In recent years, the rapid advancement of emerging technologies has significantly fueled the expansion of the Internet of Things (IoT) and the increase of wireless connected devices in society. IoT devices with a safety-critical nature, such as remotely operated vehicles, demand a high quality of the communication service to function reliably. However, consistently achieving high quality of service (QoS) can be challenging for vehicles with high mobility due to changes in interference and the propagation environment, which may cause fluctuations in the statistical distributions that govern the channel and that model the wireless communication performance. This makes it very difficult to predict future communication conditions and performance, such as the wireless channel conditions and QoS metrics. Yet, by forecasting these factors, cellular networks can transition from a reactive approach and become more proactive. By anticipating performance degradations and allocating resources accordingly, safety-critical applications can operate without disruptions.

Unfortunately, the rapid fluctuations of the statistical parameters make it very difficult to predict them by model-based methods. Recently, research has highlighted the potential of machine learning (ML) to constitute models for predictive QoS (pQoS). ML algorithms can learn from vast amounts of data and identify complex patterns that may not be apparent from traditional methods. Its capability to adapt to new data by dynamical model updates makes ML particularly suitable for environments where the QoS is constantly changing. By leveraging ML for predictive purposes, network operators can ensure more efficient resource allocation and a robust network infrastructure. 

The first part of this thesis provides an essential overview of the dynamics in wireless communication systems, focusing on the wireless channel and QoS. The foundations of how ML learns from datasets along with an overview of popular deep neural networks (DNNs) are presented. We summarize the course of our research including a survey on wireless channel prediction, a novel pQoS model, and a QoS prediction framework along with a network digital twin (NDT). A summary of the principal contributions from our research concludes the overview of the thesis.

In the second part of this thesis, we report our major results. We introduce the innovative pQoS model, specifically for connected vehicles, which creates geographical segments, clusters the segments, optimizes the number of clusters, and trains a pQoS model for each cluster using federated learning (FL). We show how this predictive framework improves approaches commonly implemented in previous research, only considering one global predictive model. Moreover, an overview of wireless channel prediction is provided together with an extensive numerical evaluation of DNNs for the purpose of channel prediction, addressing the gap in previous research. Finally, a proof of concept of a real-time NDT based on experimental data is presented to predict the QoS in an enterprise process.

Den hastiga utvecklingen av nya teknologier under de senaste åren har främjat tillväxten av Internet of Things (IoT) och därmed kraftigt ökat antalet trådlöst anslutna enheter i samhället. IoT-enheter med säkerhetskritiska applikationer, såsom autonoma fordon, kräver en hög quality of service (QoS) av det trådlösa nätverket för att fungera pålitligt. Att konsekvent uppnå en hög QoS kan dock vara utmanande för fordon med hög mobilitet på grund av förändringar i den omgivande miljön. Dessa förändringar kan orsaka kraftiga fluktuationer, samt variationer över längre tid, av de underliggande statistiska egenskaperna för trådlösa kommunikationsförhållanden. En innovativ strategi för att hantera de utmaningar som sådana variationer medför är att förutsäga framtida kommunikationsförhållanden och prestanda, såsom de trådlösa kanalförhållandena och den realiserbara QoS-nivån. Genom att förutsäga dessa faktorer kan operatörer av trådlösa nätverk övergå från ett reaktivt tillvägagångssätt och bli mer proaktiva. Med en proaktiv strategi kan mobiloperatörer fördela resurser utifrån förutsedda QoS-svackor och därmed tillgodose säkerhetskritiska applikationer med den prestanda de kräver.

Ny forskning betonar maskininlärnings potential samt dess kapacitet för att utgöra modeller för prediktiv QoS (pQoS). Maskininlärning lär sig från stora datamängder och identifierar komplexa mönster som inte är uppenbara med traditionella metoder. Dess förmåga att anpassa sig till ny data genom dynamiska modelluppdateringar gör maskininlärning särskilt lämplig för att förutsäga QoS där kommunikationsförhållandena ständigt förändras. Med hjälp av maskininlärning kan nätverksoperatörer säkerställa en mer effektiv resursallokering och en robust infrastruktur i trådlösa nätverk.

Den första delen av denna avhandling presenterar en överskådlig bakgrund över dynamiken i trådlös kommunikation, med fokus på den trådlösa kanalen och QoS. Grunderna för maskininlärning presenteras tillsammans med flera framstående neurala nätverk inom forskningsfältet. Kärnan i vår forskning sammanfattas, där vi föreslår en ny pQoS-modell, ett ramverk för pQoS med en digital tvilling av nätverket, och en översikt över trådlös kanalprediktion. Denna sammanfattning av de huvudsakliga bidragen från vår forskning avslutar överblicken av avhandlingen.

I den andra delen av denna avhandling introducerar vi den föreslagna pQoS-modellen, specifikt skapad för anslutna fordon med hög mobilitet, som konsturerar geografiska segment, delar in segmenten kluster, optimerar antalet kluster och tränar en pQoS-modell för varje kluster med hjälp av federated learning (FL). Vi visar hur detta prediktiva ramverk förbättrar tillvägagångssätt som vanligtvis implementerats i tidigare forskning, som endast överväger en globalt prediktiv modell. Dessutom presenteras en översikt för trådlös kanalprediktion tillsammans med en omfattande numerisk utvärdering av djupa neurala nätverk för ändamålet att prediktera den trådlösa kanalen, vilket adresserar den vetenskapliga luckan från föregående forskning. Slutligen presenteras en koncepttest utav en digital tvilling av ett trådlöst nätverk i realtid, baserat på experimentella data, för att förutsäga QoS i en fabriksprocess.

