1000 × 1000 m hududda beshta baza stansiyasi va bitta harakatlanuvchi foydalanuvchi simulyatsiya qilingan. Harakat tezligi 3–60 km/soat, model random waypoint. Kanal log-distance path loss, log-normal shadowing va Rayleigh fadingni o‘z ichiga oladi.
SVM usuli handoverlar sonini 76.89 dan 34.10 gacha, ping-pong hodisalarini 41.16 dan 17.56 gacha kamaytirgan. Packet loss 0.2648 dan 0.2486 gacha kamaygan, effective throughput 0.8486 dan 0.9022 gacha oshgan.
SVM modeli
RBF kernel qo‘llangan. C va kernel parametrlari grid search va k-fold cross-validation orqali tanlangan. Kirish xususiyatlari normalizatsiya qilingan va dataset 70% trening hamda 30% testga bo‘lingan.
Manbada yakuniy C qiymati, kernel parametri, k qiymati yoki datasetdagi umumiy namunalar soni keltirilmagan.
Handover belgilarini yaratish
Serving RSS va SINR bir necha ketma-ket vaqt oralig‘ida ma'lum thresholddan past bo‘lsa va candidate link yaxshiroq bo‘lsa handover label beriladi. Vaqtinchalik signal yomonlashuvi non-handover sifatida belgilanadi. Aniq threshold qiymatlari manbada berilmagan.
Simulyatsiya konfiguratsiyasi
| Parametr | Qiymat |
|---|---|
| Hudud | 1000 × 1000 m |
| Base station | 5 |
| Faol foydalanuvchi | 1 |
| Tezlik | 3–60 km/soat |
| Simulyatsiya | 200 s |
| Vaqt qadami | 1 s |
| Training/test | 70/30 |
O‘zbekiston uchun mumkin bo‘lgan ahamiyati
Tadqiqot O‘zbekistondagi real mobil operator tarmog‘ida bajarilmagan. Ammo shahar mobiliteti, avtomobil yo‘llari va 5G tarmoqlarida adaptive mobility managementni o‘rganish uchun tushunarli ML misolini beradi. Mahalliy qo‘llash uchun real radio va trafik ma'lumotlari bilan qayta trening zarur.
Cheklovlar
Faqat bitta faol foydalanuvchi va beshta baza stansiyasi ishlatilgan. Kanalning ayrim raqamli parametrlari, SVM hiperparametrlari va Monte Carlo takrorlarining soni berilmagan.
Tadqiqot Usuli va Natijalari
| Metrika | Threshold | SVM |
|---|---|---|
| Handover | 76.89 | 34.10 |
| Ping-pong | 41.16 | 17.56 |
| Packet loss | 0.2648 | 0.2486 |
| Effective throughput | 0.8486 | 0.9022 |
Natijalar SVM usulining ushbu simulyatsiya sharoitida threshold algoritmiga nisbatan barqarorroq mobility management yaratganini ko‘rsatadi. Keyingi ishlar uchun multi-user, online learning va deep reinforcement learning taklif qilingan.
Manba va Usul Bo‘yicha Izoh
Mualliflar: Andicho Haryus Wirasapta; Tiara Deta Pamungkas
Jurnal: Jurnal LITEK
Jild/son: 23(1), 30–37
Nashr: 1-mart 2026
DOI: 10.30811/litek.v23i1.104
Bu MATLAB/Simulink simulyatsiya tadqiqoti. Moliyalashtirish, data availability va conflict of interest bo‘yicha alohida bayon ko‘rib chiqilgan nusxada mavjud emas.
Izoh qoldiring
E-pochta manzilingiz chop etilmaydi. Majburiy maydonlar * bilan belgilangan