Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE

Este proyecto describe un sistema automatizado de monitorización y alertas para gestionar el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente y el tráfico de usuarios sobre un número determinado de celdas de red de acceso radio de estaciones base. Con la utilización d...

Full description

Autores:
Hernández Martínez, Jean Carlos
Lizarazo Prieto, Santiago Enrique
Tipo de recurso:
Trabajo de grado de pregrado
Fecha de publicación:
2024
Institución:
Universidad Distrital Francisco José de Caldas
Repositorio:
RIUD: repositorio U. Distrital
Idioma:
spa
OAI Identifier:
oai:repository.udistrital.edu.co:11349/94252
Acceso en línea:
http://hdl.handle.net/11349/94252
Palabra clave:
Comunicación móvil 4G
Monitoreo computarizado
Análisis de datos
Aprendizaje de máquina
Red de radio acceso
Desarrollo de software
Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas
4G mobile communication
Computerized monitoring
Data analysis
Machine Learning
Radio Access network
Software development
Rights
License
Abierto (Texto Completo)
id UDISTRITA2_a2596646a1fc9a87e7e3691abec1fb08
oai_identifier_str oai:repository.udistrital.edu.co:11349/94252
network_acronym_str UDISTRITA2
network_name_str RIUD: repositorio U. Distrital
repository_id_str
dc.title.none.fl_str_mv Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
dc.title.titleenglish.none.fl_str_mv Development of a monitoring and predictive analysis tool using a machine learning technique for 4G LTE mobile networks
title Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
spellingShingle Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
Comunicación móvil 4G
Monitoreo computarizado
Análisis de datos
Aprendizaje de máquina
Red de radio acceso
Desarrollo de software
Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas
4G mobile communication
Computerized monitoring
Data analysis
Machine Learning
Radio Access network
Software development
title_short Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
title_full Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
title_fullStr Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
title_full_unstemmed Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
title_sort Desarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTE
dc.creator.fl_str_mv Hernández Martínez, Jean Carlos
Lizarazo Prieto, Santiago Enrique
dc.contributor.advisor.none.fl_str_mv Cely Callejas, José David
dc.contributor.author.none.fl_str_mv Hernández Martínez, Jean Carlos
Lizarazo Prieto, Santiago Enrique
dc.subject.none.fl_str_mv Comunicación móvil 4G
Monitoreo computarizado
Análisis de datos
Aprendizaje de máquina
Red de radio acceso
Desarrollo de software
topic Comunicación móvil 4G
Monitoreo computarizado
Análisis de datos
Aprendizaje de máquina
Red de radio acceso
Desarrollo de software
Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas
4G mobile communication
Computerized monitoring
Data analysis
Machine Learning
Radio Access network
Software development
dc.subject.lemb.none.fl_str_mv Ingeniería en Telecomunicaciones -- Tesis y disertaciones académicas
dc.subject.keyword.none.fl_str_mv 4G mobile communication
Computerized monitoring
Data analysis
Machine Learning
Radio Access network
Software development
description Este proyecto describe un sistema automatizado de monitorización y alertas para gestionar el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente y el tráfico de usuarios sobre un número determinado de celdas de red de acceso radio de estaciones base. Con la utilización de Python y diferentes Apis como herramientas de análisis de datos, el sistema analiza condiciones reales de red, extrayendo logs desde una base de datos, al tiempo que realiza un seguimiento de forma continua e ininterrumpida del estado de los PRB y el tráfico en cada celda, con el fin de determinar eficientemente el estado de un gran número de celdas en un tiempo muy corto. La solución genera alertas visuales mediante un gráfico de barras en un dashboard web cuando exista un alto uso de Bloques de Recursos Físicos (PRBs), y, cuando se detecte un bajo uso de Bloques de Recursos Físicos (PRBs). Estas alertas permitirán a los operadores de telecomunicaciones tomar decisiones de manera proactiva sin tener que esperar hasta semanas a que un equipo se dedique a identificar manualmente celda por celda. Además, el proyecto incorpora técnicas de aprendizaje computacional (ML, del inglés) y modelos estadísticos, utilizando la librería Prophet de Meta para realizar predicciones sobre el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente de las celdas. Estas predicciones permiten anticipar el comportamiento de la red a 30 días o más, facilitando una planificación proactiva y mejorando la capacidad de respuesta ante posibles congestiones o subutilización de los recursos.
