في ظل الظروف الديناميكية العالية، يتطلب إدارة تسليم الاتصالات (Handover) في الشبكات المركبة قرارات سريعة وموثوقة. تبرز دراسة جديدة أهمية استخدام تقنيات التعلم الآلي (Machine Learning) لتحسين كشف تسليم الاتصالات من خلال التقاط العلاقات المعقدة بين مؤشرات الأداء الرئيسية (Key Performance Indicators - KPIs). ومع ذلك، تظل الطبيعة الغامضة للنماذج التقليدية عائقاً أمام فهم المشغلين وثقتهم.

تلقي هذه الورقة الضوء على استخدام نماذج قابلة للتفسير أثناء عملية الكشف عن تسليم الاتصالات، مستفيدة من إطار عمل تحليل الوظيفة للتباين (Functional Analysis of Variance - fANOVA). تمت تقييم النماذج المقترحة باستخدام مجموعتين من بيانات المشغلين في ظروف العالم الحقيقي، وتمت مقارنتها مع نموذج ذاكرة طويلة وقصيرة الأمد (Long Short-Term Memory) مزوداً بشرحات مابعد الواقعة (Post-hoc SHAP).

بخلاف الأساليب التقليدية التي تتطلب وقتاً إضافياً لتقديم التفسيرات، يوفر الإطار المقترح تفسيراً فورياً لقرارات النماذج دون تحمل أعباء حسابية إضافية، وهو ما يعد مهماً للغاية بالنسبة للشبكات المركبة الحساسة للزمن.

أظهرت النتائج أن نماذج fANOVA حققت أداءً تنافسياً في كشف تسليم الاتصالات مع تقليل زمني كبير في توضيح النتائج مقارنة بالطرق التقليدية. كما كشفت تحليلات تصنيف الميزات والتصورات عن علاقات ذات معنى جسدي بين مؤشرات الأداء وحالات تسليم الاتصالات تتماشى مع آليات تسليم الاتصالات المعتمدة.

توضح هذه النتائج أن النماذج القابلة للتفسير تمثل حلاً فعالاً وشفافاً لكشف تسليم الاتصالات في الشبكات المركبة من الجيل التالي.

ما رأيكم في تأثير مثل هذه النماذج على مستقبل الشبكات المركبة؟ شاركونا آرائكم في التعليقات!