Prédiction de l’état cellulaire LTE par apprentissage profond pour l'équilibrage de charge de mobilité dans les réseaux cellulaires 4G de Djezzy

Abstract

Dans un contexte de forte croissance du trafic mobile en Algérie, ce travail s’est intéressé à l’optimisation de l’équilibrage de charge (MLB) dans les réseaux LTE, particulièrement chez l’opérateur Djezzy. En réponse au déséquilibre entre cellules surchargées et sous-utilisées, six modèles CNN pré-entraînés ont été étudiés pour prédire les déséquilibres. Une transformation des KPIs en images a été réalisée, suivie d’un fine-tuning avec l’optimiseur Adam et des techniques de régularisation pour éviter le surapprentissage. Les résultats montrent que ResNet50 est le plus performant (exactitude de 97 %, F1-score > 93 %), suivi par EfficientNetB0 et MobileNetV3Small (96 %), qui allient précision et légèreté. MobileNetV2 se démarque par sa rapidité et son équilibre, tandis que VGG16, malgré une exactitude de 98 %, souffre de surapprentissage et d'une forte consommation de ressources. Ce projet confirme l’efficacité des CNN pour la classification supervisée des déséquilibres dans les réseaux LTE.