Modelo de aprendizaje automático para la predicción de calidad en modo estático-inactivo y modo móvil-conectado en redes LTE

Autores/as

DOI:

https://doi.org/10.36825/RITI.10.21.010

Palabras clave:

LTE, Machine Learning

Resumen

En este artículo, se obtienen modelos predictivos de la calidad de la señal en el modo inactivo y estático y de la velocidad de la conexión en el modo conectado y en movimiento en base a mediciones de campo de parámetros de radiofrecuencia de una red LTE realizadas en la ciudad de Quito, Ecuador. Los modelos se obtienen con la aplicación de la técnica de los árboles de decisión; dichos modelos permiten predecir en base a los parámetros de radiofrecuencia las zonas en las cuales se presentan niveles de señal y de velocidad de conexión deficientes, para la posterior aplicación de medidas correctivas o paliativas. De los resultados obtenidos en los dos escenarios se concluye que la técnica de los árboles de decisión es adecuada para el modo inactivo y estático con un nivel de precisión del 67% aproximadamente. El artículo finaliza con la propuesta de trabajos futuros a realizar.

Citas

Jha, S. K., Rokaya, R., Bhagat, A., Khan, A. R., Aryal, L., (2017). LTE Network: Coverage and Capacity Planning-4G Cellular Network Planning around Banepa. International Conference on Networking and Network Applications (NaNA), Kathmandu, Nepal. https://doi.org/10.1109/NaNA.2017.23

Divya, R., Hüseyin, A. (2009). 3GPP – Long Term Evolution – A Technical Study. Spring.

Ericsson. (2009). LTE – an introduction. Long Term Evolution (LTE) offers a superior user experience and simplified technology for next-generation mobile broadband. https://telecoms.com/files/2009/03/lte_overview.pdf

Casas, P. (2018). Machine learning models for wireless network monitoring and analysis. IEEE Wireless Communications and Networking Conference Workshops (WCNCW), Barcelona, Spain. https://doi.org/10.1109/WCNCW.2018.8369024

Casas, P. D’Alconzo, A., Wamser, F., Seufert, M., Gardlo, B., Schwind, A., Tran-Gia, P., Schatz, R. (2017). Predicting QoE in cellular networks using machine learning and in-smartphone measurements. Ninth International Conference on Quality of Multimedia Experience (QoMEX), Erfurt, Germany. https://doi.org/10.1109/QoMEX.2017.7965687

Hou, Q., Zhou, Yifan. F., Peng, X., Zhang, L. (2014). Study of TD-LTE Coverage and Uplink/Downlink Power Budget in High-Speed Train. Applied Mechanics and Materials, 716-717, 117-1420. https://doi.org/10.4028/www.scientific.net/amm.716-717.1417

Afroz, F., Subramanian, R., Heidary, R., Sandrasegaran, K., Ahmed, S. (2015). SINR, RSRP, RSSI and RSRQ Measurements in Long Term Evolution Networks. International Journal of Wireless & Mobile Networks, 7 (4), 113 − 123. http://dx.doi.org/10.5121/ijwmn.2015.7409

Lin, C. C., Sandrasegaran, K., Mohd Ramli, H. A., Basukala, R. (2011). Optimized Performance Evaluation Of LLE Hard Handover Algorithm With Average RSRP Constraint. International Journal of Wireless & Mobile Networks (IJWMN), 3 (2), 1-16. http://dx.doi.org/10.5121/ijwmn.2011.3201

Vukanic Stojanovic, I., Koprivica, M., Stojanovic, N., Neskovic, A. (2020). Analysis of the impact of network architecture on signal quality in LTE technology. Serbian Journal of Electrical Engineering, 17 (1), 95-109. http://dx.doi.org/10.2298/SJEE2001095S

Publicado

2022-08-18

Cómo citar

Curipallo, M., Pozo, G., Lupera-Morillo , P., & Párraga, V. (2022). Modelo de aprendizaje automático para la predicción de calidad en modo estático-inactivo y modo móvil-conectado en redes LTE . Revista De Investigación En Tecnologías De La Información, 10(21 (Especial), 110–119. https://doi.org/10.36825/RITI.10.21.010