Proyección del comportamiento de enlaces en redes inalámbricas lln mediante series temporales no estacionarias aplicando algoritmos de aprendizaje automático

Las series temporales son idóneas para representar, a través del tiempo, la calidad de los enlaces en redes IEEE 802.15.4. Por ende, es considerable proyectar o predecir las métricas de la calidad de enlace como RSSI y LQI para optimizar el rendimiento en este tipo de redes. Este proyecto se sustenta en el uso de algoritmos de aprendizaje automático para predecir o proyectar métricas de la calidad de enlaces en series temporales univariantes no estacionarias. A lo largo de este documento se introducen conceptos teóricosmatemáticos de las series temporales, los algoritmos aplicados (RF, SVR, LSTM y ARIMA), pretratamiento y tratamiento de los datos, experimentación, resultados y evaluación de los modelos. Se concluye que, para la media de los 104 experimentos ejecutados, la m Forward Valida ra el modelo ARIMA, ya que permite una buena precisión en las observaciones, pero un alto tiempo de ejecución, superando en este factor a los demás modelos. Por su parte, RF se asemeja notoriamente a LSTM en términos de error, presentando RF un tiempo de ejecución menor. Experimentalmente SVR obtuvo mejora notoria al aplicar promedios móviles a las series temporales, demostrando una disminución del error porcentual de más del 6%

• Autores: Mantilla López, Juan David
• Tipo de recurso: http://purl.org/coar/version/c_b1a7d7d4d402bcce
• Fecha de publicación: 2021
• Institución: Universidad Industrial de Santander
• Repositorio: Repositorio UIS
• Idioma: spa
• OAI Identifier: oai:noesis.uis.edu.co:20.500.14071/41559
• Acceso en línea: https://noesis.uis.edu.co/handle/20.500.14071/41559; https://noesis.uis.edu.co
• Palabra clave: IEEE 802.15.4; Series de tiempo no estacionaria; LSTM; Random Forest; Support Vector Regressor; ARIMA; predicciones series de tiempo.; IEEE 802.15.4; Nonstationary time series; LSTM; Random Forest; Support Vector Machine; ARIMA; time series forecasting.
• License: Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)