Thai University RankingsRESEARCH RADAR
← กลับฐานข้อมูลงานวิจัย
งานใหม่ที่น่าจับตา

การคาดการณ์ความเป็นไปได้ด้วยแมชชีนเลิร์นนิงสำหรับติดตั้งมิเตอร์อัจฉริยะ NB-IoT ในไทย: การศึกษาหลายพื้นที่และสภาพแวดล้อม

ML-Based Feasibility-Prediction for NB-IoT Smart Metre Deployment in Thailand: A Cross-Environment Multi-Site Study

สัญญาณผลกระทบ72/100
01

ข้อมูลจากบทคัดย่อ

งานวิจัยสร้างแบบจำลองทำนายว่าพื้นที่หนึ่งจะครอบคลุมสัญญาณ RSRP อย่างน้อย 95% หรือไม่ โดยรวมพารามิเตอร์ช่องสัญญาณที่วัดในไทย ความหนาแน่นมิเตอร์สังเคราะห์จาก OpenStreetMap และป้ายกำกับจากการจำลอง Monte Carlo ใน 411 เซลล์จาก 4 พื้นที่ Gradient Boosting ให้ความแม่นยำ 0.971 และ F1 0.969 ด้วยเวลาทำนาย 1.7 มิลลิวินาที พื้นที่ชนบทสุพรรณบุรีเป็นกรณีเดียวที่ได้คำแนะนำ โดย 88.5% ของเซลล์ผ่าน ขณะที่เมืองหนาแน่นอาจต้องผสม PLC ผลช่วยลดเวลาจำลอง แต่แบบจำลองเรียนรู้เพื่อเลียนแบบสมมติฐานช่องสัญญาณ ไม่ใช่ยืนยันความครอบคลุมและความน่าเชื่อถือจากมิเตอร์จริงทุกพื้นที่

02

เหตุผลที่อยู่ในฐานติดตาม

ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย

ประเด็นที่เกี่ยวข้อง: IoT Networks and Protocols · Advanced MIMO Systems Optimization · Power Line Communications and Noise

03

บทบาทของนักวิจัยและสถาบันไทย

Kittiwat Srivilas · Chaiyod Pirak · King Mongkut's University of Technology North Bangkok

04

ข้อจำกัดของข้อมูล

หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง