Gestión de bandas de frecuencias en entornos celulares mediante técnicas predictivas de deep learning
El trabajo aquí expuesto tiene como finalidad la implementación de un software que sea capaz de predecir las llamadas realizadas en redes celulares en la ciudad de Milán. Las fuentes de datos de tráfico son provistas por Italia Telecom en la ciudad de Milán generados por sus usuarios y por usuarios...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Fecha de publicación: | 2019 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/87285 |
| Acceso en línea: | http://hdl.handle.net/10609/87285 |
| Access Level: | acceso abierto |
| Palabra clave: | LSTM deep learning TensorFlow aprenentatge profund aprendizaje profundo Telematics -- TFM Telemàtica -- TFM Telemática -- TFM |
| Sumario: | El trabajo aquí expuesto tiene como finalidad la implementación de un software que sea capaz de predecir las llamadas realizadas en redes celulares en la ciudad de Milán. Las fuentes de datos de tráfico son provistas por Italia Telecom en la ciudad de Milán generados por sus usuarios y por usuarios desplazados a la zona. Esta implementación es posible con diferentes técnicas de Deep Learning y el framework TensorFlow. Para hacerlo con un horizonte de predicción suficiente que cumpla los requerimientos de algunas aplicaciones, una buena solución es hacer la implementación mediante una red LSTM, ya que estas tienen una gran memoria a largo plazo. En las pruebas realizadas, la red LSTM ha sido comparada con un perceptrón multicapa. Resultando como era de esperar, un rendimiento superior a favor de la red LSTM. Una aplicación que se podría beneficiar del producto desarrollado en este trabajo sería activación/desactivación de bandas de frecuencia en repetidores de salto de frecuencia cuando estos vayan a cursar un número de llamadas más elevado de lo habitual. |
|---|