publishDate 2024
dc.date.created.none.fl_str_mv 2024-11-19
dc.date.accessioned.none.fl_str_mv 2025-03-27T19:48:31Z
dc.date.available.none.fl_str_mv 2025-03-27T19:48:31Z
dc.type.none.fl_str_mv bachelorThesis
dc.type.degree.none.fl_str_mv Monografía
dc.type.driver.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_7a1f
format http://purl.org/coar/resource_type/c_7a1f
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/11349/94252
url http://hdl.handle.net/11349/94252
dc.language.iso.none.fl_str_mv spa
language spa
dc.relation.references.none.fl_str_mv E. Linares Martinez, E. Mejia Saavedra, and B. E. Mejia, "Diseño de un sistema de optimización de una red celular 4G LTE utilizando Machine Learning para la ciudad de Iquitos," Universidad Peruana de Ciencias Aplicadas, Repositorio académico de la Universidad Peruana de Ciencias Aplicadas, 2023.
J. M. Calderon Chauchi and B. J. Lipa Oscco, "Diseño de una herramienta y metodología para la detección, geolocalización y clasificación de sectores interferentes para la tecnología 4G basado en Machine Learning y Redes neuronales convolucionales," Universidad Peruana de Ciencias Aplicadas, Repositorio académico de la Universidad Peruana de Ciencias Aplicadas, 2023.
C. J. Benavides Rivera, "Predicción de comportamiento en tráfico de red LTE y ajuste de parametrización para maximizar performance de red," Universidad de Chile, Repositorio académico de la Universidad de Chile, 2021.
J. J. Gutiérrez Terraza, "Aplicación de técnicas de aprendizaje automático y analítica predictiva para mejorar desempeño de redes 4G LTE," Universidad de Chile, Repositorio académico de la Universidad de Chile, 2021.
J. M. Gran Josa, "Predicción de tráfico en redes móviles mediante Deep Learning," Universitat Oberta de Catalunya, Repositorio institucional, Universitat Oberta de Catalunya, 2019.
M. C. Díaz Vega, "Diseño de una aplicación android para monitorear los indicadores de calidad de la señal de una red 4G-LTE," Repositorio institucional, Universidad Distrital Francisco José de Caldas, 2021.
C. E. Zambrano Caicedo and J. J. Sanabria Rodríguez, "Análisis de Interferencias en la Interfaz de Radio en las Redes de Telecomunicaciones Móviles de 3ra y 4ta Generación," Repositorio institucional, Universidad Distrital Francisco José de Caldas, 2020.
H. Gao, J. S. Bawa, and R. Paranjape, "Una evaluación del planificador de equidad proporcional en una red LTE-A implementada físicamente", in *Conferencia Internacional IEEE 2019 sobre Redes Avanzadas y Sistemas de Telecomunicaciones (ANTS)*, 2020.
A. Kukushkin, "4G‐Long Term Evolution (LTE) System, and LTE‐A, are parts of: Introduction to Mobile Network Engineering: GSM, 3G-WCDMA, LTE and the Road to 5G," Wiley, 2018.
T. Rincy and G. Roopam, “A Survey on Machine Learning Approaches and Its Techniques,” in *IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS)*, 2020.
JetBrains s.r.o., “DataGrip: The Cross-Platform Database and SQL IDE,” JetBrains, 2024. [Online]. Available: https://www.jetbrains.com/es-es/datagrip/.
Plotly, “Dash Python User Guide,” 2024. [Online]. Disponible: https://dash.plotly.com/. [Accedido: Ago. 7, 2024].
Maif, “Monitor de Shapash - Predicción de precios,” Plotly, 2024. [Online]. Disponible: https://shapash-demo.ossbymaif.fr/. [Accedido: Ago. 7, 2024].
G. M. Pozo Andrade, "Análisis mediante técnicas de machine learning de parámetros técnicos de la red celular LTE para determinar patrones de comportamiento en función delas horas del día en un sector de la ciudad de Quito," Trabajo de Integración Curricular, Escuela Politécnica Nacional, Quito, Ecuador, Feb. 2022.
