| Title: | Comparative analysis of energy consumption prediction algorithms in telecommunication infrastructure |
| Authors: | Muradov, M. M. U. |
| Keywords: | материалы конференций;machine learning;deep learning algorithms;telecommunications infrastructure;predict energy;hybrid architectures;Cond-LSTM;Transformer-LSTM |
| Issue Date: | 2026 |
| Publisher: | БГУИР |
| Citation: | Muradov, M. M. U. Comparative analysis of energy consumption prediction algorithms in telecommunication infrastructure / M. M. U. Muradov // Информационные радиосистемы и радиотехнологии : сборник материалов научно-технической конференции, Минск, 9–10 июня 2026 г. / Белорусский государственный университет информатики и радиоэлектроники ; редкол.: В. А. Богуш [и др.]. – Минск, 2026. – С. 253–255. |
| Abstract: | This article provides a comparative analysis of modern machine learning and deep learning algorithms designed to predict energy consumption in telecommunications infrastructure, including mobile base stations, data centers, and radio access networks. The study examines the accuracy, timing, and production applicability of algorithms such as LSTM, GRU, Transformer, Gradient Boosting, and Random Forest. The analysis results show that hybrid architectures - specifically combinations of Cond-LSTM and Transformer-LSTM - can reduce the RMSE by 30-42% compared to traditional methods. As a scientific novelty of the research, a comprehensive comparative analysis of algorithms based on real network data and practical ways to increase energy efficiency are proposed. |
| Alternative abstract: | Данная статья представляет сравнительный анализ современных алгоритмов машинного и глубокого обучения, предназначенных для прогнозирования энергопотребления в телекоммуникационной инфраструктуре, включая базовые станции мобильной связи, центры обработки данных и сети радиодоступа. В исследовании оцениваются точность, временные затраты и применимость в реальных условиях эксплуатации таких алгоритмов, как LSTM, GRU, Transformer, Gradient Boosting и Random Forest. Результаты анализа показывают, что гибридные архитектуры — в частности, комбинации Cond-LSTM и Transformer-LSTM — позволяют снизить среднеквадратическую ошибку (RMSE) на 30–42% по сравнению с традиционными методами. В качестве научной новизны исследования предложены комплексный сравнительный анализ алгоритмов на основе реальных сетевых данных и практические способы повышения энергоэффективности. [1, 2] |
| URI: | https://libeldoc.bsuir.by/handle/123456789/64496 |
| Appears in Collections: | Информационные радиосистемы и радиотехнологии (2026)
|
