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.