M. A. Curipallo Martínez, “Detección de patrones de comportamiento de parámetros de RF en redes de comunicación móvil mediante mediciones de campo y técnicas de machine learning: análisis de la relación existente entre la velocidad de conexión y la velocidad del terminal móvil,” Escuela Politécnica Nacional, Quito, Ecuador, 2022.
A. E. Linares Martinez, “Design of a 4G LTE cellular network optimization system through Machine Learning for the city of Iquitos,” Universidad Peruana de Ciencias Aplicadas (UPC), Iquitos, 2023.
C. Gomez, “Desarrollo de una aplicación móvil para la localización en espacios interiores por medio de análisis de radiación de redes WIFI,” Avances en Ingeniería, 2015.
Flask, “Microframework Flask,” 2024. [Online]. Disponible: https://flaskes.readthedocs.io/. [Accedido: Oct. 1, 2024].
Dash, “Framework Dash,” 2024. [Online]. Disponible: https://dash.plotly.com/. [Accedido: Oct. 1, 2024].
Pandas, “Librería Pandas,” 2024. [Online]. Disponible: https://pandas.pydata.org/docs/index.html. [Accedido: Oct. 1, 2024].
Numpy, “Biblioteca Numpy,” 2024. [Online]. Disponible: https://numpy.org/. [Accedido: Oct. 1, 2024].
Github, “Biblioteca Plotly,” 2024. [Online]. Disponible: https://github.com/plotly/plotly.py. [Accedido: Oct. 1, 2024].
Pypi, “Librería Psycopg2,” 2024. [Online]. Disponible: https://pypi.org/project/psycopg2/. [Accedido: Oct. 1, 2024].
Prophet, “Librería Prophet,” 2024. [Online]. Disponible: https://facebook.github.io/prophet/. [Accedido: Oct. 1, 2024].
R. Elmasri and S. B. Navathe, Fundamentals of Database Systems, 7th ed. Pearson, 2016.
R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 3rd ed. [Online]. Disponible: https://otexts.com/fpp3/prophet.html. [Accedido: Oct. 1, 2024].
3GPP, “3GPP, Releases” 2024. [Online]. Disponible: https://www.3gpp.org/specificationstechnologies/releases. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 8” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-8. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 9” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-9. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-10. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-11. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-12. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-13. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-14. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-15. [Accedido: Oct. 8, 2024].
3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-16. [Accedido: Oct. 8, 2024].
Kaggle, “Network Dataset” 2024. [Online]. Disponible: https://www.kaggle.com/datasets/santiagolizarazo/dataset-network-/settings. [Accedido: Oct. 17, 2024].
L. J. Sandoval, "Algoritmos de aprendizaje automático para análisis y predicción de datos [Machine Learning Algorithms for Data Analysis and Prediction]," ITCA-FEPADE, 2018.
M. J. Castelo Cabay, E. F. Merino Villa, M. E. Peñafiel Tixi, y B. M. Basantes Erazo, "Series temporales para el índice Diferencial Normalizado de Vegetación mediante una Red Neuronal Artificial de corto y largo plazo, y el algoritmo Prophet [Time series for the Normalized Differential Vegetation Index using a short- and long-term Artificial Neural Network, and the Prophet algorithm]," Ciencias Técnicas y Aplicadas, 2022.
L. F. Rivera, «Análisis del Rendimiento de Redes 5G utilizando Machine Learning», Rev. Vínculos, vol. 20, n.º 2, sep. 2023.
Comisión de Regulación de Comunicaciones, “Resultados medición percepción de calidad de los servicios de telecomunicaciones en el 2023” 2024. [Online]. Disponible: https://www.crcom.gov.co/es/noticias/comunicado-prensa/crc-publica-resultadosmedicion-percepcion-calidadservicios#:~:text=La%20telefon%C3%ADa%20fija%20recibi%C3%B3%20una,con%207 .2%20y%207.7%2C%20respectivamente. [Accedido: Oct. 17, 2024].
