| dc.description.abstract | Las redes de telecomunicaciones han generado cambios profundos en la humanidad. Desde sus inicios, con los primeros teléfonos móviles 1G, se abrió un nuevo mundo de posibilidades con la llegada de la comunicación instantánea a larga distancia. Hoy en día, esta tecnología no ha parado de evolucionar, existiendo una gran masificación de redes 4G LTE, y comenzando a desplegarse la nueva tecnología 5G en diferentes países. El 5G trae consigo una serie de desafíos y problemas a resolver para su correcta implementación, de manera de poder alcanzar las altas velocidades y bajísimas latencias prometidas. Existen problemáticas que son transversales para las redes 5G, como para las actuales redes 4G LTE, como por ejemplo, la existencia de bajas de desempeño que pueden llegar a experimentar las celdas de las redes móviles, y la falta de conocimiento del patrón de uso de las antenas a nivel geográfico, para una óptima distribución de los recursos móviles según los requerimientos reales.
El presente trabajo de título se desarrolla bajo el contexto anterior, en donde se utilizan datasets del funcionamiento operacional de las redes móviles 4G LTE de Santiago, para poder aplicar diferentes técnicas de aprendizaje automático o Machine Learning (ML) capaces de abordar las problemáticas de desempeño de las celdas, e identificar el patrón de uso de las antenas. Es por ello, que se utilizan herramientas de ML como los modelos XGBoost, Random Forest, entre otros, para poder generar clasificaciones y predicciones respecto a la cantidad de días en que, semanalmente, una celda tiene bajas de desempeño. Por otro lado, se entrenan redes LSTM, para poder generar pronósticos exactos, respecto al comportamiento futuro de una variable de interés, y finalmente, se aplica el algoritmos de modelamiento de tópicos de texto Latent Dirichlet Allocation (LDA), para la caracterizaciones de patrón de uso, a nivel temporal y geográfico, de las antenas de la red móvil estudiada.
Para las clasificaciones, se realiza una comparativa entre los algoritmos probados de ML respecto al puntaje ROC AUC, destacando XGBoost por sobre los demás, y para las predicciones y pronósticos, se aplican métricas como MAE y RMSE para la comparativa de los desempeños de los modelos. Por último, los resultados del uso de LDA en los datos de la red móvil, logran vislumbrar una diferenciación en el patrón de uso de las antenas, hallando 5 clusters diferentes, de los cuales se logra evidenciar comportamientos residenciales y comerciales en diferentes puntos de Santiago. | |
