Resumen de Modelos Predictivos de Zonas de Handover en Redes LTE con Base a Mediciones de Campo y Árboles de Decisión (Caso de Estudio Ciudad de Quito)

Viviana Párraga Villamar, Cristian Rocha, Henry Navarrete, Pablo Lupera Morillo

• español

  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.

• English

  This work analyzes the handover process in LTE (Long Term Evolution) networks in two scenarios, detecting the features and behavior of RF (Radio Frequency) parameters by means of predictive models. The two scenarios collect measurement data of RF parameters, the first one in an urban area of Quito city, in order to analyze the behavior and establish the features of an area with handovers. The second scenario seeks to obtain a predictive model of the failed handover zones; in this case, we make tours in a rural area of Quito city and analyze the failure of handovers with failures in VoIP calls, since in this service the loss of connection in LTE is more noticeable. For data collection, monitoring tools installed in cell phones are used and for data analysis and obtaining the Machine Learning model, R and RStudio are used. The collected data were cleaned and transformed to obtain unique DataSet for each scenario, then divided into a training and test set. The training set was processed using the decision tree technique, which allowed obtaining a graphical model of the behavior of the RF parameters that generate handovers or failed handovers, according to the scenario. Finally, the models were evaluated with the test set by defining confusion matrices and calculating the respective accuracy, with 96.34% in scenario 1 and 95.5% in scenario 2.