Gestión de bandas de frecuencias en entornos celulares mediante técnicas predictivas de deep learning

Abstract

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.

El treball aquí exposat té com a finalitat la implementació d'un programari que sigui capaç de predir les trucades realitzades en xarxes cel·lulars a la ciutat de Milà. Les fonts de dades de trànsit són proveïdes per Itàlia Telecom a la ciutat de Milà generats pels seus usuaris i per usuaris desplaçats a la zona. Aquesta implementació és possible amb diferents tècniques de Deep Learning i el framework TensorFlow. Per a fer-ho amb un horitzó de predicció suficient que compleixi els requeriments d'algunes aplicacions, una bona solució és fer la implementació mitjançant una xarxa LSTM, ja que aquestes tenen una gran memòria a llarg termini. En les proves realitzades, la xarxa LSTM ha estat comparada amb un perceptrón multicapa. Resultant com era d'esperar, un rendiment superior a favor de la xarxa LSTM. Una aplicació que es podria beneficiar del producte desenvolupat en aquest treball seria activació/desactivació de bandes de freqüència en repetidors de salt de freqüència quan aquests vagin a cursar un nombre de trucades més elevat de l'habitual.

The purpose of this work is to implement a software capable of predicting calls made in cellular networks in the city of Milan. The sources of traffic data are provided by the city's Italia Telecom generated by its users as well as by users displaced to this area. Implementation is possible with different Deep Learning techniques and the TensorFlow framework and, to achieve this with sufficent prediction horizon, use of an LSTM network is advisable, as these networks have large long-term Memory. In the tests performed, the LSTM network was compared with a multilayer perceptron. As expected, LSTM network showed the best performance. Based on the product developed in this work, the activation/deactivation of frequency bands in Frequency Shift Repeaters (FSR) could be improved when these are going to carry a higher number of calls than usual. As a result, we have been able to make predictions with a prediction horizon of 18 samples, which with the time interval of the data used is equivalent to three hours of prediction. This is a sufficient horizon to satisfy the proposed application.