Maskininlärning för 5G systemkontroll och automatisering

I jämförelse med 4G finns en uppsjö av nya applikationer för 5G, allt från traditionella effektiva bredbandskommunikationslänkar till mer strikt säkra kommunikationslänkar som är lämpliga för kritisk kommunikation i industriella applikationer eller massiv kommunikation som vanligtvis är förknippade med Internet of things.

Telecommunication mast TV antennas wireless technology with blue sky Foto iStock/12521104I detta projekt utvecklar vi lösningar för att öka autonomi av 5G näterk med syftet att förbättra nätverksprestanda, minska driftskomplexiteten och öka resiliens. Användning av probabilistiska maskininlärningsmodeller i projektet är en grund för ett optimalt beslutsfattande, särskilt för att uppfylla kraven på extrem pålitlighet där osäkerhetsinformation är avgörande.

Projektet syftar till att använda probabilistiska klassificerings- och regressionsmodeller för att garantera flexibilitet och autonomi av 5G-komponenter, och även använda spatiala och temporala modeller för att få in dynamiska aspekter såsom enhetshastighet, enhetsrörelseriktning eller dagliga / månatliga variationer av nätverkets arbetsbelastning. För att kunna autonomt anpassa sig till olika miljöförändringar och störningar syftar projektet till att integrera online learning komponenter i våra metoder.

Effektivitet och skalbarhet är utmaningar inom effektiv utveckling av autonoma 5G-miljöer, och utvecklingen av lämpliga Big Data metoder är ännu ett mål för projektet.

Forskare

Extern partner

Ericsson AB

Publikationer

Caroline Svahn, Oleg Sysoev, Mirsad Čirkić, Fredrik Gunnarsson and Joel Berglund, Inter-Frequency Radio Signal Quality Prediction for Handover, Evaluated in 3GPP LTE, 2019 IEEE 89th Vehicular Technology Conference.

Caroline Svahn and Oleg Sysoev (2022), Selective Imputation of Covariates in High Dimensional Censored Data, Journal of Computational and Graphical Statistics.

Forskning

Maskininlärning

Bayesiansk maskininlärning för spatiotemporala processer inom transport

Den snabba utvecklingen av strömmande sensorer har gjort det alltmer vanligt med spatiotemporala data. I det här projektet utvecklar vi sannolikhetsmodeller för spatiotemporala data med tillämpningar inom transportproblem.

Nya metoder för att knyta samman probabilistiska modeller och djup maskininlärning

Probabilistiska modeller och djupinlärning är två framgångsrika tekniker som används inom maskininlärning. För att kunna dra nytta av styrkorna hos båda teknikerna ämnar vi att utveckla nya metoder och teorier för att överbygga klyftan dem emellan.

WASP

WASP Maskininlärning

Inom statistik och maskininlärning utvecklar vi de metoder som används när autonoma system lär sig från data. Vår forskning fokuserar på sannolikhetsmodellering och effektiva algoritmer för lärande, prediktion och beslutsfattande under osäkerhet.

WASP - Wallenberg AI, Autonomous Systems and Software Program

Den fjärde industriella revolutionen är här när automation övergår i autonomi. LiU har framstående forskning inom flera av de områden som är centrala inom Wallenberg AI Autonomous Systems and Software Program, WASP.