Ağ trafiği tahmininde makine öğrenmesi algoritmalarının karşılaştırmalı analizi

Abstract

Günümüzde dijitalleşmenin hız kazanması ve teknoloji kullanımının yaygınlaşması, veri trafiğinde önemli bir artışa neden olmuştur. Akıllı telefonların, nesnelerin interneti (IoT) cihazlarının ve 5G teknolojisinin yaygınlaşması gibi faktörler, telekomünikasyon ağlarındaki yükü önemli ölçüde artırmıştır. Bu nedenle, ağ yönetiminin verimli hale getirilmesi ve kapasite planlamasının doğru bir şekilde yapılması, artan veri trafiğiyle başa çıkmak için hayati bir öneme sahiptir. Telekomünikasyon şirketleri, gelecekteki ağ ihtiyaçlarını öngörerek kapasite yatırımlarını optimize etmek ve rekabet avantajı elde etmek için ileri tahmin yöntemlerine başvurmaktadır. Tahmin hataları, gereğinden fazla yatırım maliyetine neden olabileceği gibi karşılanmayan taleplere ve dolayısıyla müşteri memnuniyetinin azalmasına da neden olabilir. Telekomünikasyon sektöründe en geniş müşteri tabanı mobil teknolojilere (2G, 3G, 4G) dayanmaktadır. Bu nedenle, mobil kapasite ihtiyaçlarının doğru tahmin edilmesi, kesintisiz ve kaliteli hizmet sunmak açısından büyük önem taşımaktadır. Her şebeke kendine özgü olduğu için şebekenin sezonsal trafik değişikliklerini en iyi tahminleyecek modelin kurulması gerekmektedir. Bu bağlamda, bu çalışmanın amacı, farklı makine öğrenmesi algoritmalarını karşılaştırmalı bir şekilde değerlendirerek ağ trafiği tahmini için en uygun yaklaşımları belirlemektir. Araştırma kapsamında SARIMA, Prophet, LSTM ve hibrit bir model (Prophet+LSTM) detaylı olarak incelenmiştir. Çalışma için gerçek veri kullanma konusunda bazı kısıtlamalarla karşılaşılmıştır. Bundan dolayı sektör uzmanlarının yardımı ile 2023-2024 yıllarının ortalama trafik değeri üzerine günlük ve aylık sezonsallık eklenerek iki yıllık bir veri seti elde edilmiştir. 24 aylık verinin 18 ayı eğitim, 6 ayı ise test için kullanılmıştır. Çalışmada kullanılan modellerin her biri farklı yaklaşımlara dayanmaktadır. SARIMA, istatistiksel yöntemlerin klasik bir temsilcisi olarak, lineer trendleri ve sezonsal bileşenleri tahmin etmekte etkilidir. Prophet modeli, özellikle sezonsallık, trend ve tatil etkilerini modelleyebilme kapasitesiyle kullanıcı dostu bir araç olarak öne çıkmaktadır. LSTM modeli ise derin öğrenme tabanlı bir yöntem olarak, karmaşık zaman serisi desenlerini öğrenme kapasitesine sahiptir ve uzun vadeli tahminlerde yüksek doğruluk sağlayabilmektedir. Hibrit model ise Prophet'in trend analizi gücü ile LSTM'in yüksek doğruluk sağlayan tahmin yeteneklerini birleştirerek daha güçlü bir tahmin aracı oluşturmuştur. Modellerin her biri için hiperparametre optimizasyonu yapılmıştır. SARIMA için AIC (Akaike ölçütü), Prophet için Grid Search, LSTM için Keras Tuner kullanılmıştır. Hibrit modelde de Prophet ve LSTM için belirlenen en iyi parametreler kullanılmıştır. Bu algoritmaların detayları uygulama bölümünde verilmiştir. Modellerin performansı, ortalama mutlak hata (MAE), ortalama karesel hata (MSE), kök ortalama hata karesi (RMSE) ve R² skoru gibi metriklerle ölçülmüştür. Sonuçlar, her bir modelin avantaj ve dezavantajlarını açıkça ortaya koymuştur. SARIMA ve LSTM'in tek başlarına yeterince iyi tahminleme yapamadığı, Prophet'in sezonsallığı çok iyi öğrendiği görülmüştür. Hibrit modelin ise diğer modellerden daha yüksek doğruluk oranlarına ulaştığı gözlemlenmiştir. Bu durum, hibrit modellerin, farklı algoritmaların güçlü yanlarını bir araya getirerek üstün performans sağlayabileceğini göstermektedir. Sonuç olarak, bu çalışma, makine öğrenmesi algoritmalarının telekomünikasyon sektöründe ağ trafiği tahmini üzerindeki potansiyelini ve önemini vurgulamaktadır. Doğru tahmin modellerinin kullanımı, şirketlerin kaynaklarını daha verimli bir şekilde yönetmesini, maliyetlerini optimize etmesini ve kullanıcı deneyimini geliştirmesini mümkün kılmaktadır. Çalışmanın sonuçları, yalnızca akademik bir katkı sağlamakla kalmayıp, aynı zamanda sektör profesyonellerine yönelik pratik bir rehber niteliği taşımaktadır. Gelecekte, makine öğrenmesi tabanlı modellerin daha geniş bir ölçekte kullanılması ve bu alanda yeni hibrit yaklaşımların geliştirilmesi, telekomünikasyon şirketlerinin stratejik karar alma süreçlerinde önemli bir rol oynayacaktır.