Modelos Predictivos de Zonas de Handover en Redes LTE con Base a Mediciones de Campo y Árboles de Decisión (Caso de Estudio Ciudad de Quito)

##plugins.themes.bootstrap3.article.main##

Viviana Párraga Villamar

Cristian Rocha

Henry Navarrete

Pablo Lupera-Morillo


Palabras clave:
LTE, handover, Machine Learning, decision tree LTE, árbol de decisión, Machine Learning

Resumen

Este trabajo analiza el proceso de handover en redes LTE (Long Term Evolution) en dos escenarios, detectando las características y el comportamiento de los parámetros RF (Radio Frequency) mediante modelos predictivos. Los dos escenarios recopilan datos de mediciones de los parámetros de RF, el primero en una zona urbana de la ciudad de Quito con la finalidad de analizar el comportamiento y establecer las características de una zona con handovers. El segundo escenario busca obtener un modelo predictivo de las zonas de handover fallidos; en este caso, se realizan recorridos en una zona rural de la ciudad de Quito y se analiza la falla de handovers con fallas en llamadas VoIP, ya que en este servicio es más notable la pérdida de conexión en LTE. Para la recolección de datos se utilizan herramientas de monitoreo instaladas en teléfonos celulares y para el análisis de datos y la obtención del modelo de Machine Learning se emplean R y RStudio. Los datos recopilados fueron limpiados y transformados para obtener un DataSet único por cada escenario, luego se dividió en un set de entrenamiento y test. El set de entrenamiento fue procesado mediante la técnica de árboles de decisión, que permitió obtener un modelo gráfico del comportamiento de los parámetros RF que generan handovers o handovers fallidos según el escenario. Finalmente, con el set de test se evaluaron los modelos definiendo matrices de confusión y se calculó el accuracy respectivo, teniendo 96.34% en el escenario 1 y 95.5% en el escenario 2.

Descargas

Descargas

Los datos de descargas todavía no están disponibles.




Detalles del artículo

Citas

Almeida, E. N., Fernandes, K., Andrade, F., Silva, P., Campos, R. y Ricardo, M. (2019). A Machine Learning Based Quality of Service Estimator for Aerial Wireless Networks). 2019 International Conference on Wireless and Mobile Computing, Networking and Communications (WiMob), 1-6. http://dx.doi.org/10.1109/WiMOB.2019.8923217

Boucetta, C., Nour, B., Cusin, A. y Moungla, H. (2021). QoS in IoT Networks based on Link Quality Prediction). ICC 2021 - IEEE International Conference on Communications, 1-7. http://dx.doi.org/10.1109/ICC42927.2021.9500396

Casas, P.(2018). Machine learning models for wireless network monitoring and analysis. 2018 IEEE Wireless Communications and Networking Conference Workshops (WCNCW), 242-247. http://dx.doi.org/10.1109/WCNCW.2018.8369024

Casas, P., D’Alconzo, A., Wamser, F., Seufert, M., Gardlo, B., Schwind, A., Tran-Gia, P. y Schatz, R. (2017). Predicting QoE in cellular networks using machine learning and insmartphone measurements. 2017 Ninth International Conference on Quality of Multimedia Experience (QoMEX), 1-6. http://dx.doi.org/10.1109/QoMEX.2017.7965687

Choudhary, R. y Gianey, H. K. (2017). Comprehensive Review On Supervised Machine Learning Algorithms. 2017 International Conference on Machine Learning and Data Science (MLDS). http://dx.doi.org/10.1109/MLDS.2017.11

Foegelle, M. D. (2018). RF measurements in a 5G world 2018 IEEE International Instrumentation and Measurement Technology Conference (I2MTC), 1-6.http://dx.doi.org/10.1109/I2MTC.2018.8409874

Lupera-Morillo P. y Parra E. R. (2020). A Ray-Tracing Simulator for Predicting UHF Signals Propagation in Tunnels (Case Study Metro of Quito). 2020 IEEE ANDESCON, 1-6. http://dx.doi.org/10.1109/ANDESCON50619.2020.9272123

Mahmoud, H. H. H. y Ismail, T. (2007). A Review of Machine learning Use-Cases in Telecommunication Industry in the 5G Era. Social Science & Medicine, 65(2), 377-392. http://dx.doi.org/10.1016/j.socscimed.2007.03.018

Masri, A., Veijalainen, T., Martikainen, H., Mwanje, S., Ali-Tolppa, J., y Kajó, M. (2021). Machine-Learning-Based Predictive Handover. 2021 IFIP/IEEE International Symposium on Integrated Network Management (IM), 648-652.

Quistial, A., Lupera Morillo, P., Tipantuña y C., Carvajal, J. (2018). Modelo matemático adaptado para el cálculo de pérdidas de propagación en la banda de 900 MHz para microceldas en la ciudad de Quito. Revista Politécnica, 41(2), 29-36.

Scott, A. W. y Frobenius, R. (2008). RF Measurements for Cellular Phones and Wireless Data Systems. EU: Wiley-IEEE Press.

Singh, A., Thakur, N. y Sharma, A. (2016). A review of supervised machine learning algorithms. 2016 3rd International Conference on Computing for Sustainable Global Development (INDIACom), 1310-1315. https://ieeexplore.ieee.org/abstract/document/7724478.

Tayyab, M., Gelabert, X. y Jäntti, R. (2019). A Survey on Handover Management: From LTE to NR. IEEE Access, 7, 118907-118930. http://dx.doi.org/10.1109/ACCESS.2019.2937405