摘要
5G网络部署支持大量设备，数据速率高，能耗大。有效管理这种能量的需要是这项工作的主要动力。这项工作的重点是利用机器学习提高5G网络的能源效率。使用Python编程语言对G-net track pro生成的5G生产数据集进行分析。使用显著指标识别的关键显著特征获得的结果表明，为避免过拟合和优化模型性能，估计量的数量不应超过25个，梯度下降的最大深度不应超过9个。开发了5种算法，包括随机森林算法、梯度增强算法、xgboost算法、套索算法和山脊叠加算法;脊状叠加算法比单独的算法表现得更好，其均方根误差(RMSE)值为1.931,R^2误差为1.321，这是衡量回归模型如何最好地适应数据的标准。xgboost算法的RMSE值为1.943,R^2误差为0.114，优于所有单独的算法。
关键字
5G，能源效率，人工智能，机器学习。
引用
愤怒的期刊:
Reginald Okpara, Victor E Idigo, Ogbonna P. Ngwu“提高5G网络的能源效率:机器学习方法”《Iconic Research And Engineering journal》第6卷第8期2023年第142-145页
IEEE:
Reginald Okpara, Victor E Idigo, Ogbonna P. Ngwu《提高5G网络的能源效率:机器学习方法》标志性研究和工程期刊6 (8)
