SciELO - Scientific Electronic Library Online

 
vol.52 número1Disposición de Sensores Sísmicos para la Detección de Lahares en el Volcán Cotopaxi Basado en un Datalogger con Field Programmable Gate ArraysVARVO: un Método Novedoso para la Detección Rápida de Eventos de Choques de Vehículos a Partir de Solo Datos de Video índice de autoresíndice de materiabúsqueda de artículos
Home Pagelista alfabética de revistas  

Servicios Personalizados

Revista

Articulo

Indicadores

Links relacionados

  • No hay articulos similaresSimilares en SciELO

Compartir


Revista Politécnica

versión On-line ISSN 2477-8990versión impresa ISSN 1390-0129

Resumen

VIVIANA, Parraga Villamar,; CRISTIAN, Rocha,; HENRY, Navarrete,  y  PABLO, Lupera-Morillo,. Modelos Predictivos de Zonas de Handover en Redes LTE con Base a Mediciones de Campo y Arboles de Decision (Caso de Estudio Ciudad de Quito). Rev Politéc. (Quito) [online]. 2023, vol.52, n.1, pp.15-24. ISSN 2477-8990.  https://doi.org/10.33333/rp.vol52n1.02.

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.

Palabras clave : LTE; handover; Machine Learning; árbol de decisión.

        · resumen en Inglés     · texto en Español     · Español ( pdf )