BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20230124T111827Z LAST-MODIFIED:20230124T111827Z DTSTAMP:20260512T033911Z UID:1778546351@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Κωνσταντίνου Ζαχαρόπουλου - Σχολή ΗΜ ΜΥ LOCATION: DESCRIPTION:https://www.tuc.gr/el/to-polytechnei o/ilektronikes-ypiresies/imerologio/ imerologio-ekdiloseon-1?tx_tucevents 2_tuceventsdisplay%5Baction%5D=show& tx_tucevents2_tuceventsdisplay%5Bcon troller%5D=Event&tx_tucevents2_tucev entsdisplay%5Bevent%5D=5982&cHash=37 9ff4b4799fc84dc55a3692740da2f9\nΠΟΛΥ ΤΕΧΝΕΙΟ ΚΡΗΤΗΣ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\ n Πρόγραμμα Προπτυχιακών Σπουδών\n Π ΑΡΟΥΣΙΑΣΗ ΔΙΠΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Κω νσταντίνου Ζαχαρόπουλου\n με θέμα\n Στατιστική Μοντελοποίηση των “Hotspo t” Κεραιών Κινητής Τηλεφωνίας με Χρή ση Μοντέλων Γράφων\n Graph-Based Mod eling of Cellular Hotspot Data Analy sis\n Εξεταστική Επιτροπή\n Αναπληρω τής Καθηγητής Σωτήριος Ιωαννίδης (επ ιβλέπων)\n Καθηγητής Μιχαήλ Ζερβάκης \n Καθηγητής Απόστολος Δόλλας\n Περί ληψη\n Τα δίκτυα κινητής τηλεφωνίας έχουν υποστεί σημαντικές αλλαγές στη ν υποδομή τους τις τελευταίες δεκαετ ίες. Η τεχνολογική πρόοδος μαζί με τ η μαζική αύξηση του πληθυσμού συνεχί ζουν να ωθούν τις δυνατότητες του δι κτύου κινητής τηλεφωνίας στα όριά το υς. Καθώς οι απαιτήσεις χρήσης του δ ικτύου γίνονται μεγαλύτερες, τόσο αυ ξάνονται οι ανάγκες των ειδικών τεχν ικών για ακριβείς και έγκαιρες πληρο φορίες σχετικά με την κατάσταση του δικτύου κινητής τηλεφωνίας. Με αυτές τις πληροφορίες στη διάθεσή τους, έ χουν τη δυνατότητα να προβλέψουν και να αποτρέψουν ανεπιθύμητες περιστάσ εις, όπως αποτυχία δικτύου λόγω μη δ ιαχειρίσιμης υπερφόρτωσης. \n Σε αυτ ή τη διπλωματική, προτείνω μια δομή νευρωνικού δικτύου που στοχεύει να κ άνει γρήγορες και ακριβείς προβλέψει ς τέτοιων ανεπιθύμητων συμβάντων. Χρ ησιμοποιώ γνωστές αρχιτεκτονικές νευ ρωνικών δικτύων, όπως το Graph Neura l Network (GNN) και το Recurrent Neu ral Network (RNN), έναν συνδυασμό πο υ επιτρέπει την παρακολούθηση και εκ μάθηση τόσο χωρικών όσο και χρονικών μοτίβων που μπορεί να εμφανίζει το δίκτυο. Επιπλέον, εισάγεται ένας δια μερισμός του Γράφου, όπου ουσιαστικά χωρίζεται ο αρχικός Γράφος σε πολύ μικρότερους και διαχειρίσιμους υπο-γ ράφους με την ιδέα της περαιτέρω αύξ ησης των μετρικών απόδοσης των νευρω νικών δικτύων, ενώ παράλληλα μειώνει σημαντικά τη χρονική του πολυπλοκότ ητα. Επιπλέον, προτείνω την προσθήκη ενός Ιεραρχικού μοντέλου στην αρχικ ή αρχιτεκτονική, μια προσθήκη που σχ εδόν μεγιστοποιεί την ακρίβεια στις περισσότερες περιπτώσεις. \n Η προτε ινόμενη αρχιτεκτονική επιτυγχάνει να αυξήσει την ακρίβεια των προβλέψεών της σε σύγκριση με άλλες γνωστές υλ οποιήσεις. Επιπλέον, έχει σταθερή απ όδοση σε διάφορα μεγέθη ιστορικών δε δομένων που παρέχονται στο δίκτυο κα ι σε διαφορετικούς στοχευμένους ορίζ οντες πρόβλεψης.\n Abstract\n Cellul ar networks have gone through signif icant changes in infrastructure duri ng the last few decades. The technol ogical advance along with the massiv e increase of population keep pushin g the mobile network's capabilities to their limits. As the network usag e requirements become larger, so do the radio expert's needs for accurat e and timely information regarding t he status of the cellular network. W ith that information at hand, they h ave the ability to foresee and preve nt unwanted circumstances, such as n etwork failure due to unmanageable o verload. \n In this thesis, I propos e a Neural Network structure which a ims to make both swift and precise f orecasts of such undesirable events. I make use of well-known Neural Net work architectures such as the Graph Neural Network(GNN) and the Recurre nt Neural Network(RNN), a combinatio n which allows for monitoring and le arning both spatial and temporal pat terns that the cellular network may exhibit. In addition, a Graph partit ion is introduced, which effectively splits the original graph into much smaller and manageable sub-graphs w ith the idea of further increasing t he Neural Networks performance metri cs while also significantly scaling down its time complexity. Furthermor e, I propose the addition of an Hier archical model in the original archi tecture, an addition which nearly ma ximizes the precision in most use-ca ses. \n The proposed architecture su cceeds in increasing the precision o f its predictions compared to other known implementations. Moreover, it has a steady performance across vari ous sizes of historical data provide d to the network and across differen t targeted prediction horizons.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20230126T153000 DTEND:20230126T163000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR