ML pour le Beamforming 5G
Utilisation de l'apprentissage automatique non supervisé pour regrouper les utilisateurs par comportement et profil de signal, afin que les faisceaux d'antenne servent plus de personnes, plus efficacement.
Servir plus d\'utilisateurs.
Avec la même antenne.
Les antennes 5G peuvent diriger des faisceaux radio avec une grande précision, mais décider quelle forme de faisceau utiliser, pour quel groupe d'utilisateurs, à quel moment, est un problème d'optimisation extrêmement complexe. Les approches traditionnelles reposent sur des configurations fixes qui laissent une capacité significative inexploitée.
Orange avait besoin d'une approche basée sur les données, scalable, capable d'apprendre automatiquement les patterns des utilisateurs, sans nécessiter de données labellisées ni d'ingénierie manuelle de règles.
Regrouper les utilisateurs,
optimiser les faisceaux.
Au lieu d'essayer d'optimiser un faisceau pour chaque utilisateur individuel en temps réel, nous avons appris à regrouper les utilisateurs en clusters comportementalement cohérents via du ML non supervisé. Chaque cluster obtient une configuration de faisceau optimisée, une approche bien plus scalable qui maintient un débit élevé sans coût de calcul exponentiel.
La boîte à outils non supervisée.
Utilisateurs regroupés par position et profil de signal. K-Means trouve des regroupements naturels sans supervision, chaque centroïde représentant une cible de faisceau idéale.
Identifie les utilisateurs aberrants qui ne s'intègrent dans aucun cluster (utilisateurs isolés ou en bordure de cellule) et les supprime avant le clustering principal.
Compresse l'espace de features de signal à haute dimension avant le clustering. Réduit le bruit, accélère l'entraînement et révèle les directions de variance dominantes.
Le score de silhouette mesure la séparation des clusters. L'indice Davies-Bouldin mesure la compacité. Le débit simulé valide l'impact réel.