งานต่อยอดข้อมูลช่องสัญญาณไทยสร้างตัวจำแนกความเป็นไปได้ให้ NB-IoT ครอบคลุม RSRP 95% ใน 411 เซลล์จาก 4 พื้นที่ Gradient Boosting ให้ accuracy 0.971, F1 0.969 และทำนาย 1.7 ms เร็วกว่าการจำลอง Monte Carlo มาก แต่ label สำหรับฝึกมาจาก Monte Carlo ภายใต้โมเดลเดียวกัน จึงเป็นตัวแทนการจำลอง ไม่ใช่ความแม่นต่อการติดตั้งจริง
ข้อค้นพบสำคัญ
- Gradient Boosting ได้ accuracy 0.971, F1 0.969 และ latency 1.7 ms เร็วกว่าการจำลองโดยตรงราวสี่ลำดับขนาด ในกรอบสมมติฐานนี้ Suphan Buri ชนบทเป็นกรณีเดียวที่จัด RECOMMENDED โดย 88.5% เซลล์ feasible ส่วนเมืองหนาแน่นเสนอ hybrid PLC backhaul
ทำไมจึงมีความสำคัญระดับโลก
เครื่องมือคัดกรองเร็วอาจช่วยการไฟฟ้าจัดลำดับสำรวจพื้นที่และเปรียบเทียบ NB-IoT กับ PLC ก่อนลงทุน ลดการรัน simulation หนักซ้ำทุกเซลล์
บทบาทของนักวิจัยไทย
Kittiwat Srivilas และ Chaiyod Pirak จาก TGGS มจพ.เชื่อมข้อมูลการวัดช่องสัญญาณไทยกับการวางแผน Advanced Metering Infrastructure ในบริบทการไฟฟ้าส่วนภูมิภาค
ข้อจำกัดที่ควรรู้
ความแม่นวัดเทียบ label จำลอง ไม่ใช่ ground truth จากมิเตอร์จริง ชั้นความหนาแน่นมิเตอร์เป็นข้อมูลสังเคราะห์ มีเพียง 411 เซลล์ 4 พื้นที่ และ threshold เดียว อาจเกิด spatial leakage หากแบ่ง train/test ไม่กันพื้นที่ การแนะนำจังหวัดจึงยังเป็น scenario ไม่ใช่คำตัดสินลงทุน
ตรวจสอบแหล่งต้นทาง
EnergiesEnergies↗DOI: 10.3390/en19133195