S. Russell y P. Norvig, Inteligencia Artificial: Un Enfoque Moderno, 3ª ed. México: Pearson, 2009, p. 229.
O. Liberg, M. Sundberg, Y.-P. E. Wang, J. Bergman, J. Sachs, y G. Wikström, Internet celular de las cosas: De implementaciones masivas a aplicaciones críticas 5G, 2a ed. Elsevier, 2019. doi: 10.1016/C2018-0-01131-7.
H. Haofu y T. O'Farrell, "El despliegue de redes 5G sostenibles," en Enciclopedia de tecnologías sostenibles, 2a ed., vol. 3, Elsevier, 2024, pp. 826-838. doi: 10.1016/B978-0- 323-90386-8.00060-7.
M. Sadiku, "Elementos de Electromagnetismo," 3a ed., Oxford University Press México, S.A. de C.V., División: Ciencia y Tecnología, Área: Ingeniería, México, 2003. ISBN: 970- 613-672-X.
W. Tomasi, Sistemas de Comunicaciones Electrónicas, 4a ed. Naucalpan de Juárez, Edo. de México, México: Pearson Educación, 2003. ISBN: 970-26-0316-1.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.acceso.none.fl_str_mv Abierto (Texto Completo)
rights_invalid_str_mv Abierto (Texto Completo)
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.none.fl_str_mv pdf
institution Universidad Distrital Francisco José de Caldas
bitstream.url.fl_str_mv https://repository.udistrital.edu.co/bitstreams/5ea9697b-9ce5-4883-93f2-a3a4a31eef2f/download
https://repository.udistrital.edu.co/bitstreams/5e026c9a-456c-4e2a-b79f-8613b9c4a01d/download
https://repository.udistrital.edu.co/bitstreams/9e6ee5b8-858a-456d-89e5-1f8e2bf6e2da/download
https://repository.udistrital.edu.co/bitstreams/be33cf31-e89e-4d78-a6b5-217f1dffe0b7/download
https://repository.udistrital.edu.co/bitstreams/2a168248-7cc7-4606-b9dd-65c70417f4e3/download
bitstream.checksum.fl_str_mv 3f7af391916fc756c54bb4cd32563cd5
e08e1af44a1567c4aa4cbe6c20f99112
997daf6c648c962d566d7b082dac908d
72a4998bb6f82d1faf98349c5503f62d
4224efb8642e00c244367d725d4241db
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Universidad Distrital
repository.mail.fl_str_mv repositorio@udistrital.edu.co
_version_ 1837006884296458240
spelling Cely Callejas, José DavidHernández Martínez, Jean CarlosLizarazo Prieto, Santiago Enrique2025-03-27T19:48:31Z2025-03-27T19:48:31Z2024-11-19http://hdl.handle.net/11349/94252Este proyecto describe un sistema automatizado de monitorización y alertas para gestionar el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente y el tráfico de usuarios sobre un número determinado de celdas de red de acceso radio de estaciones base. Con la utilización de Python y diferentes Apis como herramientas de análisis de datos, el sistema analiza condiciones reales de red, extrayendo logs desde una base de datos, al tiempo que realiza un seguimiento de forma continua e ininterrumpida del estado de los PRB y el tráfico en cada celda, con el fin de determinar eficientemente el estado de un gran número de celdas en un tiempo muy corto. La solución genera alertas visuales mediante un gráfico de barras en un dashboard web cuando exista un alto uso de Bloques de Recursos Físicos (PRBs), y, cuando se detecte un bajo uso de Bloques de Recursos Físicos (PRBs). Estas alertas permitirán a los operadores de telecomunicaciones tomar decisiones de manera proactiva sin tener que esperar hasta semanas a que un equipo se dedique a identificar manualmente celda por celda. Además, el proyecto incorpora técnicas de aprendizaje computacional (ML, del inglés) y modelos estadísticos, utilizando la librería Prophet de Meta para realizar predicciones sobre el porcentaje de uso de Bloques de Recursos Físicos (PRBs) en el enlace descendente de las celdas. Estas predicciones permiten anticipar el comportamiento de la red a 30 días o más, facilitando una planificación proactiva y mejorando la capacidad de respuesta ante posibles congestiones o subutilización de los