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

• Curipallo, Michael ^[1] ; Pozo, Gyna ^[1] ; Lupera Morillo, Pablo Aníbal ^[1]
  1. [1] Escuela Politécnica Nacional

     Escuela Politécnica Nacional

     Quito, Ecuador

     
• Localización: Revista de Investigación en Tecnologías de la Información: RITI, ISSN-e 2387-0893, Vol. 10, Nº. Extra 21, 2022 (Ejemplar dedicado a: Especial), págs. 110-119
• Idioma: español
• Títulos paralelos:
  • A machine learning approach for quality prediction in idle-static mode and connected-mobile mode in LTE networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    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. Palabras clave: LTE, Machine Learning, Árbol de Decisión, Calidad de Conexión.doi: https://doi.org/10.36825/RITI.10.21.010

  • English

    In this paper, the main aims are to obtain a quality of signal prediction model in idle-static mode and a quality of connection prediction model in connected-mobile mode, for this, we apply machine learning technique to a real dataset collected from a LTE network deployed at Quito, Ecuador. The proposed models are capable to predict the conditions of low received signal strength and low data rate which is important to select the appropriate method that will most likely offer the highest quality of service. The proposed schemes based on decision tree improves in the idle-static mode and present an accuracy of 67% approximately when compared to the connected-mobile mode, and finally, we propose future works.Keywords: LTE, Machine Learning, Decision Tree, Quality of Connection.doi: https://doi.org/10.36825/RITI.10.21.010