Modelos de aprendizaje automático basados en información de contexto espaciotemporal para redes celulares autoorganizadas

Abstract

Los avances tecnológicos han aumentado las expectativas de los usuarios en términos de velocidad y estabilidad de la conexión. El contexto del usuario, como la ubicación y el momento de uso de la red, afecta su experiencia y comportamiento. Sin embargo, esta información no siempre está disponible para los operadores de red. Por tanto, esta tesis doctoral se centra en desarrollar modelos que estimen el contexto espaciotemporal de los usuarios en redes móviles y, así, mejorar la gestión automática de la red. Los modelos desarrollados permiten comprender los patrones de uso de los usuarios y tomar decisiones informadas para optimizar el rendimiento de la red. El objetivo es utilizar técnicas de aprendizaje automático para estimar aspectos del contexto de los usuarios y aplicarlos en la gestión de la red. Para facilitar la integración en los sistemas de soporte de operaciones, se desarrollan modelos computacionalmente simples y se utilizan datos fácilmente accesibles. El estudio comienza analizando el contexto espacial, desarrollando un modelo que estime si el usuario se encuentra en un lugar interior o exterior. Con esta información, se desarrolla un modelo que mejora el posicionamiento geográfico de los terminales utilizando, además, datos de redes sociales. Una vez se ha optimizado la localización de los usuarios, se propone un método de autoplanificación de celdas pequeñas en redes heterogéneas, que determina la ubicación de nuevas celdas basándose en la mejora percibida por los usuarios en términos de volumen de descarga. Por último, se aborda la dimensión temporal del contexto de los usuarios al predecir el tráfico futuro en una celda, considerando la variabilidad del comportamiento de los usuarios y corrigiendo las predicciones según el tipo de evento social esperado.