In recent years, emerging technologies have led to an increase in the number of safety-critical services and applications that require reliable communication services. To accommodate performance requirements, mobile network operators offer service level agreements (SLAs) that specify guaranteed quality of service (QoS) targets. However, maintaining these targets is challenging in highly mobile scenarios, where changing propagation conditions, network load, and interference can alter the statistical properties of wireless performance metrics. To address the issues with varying statistical properties, ML-based predictive QoS (pQoS) has been proposed to help the network proactively detect and prevent future network degradations.

This thesis formulates problems of data-driven QoS prediction for wireless networks, with a focus on the wireless channel, throughput, and latency. The main contribution is a set of prediction methods that address both dynamic environments and practical deployment constraints. A comprehensive empirical comparison of neural-network architectures for channel prediction provides guidance for selecting suitable models in mobile wireless settings. To reduce the effects of concept drift in pQoS models, the thesis introduces a distributed joint clustering and prediction framework that groups network cells and trains cluster-level predictors while keeping the number of models manageable. For user-side prediction in high-mobility scenarios, the thesis proposes geographical clustering combined with federated learning, enabling local adaptation while respecting privacy and communication constraints. These prediction frameworks are developed by iterative approximate solvers with convergence guarantees to improve pQoS accuracy. The first algorithm is evaluated using a network digital twin (NDT) simulation tool presented in this thesis. The thesis also presents an NDT framework that predicts the current achievable user throughput based on the network state.

Overall, the results show that combining clustering, distributed learning, and realistic system modeling can substantially improve the robustness of QoS prediction in challenging wireless environments. More generally, the thesis provides methods that can support dependable communication for future wireless networks. Future research should develop a theoretical foundation for integrating uncertainty-aware and SLA-driven objectives into predictive models. This will enable research to create pQoS frameworks that jointly optimize prediction accuracy, risk mitigation for critical services, and adaptability in non-stationary wireless environments.

Under de senaste åren har den teknologiska utvecklingen lett till ett ökat antal säkerhetskritiska tjänster och applikationer som kräver kommunikationstjänster av hög pålitlighet. För att möta prestandakrav erbjuder mobilnätsoperatörer serviceavtal (SLA) som specificerar garanterade nivåer för kommunikationskvalitet (QoS). Att upprätthålla hög QoS är emellertid utmanande, speciellt i scenarier med stor variation och rörlighet, där förändrade förhållanden för täckning, interferens och nätverkslast kan skifta de underliggande statistiska egenskaperna för QoS. För att hantera problemen med varierande statistiska egenskaper har ML-baserad prediktiv QoS (pQoS) föreslagits för att hjälpa nätverkssystemet att proaktivt upptäcka och förebygga framtida försämringar av QoS.

Denna avhandling formulerar problem med datadriven pQoS för cellulära nätverk, med fokus på den trådlösa kanalen, datatakt och svarstid. Det huvudsakliga forskningsbidraget är en uppsättning prediktionsmetoder som hanterar både dynamiska miljöer och praktiska begränsningar vid driftsättning. En omfattande empirisk jämförelse av neuronnätsarkitekturer för kanalprediktion ger vägledning för att välja lämpliga modeller i mobila trådlösa miljöer. För att minska effekterna av konceptförskjutning i pQoS-modeller introducerar avhandlingen ett distribuerat ramverk för gemensam klustring och prediktion, där nätverksceller grupperas och klusterspecifika prediktorer tränas samtidigt som antalet modeller hålls lågt. För prediktion på användarsidan i scenarier med hög rörlighet föreslår avhandlingen geografisk klustring kombinerad med federerad inlärning, vilket möjliggör lokal anpassning samtidigt som integritets- och kommunikationsbegränsningar beaktas. Dessa prediktionsramverk utvecklas med iterativa approximativa lösare och inkluderar konvergensgarantier för att förbättra noggrannheten för pQoS-modellerna. Den första algoritmen utvärderas med hjälp av ett simuleringsverktyg för en digital nätverkstvilling (NDT) som presenteras i avhandlingen. Avhandlingen presenterar också ett NDT-ramverk som predikterar den möjliga datatakten för användare i nätverket utifrån det aktuella nätverkstillståndet.

Sammantaget visar resultaten att en kombination av klustring, distribuerad inlärning och realistisk systemmodellering avsevärt kan förbättra robustheten i pQoS-modeller under krävande omständigheter. Forskningsbidraget i avhandlingen tillhandahåller metoder som kan stödja tillförlitlig kommunikation i framtida trådlösa nätverk. Framtida forskning bör utveckla en teoretisk grund för att integrera sannolikhetsmedvetenhet och SLA-nivåer i prediktionsmodeller. På så sätt kan forskningen skapa pQoS-ramverk som optimerar prediktionsnoggrannhet, riskhantering för kritiska tjänster och anpassningsförmåga i icke-stationära trådlösa miljöer.