетерогенної інформації, що надходить від компонентів мобільної мережі. Актуальність дослідження зумовлена асинхронністю, різною частотою дискретизації, структурною неоднорідністю, пропусками та неоднаковою якістю первинних спостережень, що ускладнює їх безпосереднє використання у моделях машинного навчання. Метою роботи є розроблення моделі представлення потокової інформації та методу формування ознакового простору, що забезпечують збереження часової і структурної специфіки окремих джерел та формування інтегрованого представлення стану мобільної мережі. Запропонована модель описує компоненти мережі, їх інформаційні потоки, індивідуальні часові шкали, розмірність первинних спостережень, оцінки якості та міжкомпонентні зв’язки без обов’язкового попереднього приведення всіх потоків до єдиної частоти дискретизації. Розроблений метод передбачає синхронізацію даних у спільних часових вікнах, статистичну агрегацію, урахування доступності, якості та свіжості спостережень, формування часових і подієвих характеристик та інтеграцію локальних ознак у вектор стану мережі сталої розмірності. Окремою особливістю методу є збереження інформації про фактичну доступність спостережень, що дозволяє не ототожнювати пропуски з реальними нульовими значеннями мережевих показників. Експериментальне дослідження проведено шляхом порівняння семи варіантів ознакового представлення за незмінного алгоритму класифікації. Отримані результати показали підвищення macro-F1 від 0,781 для найпростішого представлення до 0,928 для повного інтегрованого варіанта. Дослідження стійкості до неповноти даних засвідчило меншу деградацію якості запропонованого представлення порівняно з використанням останніх доступних значень та ресемплінгом з інтерполяцією.

Це підтверджує доцільність використання запропонованого підходу в умовах нерівномірного та неповного надходження мережевої інформації. Результати підтверджують доцільність явного врахування гетерогенності, часової динаміки, якості та доступності потокової інформації під час підготовки даних для задач машинного навчання в мобільних мережах.