recursos.This project describes an automated monitoring and alerting system to manage the percentage of downlink Physical Resource Blocks (PRBs) usage and user traffic over a given number of base station radio access network cells. Using Python and different APIs as data analysis tools, the system analyzes real network conditions, extracting logs from a database, while continuously and uninterruptedly monitoring the status of PRBs and traffic in each cell, in order to efficiently determine the status of a large number of cells in a very short time. The solution generates visual alerts via a bar graph on a web dashboard when there is a high usage of Physical Resource Blocks (PRBs), and when a low usage of Physical Resource Blocks (PRBs) is detected. These alerts will allow telecom operators to make proactive decisions without having to wait up to weeks for a team to manually identify cell by cell. In addition, the project incorporates machine learning (ML) techniques and statistical models, using Meta's Prophet library to make predictions about the percentage of Physical Resource Blocks (PRBs) usage in the downlink of cells. These predictions allow anticipating the behavior of the network 30 days or more ahead, facilitating proactive planning and improving the response capacity to possible congestion or underutilization of resources.pdfspaComunicación móvil 4GMonitoreo computarizadoAnálisis de datosAprendizaje de máquinaRed de radio accesoDesarrollo de softwareIngeniería en Telecomunicaciones -- Tesis y disertaciones académicas4G mobile communicationComputerized monitoringData analysisMachine LearningRadio Access networkSoftware developmentDesarrollo de una herramienta de monitoreo y análisis predictivo mediante una técnica de machine learning para redes móviles 4G LTEDevelopment of a monitoring and predictive analysis tool using a machine learning technique for 4G LTE mobile networksbachelorThesisMonografíainfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fAbierto (Texto Completo)http://purl.org/coar/access_right/c_abf2E. Linares Martinez, E. Mejia Saavedra, and B. E. Mejia, "Diseño de un sistema de optimización de una red celular 4G LTE utilizando Machine Learning para la ciudad de Iquitos," Universidad Peruana de Ciencias Aplicadas, Repositorio académico de la Universidad Peruana de Ciencias Aplicadas, 2023.J. M. Calderon Chauchi and B. J. Lipa Oscco, "Diseño de una herramienta y metodología para la detección, geolocalización y clasificación de sectores interferentes para la tecnología 4G basado en Machine Learning y Redes neuronales convolucionales," Universidad Peruana de Ciencias Aplicadas, Repositorio académico de la Universidad Peruana de Ciencias Aplicadas, 2023.C. J. Benavides Rivera, "Predicción de comportamiento en tráfico de red LTE y ajuste de parametrización para maximizar performance de red," Universidad de Chile, Repositorio académico de la Universidad de Chile, 2021.J. J. Gutiérrez Terraza, "Aplicación de técnicas de aprendizaje automático y analítica predictiva para mejorar desempeño de redes 4G LTE," Universidad de Chile, Repositorio académico de la Universidad de Chile, 2021.J. M. Gran Josa, "Predicción de tráfico en redes móviles mediante Deep Learning," Universitat Oberta de Catalunya, Repositorio institucional, Universitat Oberta de Catalunya, 2019.M. C. Díaz Vega, "Diseño de una aplicación android para monitorear los indicadores de calidad de la señal de una red 4G-LTE," Repositorio institucional, Universidad Distrital Francisco José de Caldas, 2021.C. E. Zambrano Caicedo and J. J. Sanabria Rodríguez, "Análisis de Interferencias en la Interfaz de Radio en las Redes de Telecomunicaciones Móviles de 3ra y 4ta Generación," Repositorio institucional, Universidad