Název: Machine Learning-based Fingerprinting Localization in 5G Cellular Networks
Autoři: Dinh Le, Thao ; Mašek, Pavel
Typ dokumentu: Příspěvky z konference
Jazyk: eng
Nakladatel: Vysoké učení technické v Brně, Fakulta elektrotechniky a komunikačních technologií
Abstrakt: This study explores the viability of employing machine learning (ML)-based fingerprinting localization in 5G heterogeneous cellular networks. We conducted an extensive measurement campaign to collect data and utilized them to train three ML models: Random Forest (RF), Extreme Gradient Boosting (XGBoost), and Support Vector Machine (SVM). The findings reveal that RF delivers the highest accuracy among the three ML algorithms. Furthermore, the results indicate that 5G New Radio (NR) can benefit the most from this localization method due to the dense deployment of base stations, achieving median localization errors of 17.5 m and 106 m during the validation and testing phases, respectively.
Klíčová slova: 5G New Radio; Fingerprinting Localization; LTE-M; Machine Learning; NB-IoT; Random Forest; Support Vector Machine; XGBoost
Zdrojový dokument: Proceedings II of the 30st Conference STUDENT EEICT 2024: Selected papers, ISBN 978-80-214-6230-4, ISSN 2788-1334

Instituce: Vysoké učení technické v Brně (web)
Informace o dostupnosti dokumentu: Plný text je dostupný v Digitální knihovně VUT.
Původní záznam: https://hdl.handle.net/11012/249320

Trvalý odkaz NUŠL: http://www.nusl.cz/ntk/nusl-622532