Beam-Level Traffic Timeseries
Un conjunto de datos masivo de series temporales que representan el tráfico de la red 5G, útil para modelar, predecir y optimizar la red móvil.
Descripción
Beam-Level Traffic Timeseries es un conjunto de datos estructurado en archivos CSV que contiene mediciones detalladas del tráfico de red 5G por haz. Abarca 2880 haces repartidos en 30 estaciones base, con datos como el volumen de tráfico de enlace descendente, el tiempo de transmisión, el uso de recursos del PRB y la cantidad de usuarios por haz. Los datos se organizan en series temporales a lo largo de varias semanas, incluidos segmentos para la formación y la previsión.
¿Para qué sirve este conjunto de datos?
- Previsión de carga de red para optimizar la gestión de recursos de 5G
- Formación de modelos de series temporales para el tráfico móvil
- Investigación sobre el modelado de los comportamientos de los usuarios a nivel de una red celular
¿Se puede enriquecer o mejorar?
Sí. Es posible añadir otras fuentes de datos (clima, topografía, etc.) para contextualizar las mediciones. Las técnicas de ingeniería de características también se pueden aplicar para enriquecer las series temporales. El conjunto de datos puede completarse con datos de enlace ascendente o con anotaciones de eventos de red (fallos, congestiones).
🔎 En resumen
🧠 Recomendado para
- Científicos de datos de red
- Ingenieros de telecomunicaciones
- Investigadores de series temporales
🔧 Herramientas compatibles
- Prophet
- PyTorch Forecasting
- TensorFlow
- Scikit-learn
- Pandas
💡 Consejo
Combine este conjunto de datos con calendarios de eventos o datos de uso para mejorar sus modelos predictivos.
Preguntas frecuentes
¿Este conjunto de datos permite modelar la congestión de la red?
Sí, los datos de volumen y uso del PRB se pueden analizar para detectar o predecir situaciones de saturación.
¿Se puede usar para comparar diferentes estaciones base?
Sí, el conjunto de datos contiene datos separados por estación, célula y haz, lo que permite realizar análisis comparativos precisos.
¿Es posible aplicar el aprendizaje automático directamente a estos archivos?
Sí, los archivos CSV se pueden usar directamente con modelos clásicos de series temporales como LSTM o XGBoost.
