Implementación de un sistema de predicción de medidas LTE utilizando la tarjeta de desarrollo Zedboard y Machine Learning

Diversas condiciones sobre las que operan las redes móviles LTE visibilizan la necesidad de establecer estrategias que permitan la interpretación de distintas variables que intervienen en su diseño, construcción, despliegue y funcionamiento. Una de estas variables clave dentro del contexto móvil LTE son las medidas de relación de potencia y calidad de señal, RSSI, RSRP y RSRQ. Los principales métodos usados para cuantificar estas medidas en un entorno físico, más allá de la medición en sitio, pueden ser los modelos de propagación, sin embargo, además de la construcción matemática que significa su uso e implementación, no son realmente herramientas que pronostiquen o predigan el comportamiento de la señal en un entorno específico, mostrando claramente una necesidad que no se ha suplido adecuadamente en esta área. En esta perspectiva, una opción viable a la predicción de estas medidas son los modelos predictivos, pero si además del problema de predecir propiamente, se suma el contexto de trabajo con equipos móviles y entornos al aire libre, tiene sentido encaminar estos modelos de predicción en un dispositivo que ofrezca portabilidad de alguna forma. Las tarjetas reprogramables tipo FPGA o los sistemas embebidos, proveen de una cantidad de recursos de procesamiento moderada que, en aplicaciones como las requeridas para este problema, resultan ser suficientes para implementar modelos predictivos. Es así como ZedBoard, en conjunto de un sistema operativo dedicado que soporte lenguajes de programación especializados en Machine Learning como Python, es un candidato adecuado para el prototipado de código en este campo. Se plantea entonces el diseño y ejecución en un ambiente interactivo de código Python, como Jupyter Notebook, el desarrollo de tres modelos predictivos basándose en los algoritmos de Regresión lineal, Regresión Polinomial, y Bosques Aleatorios, respectivamente, usando como referencia las mediciones reales tomadas de una estación base LTE sobre un terminal móvil. Adicionalmente, se desarrolla un modelo predictivo basado en Redes Neuronales Recurrentes fuera de la tarjeta ZedBoard, esto tiene como finalidad, en primer lugar, diversificar las alternativas en cuanto algoritmos Machine Learning usados; y también, sustentar técnicamente que la efectividad y utilidad que tiene el uso de otros modelos en embebidos que aparentemente no tienen la potencia necesaria en este tipo de aplicaciones, son también capaces de ofrecer soluciones completas en un área en el que no suelen ser considerados. Al finalizar el diseño y despliegue sobre los datos de prueba, las predicciones hechas por cada modelo son concluyentes y reafirman la posibilidad real que existe para implementar modelos predictivos basados en técnicas Machine Learning en sistemas embebidos, y dentro del contexto de las telecomunicaciones móviles. Para esta problemática en concreto, el modelo de Bosques Aleatorios mostró ser muy superior y adaptarse adecuadamente a las características propias de las variables LTE analizadas con un margen de error inferior al 6% en cualquier caso, incluso por encima del modelo Red Neuronal Recurrente que no fue ejecutado en ZedBoard, permitiendo deducir que existen otras opciones en relación con el pronóstico de señales móviles y ofreciendo nuevas alternativas a los métodos clásicos de planificación, dimensionamiento y caracterización de una red celular LTE.

• Autores: Porras Garzón, Nicolás; Gómez Pérez, Helmunt Alberto
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2023
• Institución: Universidad Distrital Francisco José de Caldas
• Repositorio: RIUD: repositorio U. Distrital
• Idioma: spa
• OAI Identifier: oai:repository.udistrital.edu.co:11349/41055
• Acceso en línea: http://hdl.handle.net/11349/41055
• Palabra clave: Estación base; FPGA; LTE; Machine Learning; Modelos predictivos; Python; RSSI; Ingeniería en Telecomunicaciones -- Tesis y disertacioes académicas; Predicción de medidas LTE; Machine Learning en telecomunicaciones; Modelos predictivos en redes móviles; Calidad de señal en LTE; Base station; FPGA; LTE; Machine Learning; Predictive Model; Python; RSSI
• License: Attribution-NonCommercial-NoDerivatives 4.0 Internacional