In 4G/5G Radio Access Network (RAN), the scale of data traffic in the network becomes larger, which leads to increasing demand for ensuring the good connection of User Equipments (UEs). With the help of Carrier Aggregation (CA), UE can use expanded bandwidth by connecting to multiple cells. There are multiple carrier frequencies with overlapping cells, which can result in several potential cell sets for each UE. In this case, the traffic steering algorithm is applied to distribute UEs to their best cell sets. While the data traffic in RAN is complicated, highly dynamic, and challenging to predict, this project aims to use AI/ML algorithm to predict the network traffic and then optimize the current traffic steering in a simulator of Ericsson by finding a balance between the throughput and number of cell handover of UEs based on the prediction results. While frequent handover can help the UEs to be distributed to their current best cell, there could also be some unnecessary handovers which may be useless or even harmful to the network. Unnecessary handover wastes the network resources, and if the handover failure occurs, it may cause the degradation of user experience or cause disconnection. In this context, it is worth finding a trade-off between throughput and the number of handovers. In this thesis, a network traffic is generated by an Ericsson simulator, and the AI/ML algorithm is developed and implemented to predict two targets for the next 15 minutes which are median UE throughput and average number of handover per UE. The algorithm dynamically adjusts two controllable parameters according to a linear weight optimization function of the two targets which can indirectly control the frequency of cell handover of UE. Several models are trained with data from simulations and then processed. LSTM, fully connected neural network, transformer and random forest model have been compared, where random forest provided the best performance. To evaluate the algorithm, a simulation without the assistance of AI/ML algorithm is executed as a baseline, throughput and the number of handovers are recorded per 15 minutes in the time of the simulator. After that, simulations with the same configuration as the baseline but with AI/ML algorithm and different values of weight parameters in the optimization function are executed. Throughput and number of handovers are also recorded for every simulation and compared with the baseline to get the values of weight parameters which can provide an acceptable trade off. As a result, the number of handovers can be reduced by approximately 40% when the throughput is reduced by 2%.

I 4G/5G RAN blir datatrafikens omfattning i nätverket större, vilket leder till ett ökande behov av att säkerställa god anslutning för UEs. Med hjälp av CA kan UE använda utökad bandbredd genom att ansluta till flera celler. Det finns flera bärafrekvenser med överlappande celler, vilket kan resultera i flera potentiella celluppsättningar för varje UE. I detta fall tillämpas en trafikstyrningsalgoritm för att fördela UEs till deras bästa celluppsättningar. Eftersom datatrafiken i RAN är komplicerad, mycket dynamisk och svår att förutsäga, syftar detta projekt till att använda en AI/ML-algoritm för att förutsäga nätverkstrafiken och sedan optimera den nuvarande trafikstyrningen i en simulator från Ericsson genom att hitta en balans mellan genomströmning och antal cellövergångar för UEs baserat på förutsägelse-resultaten. Även om frekventa övergångar kan hjälpa UEs att fördelas till deras aktuellt bästa cell, kan det också uppstå onödiga övergångar som kan vara värdelösa eller till och med skadliga för nätverket. Onödiga övergångar slösar nätverksresurser, och om övergångsmisslyckanden inträffar kan det leda till försämrad användarupplevelse eller orsaka frånkoppling. I detta sammanhang är det värt att hitta en avvägning mellan genomströmning och antalet övergångar. I denna avhandling genereras nätverkstrafik med hjälp av en Ericsson- simulator, och AI/ML-algoritmen utvecklas och implementeras för att förut- säga två mål för de kommande 15 minuterna: median UE-genomströmning och genomsnittligt antal övergångar per UE. Algoritmen justerar dynamiskt två kontrollerbara parametrar enligt en linjär viktoptimeringsfunktion av de två målen, vilket indirekt kan kontrollera frekvensen av cellövergångar för UE. Flera modeller tränas med data från simuleringar och bearbetas sedan. LSTM, fullt anslutet neuralt nätverk, transformer och random forest- modeller har jämförts, där random forest gav den bästa prestandan. För att utvärdera algoritmen genomförs en simulering utan stöd av AI/ML-algoritmen som en baslinje, där genomströmning och antalet övergångar registreras var 15:e minut under simuleringstiden. Därefter genomförs simuleringar med samma konfiguration som baslinjen, men med AI/ML-algoritmen och olika värden på viktparametrarna i optimeringsfunktionen. Genomströmning och antal övergångar registreras också för varje simulering och jämförs med baslinjen för att få fram värden på viktparametrarna som kan ge en acceptabel avvägning. Som ett resultat kan antalet övergångar minskas med cirka 40% när genomströmningen minskas med 2%.