Distrital Francisco José de Caldas, 2020.H. Gao, J. S. Bawa, and R. Paranjape, "Una evaluación del planificador de equidad proporcional en una red LTE-A implementada físicamente", in *Conferencia Internacional IEEE 2019 sobre Redes Avanzadas y Sistemas de Telecomunicaciones (ANTS)*, 2020.A. Kukushkin, "4G‐Long Term Evolution (LTE) System, and LTE‐A, are parts of: Introduction to Mobile Network Engineering: GSM, 3G-WCDMA, LTE and the Road to 5G," Wiley, 2018.T. Rincy and G. Roopam, “A Survey on Machine Learning Approaches and Its Techniques,” in *IEEE International Students' Conference on Electrical, Electronics and Computer Science (SCEECS)*, 2020.JetBrains s.r.o., “DataGrip: The Cross-Platform Database and SQL IDE,” JetBrains, 2024. [Online]. Available: https://www.jetbrains.com/es-es/datagrip/.Plotly, “Dash Python User Guide,” 2024. [Online]. Disponible: https://dash.plotly.com/. [Accedido: Ago. 7, 2024].Maif, “Monitor de Shapash - Predicción de precios,” Plotly, 2024. [Online]. Disponible: https://shapash-demo.ossbymaif.fr/. [Accedido: Ago. 7, 2024].G. M. Pozo Andrade, "Análisis mediante técnicas de machine learning de parámetros técnicos de la red celular LTE para determinar patrones de comportamiento en función delas horas del día en un sector de la ciudad de Quito," Trabajo de Integración Curricular, Escuela Politécnica Nacional, Quito, Ecuador, Feb. 2022.M. A. Curipallo Martínez, “Detección de patrones de comportamiento de parámetros de RF en redes de comunicación móvil mediante mediciones de campo y técnicas de machine learning: análisis de la relación existente entre la velocidad de conexión y la velocidad del terminal móvil,” Escuela Politécnica Nacional, Quito, Ecuador, 2022.A. E. Linares Martinez, “Design of a 4G LTE cellular network optimization system through Machine Learning for the city of Iquitos,” Universidad Peruana de Ciencias Aplicadas (UPC), Iquitos, 2023.C. Gomez, “Desarrollo de una aplicación móvil para la localización en espacios interiores por medio de análisis de radiación de redes WIFI,” Avances en Ingeniería, 2015.Flask, “Microframework Flask,” 2024. [Online]. Disponible: https://flaskes.readthedocs.io/. [Accedido: Oct. 1, 2024].Dash, “Framework Dash,” 2024. [Online]. Disponible: https://dash.plotly.com/. [Accedido: Oct. 1, 2024].Pandas, “Librería Pandas,” 2024. [Online]. Disponible: https://pandas.pydata.org/docs/index.html. [Accedido: Oct. 1, 2024].Numpy, “Biblioteca Numpy,” 2024. [Online]. Disponible: https://numpy.org/. [Accedido: Oct. 1, 2024].Github, “Biblioteca Plotly,” 2024. [Online]. Disponible: https://github.com/plotly/plotly.py. [Accedido: Oct. 1, 2024].Pypi, “Librería Psycopg2,” 2024. [Online]. Disponible: https://pypi.org/project/psycopg2/. [Accedido: Oct. 1, 2024].Prophet, “Librería Prophet,” 2024. [Online]. Disponible: https://facebook.github.io/prophet/. [Accedido: Oct. 1, 2024].R. Elmasri and S. B. Navathe, Fundamentals of Database Systems, 7th ed. Pearson, 2016.R. J. Hyndman and G. Athanasopoulos, Forecasting: Principles and Practice, 3rd ed. [Online]. Disponible: https://otexts.com/fpp3/prophet.html. [Accedido: Oct. 1, 2024].3GPP, “3GPP, Releases” 2024. [Online]. Disponible: https://www.3gpp.org/specificationstechnologies/releases. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 8” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-8. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 9” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-9. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-10. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-11. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-12. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-13. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-14. