Pasif optik ağlarda performans tahmini içinderin öğrenme ve nesnelerin interneti (IoT)

Abstract

Optik erişim ağları daha yüksek kapasite, daha uzun menzil ve artan kullanıcı yoğunluğu yönünde gelişmeye devam ettikçe, iletim performansını doğru bir şekilde tahmin etmek giderek daha karmaşık hale gelmiştir. Geleneksel fizik tabanlı modeller, özellikle çeşitli çalışma koşulları altında, modern pasif optik ağların doğrusal olmayan ve stokastik davranışını yakalamakta genellikle zorlanmaktadır. Bu çalışmada, ITU-T G.989.1 spesifikasyonlarının hedef kapasitesi olan asimetrik 160/80 Gbps TWDM-PON sistemlerinde Q-Faktörü, alıcı hassasiyeti ve bit hata oranı dahil olmak üzere temel performans göstergelerinin tahmin edilmesi için hibrit bir derin öğrenme çerçevesi önerilmiştir. Önerilen yaklaşım, sağlamlığı ve tahmin doğruluğunu artırmak için bir topluluk öğrenme yapısı içinde gradyan artırma regresyonu ve çok katmanlı perceptron modellerini entegre etmektedir. Hem yukarı akış hem de aşağı akış kanalları için mesafe, güç seviyesi ve gürültü koşullarındaki varyasyonlarla gerçekçi iletim senaryolarını taklit etmek üzere 1.000 örnekten oluşan sentetik bir veri seti oluşturulmuştur. Deneysel sonuçlar, önerilen derin öğrenme tabanlı tahminler ile geleneksel optik simülasyon sonuçları arasında güçlü bir uyum olduğunu, üstün uyarlanabilirlik ve azaltılmış hesaplama karmaşıklığı sağlandığını göstermektedir. Yüksek belirleme katsayıları (R2 > 0.94) ve düşük hata metrikleri, çerçevenin etkinliğini doğrulamakta ve yeni nesil optik erişim ağlarında geleneksel performans değerlendirme yöntemlerine hızlı ve güvenilir bir alternatif olmaktadır. Anahtar Kelimeler: Derin Öğrenme, Optik Erişim Ağı, MSE, MAE, Pasifik Optik Ağ (PON), TWDM- PON.As optical access networks continue to evolve toward higher capacity, longer reach, and increased user density, accurately predicting transmission performance has become increasingly complex. Traditional physics-based models often struggle to capture the nonlinear and stochastic behavior of modern passive optical networks, particularly under various operating conditions. In this study, a hybrid deep learning framework is proposed to predict key performance metrics—including the Q-factor, receiver sensitivity, and bit error rate—in asymmetric 160/80 Gbps TWDM-PON systems, which align with the target capacity specified in ITU-T G.989.1. The proposed approach integrates gradient boosting regression and multilayer perceptron models within a ensemble learning framework to enhance robustness and prediction accuracy. A synthetic dataset consisting of 1,000 samples was created to simulate realistic transmission scenarios with variations in distance, power levels, and noise conditions for both upstream and downstream channels. Experimental results demonstrate strong agreement between the proposed deep learning-based predictions and traditional optical simulation results, providing superior adaptability and reduced computational complexity. High determination coefficients (R2 > 0.94) and low error metrics validate the framework's effectiveness and provide a fast and reliable alternative to traditional performance evaluation methods in next-generation optical access networks. Keywords: Deep Learning, Optical Adress Network, MSE, MAE, Passive Optical Network (PON), TWDM- PON.