Η παρούσα εργασία μελετά την πρόβλεψη κινητικότητας σε ασύρματα δίκτυα με χρήση μεθόδων μηχανικής μάθησης και ειδικότερα Γραφικών Νευρωνικών Δικτύων (Graph Neural Networks – GNN). Η κινητικότητα των χρηστών αποτελεί κρίσιμο παράγοντα στη λειτουργία και την ποιότητα υπηρεσίας των ασύρματων δικτύων, καθώς επηρεάζει τη διαχείριση διαθέσιμων πόρων και τη μεταπομπή (handover). Η πρόβλεψη προσφέρει τη δυνατότητα στα δίκτυα να προσαρμόζονται δυναμικά, να μειώνουν καθυστερήσεις και να αποφεύγονται διακοπές σύνδεσης.

Αρχικά, παρουσιάζονται τα βασικά χαρακτηριστικά των ασύρματων δικτύων, διαδεδομένα μοντέλα κινητικότητας και παραδοσιακές μέθοδοι πρόβλεψης, όπως οι αλυσίδες Markov, τα δίκτυα Bayes και οι αλγόριθμοι SVM. Στη συνέχεια, γίνεται εκτενής αναφορά στη Μηχανική μάθηση και τα Νευρωνικά Δίκτυα με έμφαση στα GNN, τα οποία αξιοποιούν τη γραφική δομή της τοπολογίας του δικτύου και τα ιστορικά δεδομένα κίνησης για ακριβείς προβλέψεις.

Το πειραματικό μέρος της εργασίας, παρουσιάζει μια εφαρμογή πρόβλεψης κινητικότητας χρηστών με χρήση GNN. Αρχικά χρησιμοποιείται ο NS-3 για τη δημιουργία βάσεων δεδομένων με κινητικά ίχνη χρηστών. Τα δεδομένα αυτά μετατράπηκαν σε κατάλληλα σύνολα για περιβάλλον PyTorch Geometric και εφαρμόστηκε μια προσέγγιση εστίασης στη σύνδεση, Subgraph Embedding-based Link Prediction (SEAL)  με GΝΝ για πρόβλεψη των μεταπομπών (handover). Το μοντέλο εκπαιδεύτηκε με βάση ιστορικές συνδέσεις και αξιολόγησε την πιθανότητα μελλοντικών μετακινήσεων χρηστών σε νέα σημεία πρόσβασης.

Τα αποτελέσματα έδειξαν ότι η προτεινόμενη μέθοδος προσφέρει υψηλή ακρίβεια πρόβλεψης και χαμηλά ποσοστά σφάλματος, υπερτερώντας σε αρκετές περιπτώσεις των παραδοσιακών προσεγγίσεων. Συμπερασματικά, η αξιοποίηση των GNN στη πρόβλεψη κινητικότητας μπορεί να συμβάλει ουσιαστικά στη βελτίωση της ποιότητας υπηρεσίας, την αποδοτικότερη χρήση πόρων και την υποστήριξη των μελλοντικών απαιτήσεων στα ασύρματα δίκτυα.

This thesis studies mobility prediction in wireless networks using machine learning methods and in particular Graph Neural Networks (GNN). User mobility is a critical factor in the operation and quality of service of wireless networks, as it affects the management of available resources and handovers. Prediction offers the ability for networks to adapt dynamically, reduce delays and avoid connection interruptions.

Initially, the basic characteristics of wireless networks, widespread mobility models and traditional prediction methods, such as Markov chains, Bayesian networks and SVM algorithms, are presented. Then, an extensive reference is made to Machine Learning and Neural Networks with emphasis on GNN, which utilize the graphical structure of the network topology and historical traffic data for accurate predictions.

The experimental part of the work presents a user mobility prediction application using GNN. Initially, NS-3 is used to create databases with user movement traces. These data were converted into suitable sets for PyTorch Geometric and a connection-focused Subgraph Embedding-based Link Prediction (SEAL) approach with GNN was applied to predict handovers. The model was trained based on historical connections and evaluated the probability of future user movements to new access points.

The results showed that the proposed method offers high prediction accuracy and low error rates, outperforming traditional approaches in several cases. In conclusion, the use of GNNs in mobility prediction can significantly contribute to improving the quality of service, more efficient resource use and support for future requirements in wireless networks.