Застосування алгоритмів машинного навчання для прогнозування завантаженості мережі при трансляції відеоданих

Abstract

У кваліфікаційній роботі розглянуто задачу короткострокового прогнозування пропускної здатності телекомунікаційної мережі під час відеостримінгу. Запропоновано підхід до аналізу реальних логів відеосесій із формуванням часових ознак для подальшого моделювання. Проведено порівняльний аналіз базових статистичних методів і моделей машинного навчання, зокрема Random Forest та LSTM. Показано, що використання рекурентних нейронних мереж забезпечує вищу точність прогнозування. Отримані результати можуть бути використані для вдосконалення систем адаптивного відеостримінгу та підвищення якості обслуговування користувачів.

This qualification work considers the problem of short-term bandwidth prediction in telecommunication networks during video streaming. An approach for analyzing real video session logs with temporal feature construction is proposed. A comparative analysis of baseline statistical methods and machine learning models, including Random Forest and LSTM, is conducted. The results show that recurrent neural networks provide higher prediction accuracy. The proposed approach can be used to improve adaptive video streaming systems and enhance user quality of experience.