Abstract
<jats:p>В условиях стремительного роста сетей пятого поколения (5G) обеспечение надежности радиодоступа и минимизация вероятности аномальных разъединений соединений (Abnormal Release Rate) являются ключевыми задачами операторов мобильной связи. Данная статья посвящена разработке и исследованию нейросетевых моделей глубокого обучения, предназначенных для прогнозирования вероятности аномальных разъединений в сотах 5G NR. В качестве исходных данных использовались измеренные эксплуатационные показатели (KPI), включающие показатели успешности процедур подключения, параметры целостности соединений, статистику пользовательской пропускной способности и загрузку ресурсных блоков. Для моделирования применены две архитектуры глубокого обучения: многослойный перцептрон (MLP) и рекуррентная сеть типа Long Short-Term Memory (LSTM), ориентированная на обработку временных последовательностей. Проведено сравнение точности моделей по метрикам RMSE, MAE и коэффициенту детерминации R². Результаты демонстрируют высокую способность нейросетей выявлять нелинейные зависимости между параметрами радиосети и вероятностью аномального разъединения, что позволяет использовать предложенные методы в системах автоматической оптимизации (SON) и предиктивного управления качеством сети.</jats:p>