في عصر الاتصالات المتقدمة، أصبحت شبكات الجيل الخامس (5G) وما بعدها تمثل قفزة نوعية في تجربة المستخدمين من حيث جودة الخدمات. ومن الأمور الأساسية التي تسهم في تحسين هذه التجربة هو فهم تقدير معلومات القنوات. كانت الطرق التقليدية لتقدير القنوات تعتمد على إرسال إشارات معروفة (pilots) بشكل دوري، ثم تقدير القناة وإرسال المعلومات المستنتجة إلى المحطة الأساسية، مما يضيف التحميل على التعقيد الحاسوبي والإتصالات.

لذا، ركز بحثنا على نهج يعتمد على البيانات (Data Driven Approach) لتقدير القنوات، والذي يمكن نشره كنموذج توأمي رقمي (Digital Twin) في شبكات 5G. استخدمنا تردد 7 جيجاهرتز وموقع المستخدم لإنشاء آلية تقدير قنوات فعالة. تم تطوير البيانات باستخدام تقنية رسم الأشعة (Ray Tracing) وتدريب نماذج التعلم الآلي (Machine Learning) التي تشمل متغيرات مثل موقع المرسل وموقع المستخدم، بينما كان المتغير المستهدف هو معامل القناة.

في تجربتنا، قمنا باستكشاف عدة نماذج مثل الانحدار الخطي (Linear Regression)، وانحدار آلة الدعم (Support Vector Regression)، وانحدار شجرة القرار (Decision Tree Regression). أظهرت النتائج التي تم الحصول عليها من خلال المحاكاة أن نموذج الانحدار الخطي تفوق على باقي النماذج من حيث الأداء، محققاً معدل الخطأ المتوسط (MAE) بقيمة 7.5155 × 10^{-5} والجذر التربيعي لمعدل الخطأ المتوسط (RMSE) بقيمة 9.2861 × 10^{-5}.

هذا البحث يمهد الطريق نحو تحسينات كبيرة في كيفية إدارة البيانات والتجارب في الشبكات المستقبلية. ما رأيكم في هذا التطور المذهل؟ شاركونا في التعليقات!