sibsutisВестник СибГУТИThe Herald of the Siberian State University of Telecommunications and Information Science1998-6920СибГУТИ10.55648/1998-6920-2022-16-4-69-79sibsutis-582Research ArticleСтатьиК вопросу о подготовке данных при разработке модели нейронной сетиData preparation for a neural network modelЖанаеваС. Б.ZhanayevaS. B.

 Жанаева Сауле Бактыкереевна аспирант специальности 09.06.01, кафедра прикладной математики и кибернетики

630102, Новосибирск, ул. Кирова, 86

 Saule B. Zhanayeva, Postgraduate student, Siberian 

Novosibirsk

szhanayeva@gmail.comСибГУТИРоссияState University of Telecommunications and Information Science (SibSUTIS)Russian Federation2022040120231646979Copyright © Жанаева С.Б., 20232023Жанаева С.Б.Zhanayeva S.B.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://vestnik.sibsutis.ru/jour/article/view/582

Одной из особенностей работы операторов мобильной сети передачи данных является необходимость в постоянном мониторинге и обслуживании оборудования и каналов связи. Происходящие сбои в работе оборудования увеличивают стоимость эксплуатации и уменьшают лояльность клиентов. Возможность заблаговременного предсказания сбоев в работе сети послужило бы отличным решением для мобильных операторов. В текущей статье рассматривается вопрос предварительной подготовки собранных данных о работе мобильной сети оператора связи 4G+ для дальнейшего использования при разработке нейронной модели для предсказания сбоев. Приведены результаты проведенного анализа собранных данных, показаны характеристики, состав и структура данных, особенности которых в дальнейшем могут повлиять на обучение нейронной модели.

One of the features of the mobile data network operators is the need for continuous monitoring and maintenance of equipment and communication channels. The equipment failures that sometimes occur increase the cost of operation and reduce customer loyalty. The ability to predict network malfunctions in advance would be a great solution for mobile operators. The paper discusses the issue of preliminary data preparation of 4G+ mobile network for further use in the development of a neural network model for predicting malfunctions. The results of the analysis of the collected data are presented, the characteristics, composition and data structure that may affect the training of the neural network model later are shown.

подготовка данных для нейронной моделистатистический анализ данныхмобильные сетисбои в работе оборудованияdata preparation for neural networkstatistical data analyticsmobile networksequipment malfunctionsReferencesBrink H., Richards J. W., Fetherolf M. Real world Machine Learning. US: Manning Publications Co., 2017. 266 p.Brink H., Richards J. W., Fetherolf M. Real world Machine Learning. US, Manning Publications Co., 2017. 266 p.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Springer Series in Statistics / 2nd Edition. NY: Springer, 2017. 764 p.Hastie T., Tibshirani R., Friedman J. The Elements of Statistical Learning Data Mining, Inference, and Prediction. Springer Series in Statistics. 2nd Edition. NY, Springer, 2017. 764 p.Грас Д. Data science. Наука о данных с нуля: пер. с англ. СПб: БХВ-Петербург, 2017. 336 с.Grus J. Data science. Nauka o dannyh s nulya [Fata Science from Scratch]. Transl. from Eng. SPb, BHVPeterburg, 2017. 336 p.Schmidt B., Wang L. Cloud-enhanced predictive maintenance // Int J Adv Manuf Technol. 2018. № 99. P. 5–13. DOI 10.1007/s00170-016-8983-8.Schmidt B., Wang L. Cloud-enhanced predictive maintenance. Int J Adv Manuf Technol., 2018, no 99, pp. 5–13. DOI 10.1007/s00170-016-8983-8Hu C., Youn B. D., Kim T. Semi-supervised learning with co-training for data-driven prognostics // Proc. IEEE Int. Conf. on Prognostics and Health Management: Enhancing Safety, Efficiency, Availability, and Effectiveness of Systems Through PHM Technology and Application. Denver, CO, USA. 18–21 June, 2012. P. 1297–1306. DOI: 10.1109/ICPHM.2012.6299526.Hu, C., Youn, B. D., Kim, T. Semi-supervised learning with co-training for data-driven prognostics. Proceedings of IEEE Int. Conf. on Prognostics and Health Management: Enhancing Safety, Efficiency, Availability, and Effectiveness of Systems Through PHM Technology and Application. Denver, CO, USA. 18–21 June, 2012, pp. 1297-1306. DOI: 10.1109/ICPHM.2012.6299526Wu D., Jennings C., Terpenny J., Kumara S. Cloud-Based Machine Learning for Predictive Analytics: Tool Wear Prediction in Milling // Proc. IEEE International Conference on Big Data (Big Data), Washington, DC, USA, 5–8 December, 2016. P. 2062–2069.Wu D., Jennings C., Terpenny J., Kumara S. Cloud-Based Machine Learning for Predictive Analytics: Tool Wear Prediction in Milling. IEEE International Conference on Big Data (Big Data). Washington, DC, USA, 5-8 December, 2016, pp. 2062-2069.Yin-Hsin Liu, Yao-Chung Tu, Chang-Yu Hsu, Hsin-Chieh Chao. Predicting malfunction of mobile network base station using machine learning approach // Proc. 20th Asia-Pacific Network Operations and Management Symposium (APNOMS), Matsue, Japan, 18–20 September, 2019. P. 1–4. DOI: 10.23919/APNOMS.2019.8892894.Yin-Hsin Liu, Yao-Chung Tu, Chang-Yu Hsu, Hsin-Chieh Chao. Predicting malfunction of mobile network base station using machine learning approach. Proceedings of the 20th Asia-Pacific Network Operations and Management Symposium (APNOMS). Matsue, Japan, 18-20 September, 2019, pp. 1 -4. DOI:10.23919/APNOMS.2019.8892894Xu M., Baraldi P., Al-Dahidi S., Zio E. Fault prognostics by an ensemble of Echo State Networks in presence of event based measurements // Engineering Applications of Artificial Intelligence. V. 87. 2020. P. e103346. DOI: 10.1016/j.engappai.2019.103346.Xu M., Baraldi P., Al-Dahidi S., Zio E. Fault prognostics by an ensemble of Echo State Networks in presence of event based measurements. Engineering Applications of Artificial Intelligence, vol. 87, 2020, pp. e103346. DOI: 10.1016/j.engappai.2019.103346McKinney W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. Boston: O’Reilly Media, 2022. 579 p.McKinney W. Python for Data Analysis: Data Wrangling with pandas, NumPy, and Jupyter. 3 d Ed. Boston, O’Reilly Media, 2022. 579 p.Hoaglin D. C., Mosteller F., Tukey J. W. Understanding Robust and Exploratory Data Analysis. NY: Wiley-Interscience, 2000. 447 p.Hoaglin D. C., Mosteller F., Tukey J. W. Understanding Robust and Exploratory Data Analysis. NY, Wiley-Interscience, 2000. 447 p.Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных / пер. с англ. А. А. Слинкина. М.: ДМК Пресс, 2015. 400 с.Flach P. Machinnoe obuchenie. Nauka i isskustvo postroeniya algoritmov, kotorye izvlekayut znaniya iz dannyh [Machine Learning. The Art and Science of Algorithms that Make Sense of Data]. Transl. from Eng. by A.A. Slinkin. Moscow, DMK Press, 2015. 400 p.Шолле Ф. Глубокое обучение на Python. Серия «Библиотека программиста». СПб.: Питер, 2018. 400 с.Chollet F. Glubokoe obuchenie na Python [Deep Learning with Python]. Seriya «Biblioteka programmista». SPb., Piter, 2018. 400 p.

The authors declare that there are no conflicts of interest present.