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-15. [Accedido: Oct. 8, 2024].3GPP, “3GPP, Release 10” 2024. [Online]. Disponible: https://www.3gpp.org/specifications-technologies/releases/release-16. [Accedido: Oct. 8, 2024].Kaggle, “Network Dataset” 2024. [Online]. Disponible: https://www.kaggle.com/datasets/santiagolizarazo/dataset-network-/settings. [Accedido: Oct. 17, 2024].L. J. Sandoval, "Algoritmos de aprendizaje automático para análisis y predicción de datos [Machine Learning Algorithms for Data Analysis and Prediction]," ITCA-FEPADE, 2018.M. J. Castelo Cabay, E. F. Merino Villa, M. E. Peñafiel Tixi, y B. M. Basantes Erazo, "Series temporales para el índice Diferencial Normalizado de Vegetación mediante una Red Neuronal Artificial de corto y largo plazo, y el algoritmo Prophet [Time series for the Normalized Differential Vegetation Index using a short- and long-term Artificial Neural Network, and the Prophet algorithm]," Ciencias Técnicas y Aplicadas, 2022.L. F. Rivera, «Análisis del Rendimiento de Redes 5G utilizando Machine Learning», Rev. Vínculos, vol. 20, n.º 2, sep. 2023.Comisión de Regulación de Comunicaciones, “Resultados medición percepción de calidad de los servicios de telecomunicaciones en el 2023” 2024. [Online]. Disponible: https://www.crcom.gov.co/es/noticias/comunicado-prensa/crc-publica-resultadosmedicion-percepcion-calidadservicios#:~:text=La%20telefon%C3%ADa%20fija%20recibi%C3%B3%20una,con%207 .2%20y%207.7%2C%20respectivamente. [Accedido: Oct. 17, 2024].S. Russell y P. Norvig, Inteligencia Artificial: Un Enfoque Moderno, 3ª ed. México: Pearson, 2009, p. 229.O. Liberg, M. Sundberg, Y.-P. E. Wang, J. Bergman, J. Sachs, y G. Wikström, Internet celular de las cosas: De implementaciones masivas a aplicaciones críticas 5G, 2a ed. Elsevier, 2019. doi: 10.1016/C2018-0-01131-7.H. Haofu y T. O'Farrell, "El despliegue de redes 5G sostenibles," en Enciclopedia de tecnologías sostenibles, 2a ed., vol. 3, Elsevier, 2024, pp. 826-838. doi: 10.1016/B978-0- 323-90386-8.00060-7.M. Sadiku, "Elementos de Electromagnetismo," 3a ed., Oxford University Press México, S.A. de C.V., División: Ciencia y Tecnología, Área: Ingeniería, México, 2003. ISBN: 970- 613-672-X.W. Tomasi, Sistemas de Comunicaciones Electrónicas, 4a ed. Naucalpan de Juárez, Edo. de México, México: Pearson Educación, 2003. ISBN: 970-26-0316-1.ORIGINALHernandezMartinezJeanCarlos2024.pdfHernandezMartinezJeanCarlos2024.pdfapplication/pdf6167242https://repository.udistrital.edu.co/bitstreams/5ea9697b-9ce5-4883-93f2-a3a4a31eef2f/download3f7af391916fc756c54bb4cd32563cd5MD51Licencia de uso y publicacion.pdfLicencia de uso y publicacion.pdfapplication/pdf216664https://repository.udistrital.edu.co/bitstreams/5e026c9a-456c-4e2a-b79f-8613b9c4a01d/downloade08e1af44a1567c4aa4cbe6c20f99112MD52LICENSElicense.txtlicense.txttext/plain; charset=utf-87167https://repository.udistrital.edu.co/bitstreams/9e6ee5b8-858a-456d-89e5-1f8e2bf6e2da/download997daf6c648c962d566d7b082dac908dMD53THUMBNAILHernandezMartinezJeanCarlos2024.pdf.jpgHernandezMartinezJeanCarlos2024.pdf.jpgIM Thumbnailimage/jpeg3996https://repository.udistrital.edu.co/bitstreams/be33cf31-e89e-4d78-a6b5-217f1dffe0b7/download72a4998bb6f82d1faf98349c5503f62dMD54Licencia de uso y publicacion.pdf.jpgLicencia de uso y publicacion.pdf.jpgIM Thumbnailimage/jpeg9514https://repository.udistrital.edu.co/bitstreams/2a168248-7cc7-4606-b9dd-65c70417f4e3/download4224efb8642e00c244367d725d4241dbMD5511349/94252oai:repository.udistrital.edu.co:11349/942522025-03-30 01:17:57.467open.accesshttps://repository.udistrital.edu.coRepositorio Universidad Distritalrepositorio@udistrital.edu.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

Publicaciones similares