Predicción de tráfico en redes móviles mediante modelo híbrido de Gradient Boosting y Redes Neuronales Recurrentes
Este proyecto se centra en desarrollar un marco comparativo para evaluar dos alternativas de predicción de tráfico móvil utilizando datos históricos de la ciudad de Milán. Se implementa un sistema en el que el modelo LightGBM se emplea tanto para la predicción directa como para la ingeniería de cara...
| Autor: | |
|---|---|
| Formato: | tesis de maestría |
| Fecha de publicación: | 2025 |
| País: | España |
| Recursos: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/152887 |
| Acesso em linha: | https://hdl.handle.net/10609/152887 |
| Access Level: | acceso abierto |
| Palavra-chave: | 5G Cloud-RAN predicción predicción de tráfico LightGBM LSTM Telecommunication -- FMDP Telecomunicació -- TFM |
| Resumo: | Este proyecto se centra en desarrollar un marco comparativo para evaluar dos alternativas de predicción de tráfico móvil utilizando datos históricos de la ciudad de Milán. Se implementa un sistema en el que el modelo LightGBM se emplea tanto para la predicción directa como para la ingeniería de características, y se contrasta con una red neuronal LSTM diseñada a partir del modelo LightGBM, para capturar dependencias temporales a largo plazo. La evaluación se realiza mediante métricas como el error cuadrático medio\cite{mse} (MSE) y el error porcentual medio absoluto simétrico\cite{smape} (SMAPE), con el fin de determinar cuál de los dos modelos ofrece mayor precisión predictiva. Además, se propone integrar el servicio predictor en un entorno simulado de Cloud-RAN, utilizando una API REST para comunicar el predictor con un controlador SDN desplegado en una máquina virtual (vm2), que orquesta los ajustes dinámicos del tráfico en un conmutador virtual (OVS) en otra máquina virtual (vm3). La simulación incluye la generación de tráfico agregado ascendente desde una máquina virtual que abstrae a la unidad distribuida (vDU), replicando patrones temporales realistas de tráfico móvil mediante dataset. Los resultados aportan una visión integral sobre el equilibrio entre precisión y eficiencia en la gestión del tráfico móvil en escenarios de redes virtualizadas. |
|---|