TelcoPredict: Machine Learning Techniques for Cell Usage Prediction

Abstract

O projecto CPI (Comunicação das Perdas de Integridade) surge no contexto de falhas nas redes de telecomunicações. A sua principal funcionalidade é prever o número de clientes de uma operadora de telecomunicações que foram afectados por uma falha na rede. Embora exista uma primeira versão do sistema em produção, várias melhorias significativas foram identificadas. Entre elas, aumentar a precisão das previsões era a mais importante.Previsões em séries temporais no contexto das telecomunicações é um tópico que já foi estudado várias vezes. Contudo, tais estudos focam-se nas abordagens para fazer as previsões, como Autoregressive Integrated Moving Average (ARIMA) e Exponential Smoothing, tornando-se necessária uma avaliação às ferramentas que implementam estas abordagens. Assim, este trabalho pretende perceber quais as melhores abordagens e ferramentas para fazer previsões em séries temporais. Tal análise foi realizada através da reimplementação do módulo de previsões do CPI, no intuito de melhorar a sua precisão a fazer previsões, o seu tempo de execução e o espaço de armazenamento exigido.Testes efectuados neste estágio demonstraram que entre as ferramentas e respectivas abordagens de forecasting avaliadas, Support Vector Regression (SVR) é o método que apresenta melhores resultados no contexto do CPI, nomeadamente a implementação deste algoritmo fornecida pela ferramenta Smile.Assim, conclui-se que implementações diferentes do mesmo método de forecasting podem levar a resultados diferentes. De salientar que métodos clássicos para fazer previsões em séries temporais como os referidos acima apresentaram piores resultados.

The CPI (Comunicação das Perdas de Integridade) project appeared in the context of failures in telecommunications networks. Its main feature is to predict the number of customers of a Telecommunications Service Provider (TSP) which have been affected by a network failure.Though there is a first version of the system in production, several signifi cant improvements have been identi fied. Between those, increase the forecasting accuracy was the most important.Time series forecasting in the telecommunications context has already been studied several times. However, such studies focus on approaches to make predictions, as Autoregressive Integrated Moving Average (ARIMA) and Exponential Smoothing, making it necessary to evaluate the tools which implement these approaches.Thus, this work intends to perceive which are the best approaches and tools for time series forecasting. Such analysis was carried out through the reimplementation of the CPI forecasting module, in order to improve its forecasting accuracy, its execution time and the required storage space.Tests performed in this internship have demonstrated that between the tools and respective forecasting approaches evaluated, Support Vector Regression (SVR) is the best-performing method in the CPI context, namely the implementation of this algorithm provided by the Smile tool.Thus, it is concluded that different implementations of the same forecasting method can lead to different results. It should be noted that classical methods to produce forecasts in time series such as those mentioned above presented worse results.