Beam-Level Traffic Timeseries
Un dataset massif de séries temporelles représentant le trafic réseau 5G, utile pour la modélisation, la prédiction et l’optimisation du réseau mobile.
Plus de 2 880 faisceaux, fichiers CSV, 1 176 heures de données par faisceau
MIT
Description
Beam-Level Traffic Timeseries Dataset est un jeu de données structuré en fichiers CSV qui contient des mesures détaillées de trafic réseau 5G par faisceau. Il couvre 2 880 faisceaux répartis sur 30 stations de base, avec des données telles que le volume de trafic descendant, le temps de transmission, l’utilisation des ressources PRB et le nombre d’utilisateurs par faisceau. Les données sont organisées en séries temporelles sur plusieurs semaines, incluant des segments pour l’entraînement et la prévision.
À quoi sert ce dataset ?
- Prévision de charge réseau pour optimiser la gestion des ressources 5G
- Formation de modèles de séries temporelles pour le trafic mobile
- Recherche sur la modélisation de comportements utilisateurs à l’échelle d’un réseau cellulaire
Peut-on l’enrichir ou l’améliorer ?
Oui. Il est possible d'ajouter d'autres sources de données (météo, topographie, etc.) pour contextualiser les mesures. Des techniques de feature engineering peuvent aussi être appliquées pour enrichir les séries temporelles. Le dataset pourrait être complété par des données uplink, ou des annotations d’événements réseaux (pannes, congestions).
🔎 En résumé
🧠 Recommandé pour
- Data scientists réseaux
- Ingénieurs télécoms
- Chercheurs en séries temporelles
🔧 Outils compatibles
- Prophet
- PyTorch Forecasting
- TensorFlow
- Scikit-learn
- Pandas
💡 Astuce
Combinez ce dataset avec des calendriers d’événements ou des données d’usage pour améliorer vos modèles prédictifs.
Questions fréquemment posées
Ce dataset permet-il de modéliser des congestions réseaux ?
Oui, les données de volume et d’utilisation PRB peuvent être analysées pour détecter ou prédire des situations de saturation.
Peut-on l’utiliser pour comparer différentes stations de base ?
Oui, le dataset contient les données séparées par station, cellule et faisceau, ce qui permet des analyses comparatives précises.
Est-il possible d’appliquer du machine learning directement sur ces fichiers ?
Oui, les fichiers CSV sont exploitables directement avec des modèles de séries temporelles classiques comme LSTM ou XGBoost.
