Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes

Reis, Renata Kellen Gomes dos

Trabalho de Conclusão de Curso

Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes

The handover decision algorithms based on the Received Reference Signal Power (RSRP) are sensitive to measurement errors and oscillation of the user's geographic position, causing signaling overload and interruption of services provided by the mobile network. However, the use of intelligent algorith...

ver descrição completa

Autor principal:	Reis, Renata Kellen Gomes dos
Grau:	Trabalho de Conclusão de Curso
Idioma:	por
Publicado em:	Brasil 2023
Assuntos:	Handover GRU LSTM LTE ENGENHARIAS: ENGENHARIA ELETRICA: TELECOMUNICACOES: SISTEMAS DE TELECOMUNICACOES Sistemas de telecomunicação Sistemas de transmissão de dados
Acesso em linha:	http://riu.ufam.edu.br/handle/prefix/6945

id	oai:localhost:prefix-6945
recordtype	dspace
spelling	oai:localhost:prefix-69452025-03-10T20:46:42Z Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes Reis, Renata Kellen Gomes dos Januário, Francisco de Assis Pereira http://lattes.cnpq.br/5322203207556538 Pinagé, Frederico da Silva http://lattes.cnpq.br/7649322096353511 Carvalho, Celso Barbosa http://lattes.cnpq.br/8269546823033896 Handover GRU LSTM LTE ENGENHARIAS: ENGENHARIA ELETRICA: TELECOMUNICACOES: SISTEMAS DE TELECOMUNICACOES Sistemas de telecomunicação Sistemas de transmissão de dados The handover decision algorithms based on the Received Reference Signal Power (RSRP) are sensitive to measurement errors and oscillation of the user's geographic position, causing signaling overload and interruption of services provided by the mobile network. However, the use of intelligent algorithms based on Recurrent Neural Networks (RNN) offer a solution to mitigate handover failures. This work validated the implementation of two RNN models, Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), for detecting hasty handovers decisions in the Long Term Evolution (LTE) network. The implemented neural network models estimate the probability of unnecessary handover decision, using as input the LTE Key Performance Indicators (KPI) and mobile device location. The results of the experiments show that the method used for classification did not obtain optimal results for detection of handover classification, obtaining precision of 96.12% and accuracy of 78% using the GRU recurrent layer. However, the metrics obtained are adequate within what is expected from a classification scenario using RNN networks in an unbalanced database. Algoritmos de decisão de handover baseados na Potência Recebida do Sinal de Referência - RSRP (do inglês, Reference Signal Received Power) são sensíveis a erros de medição e oscilação da posição geográfica do usuário, causando sobrecarga de sinalização e interrupção dos serviços prestados pela rede móvel. Entretanto, a utilização de algoritmos baseados em Redes Neurais Recorrentes - RNN (do inglês, Recurrent Neural Network) oferecem uma solução para mitigar falhas de handover. Este trabalho validou a implementação de dois modelos RNN, Memória Longa de Curto Prazo - LSTM (do inglês, Long Short-Term Memory) e Unidade Recorrente de Portões - GRU ( do inglês, Gated Recurrent Units), para detecção de decisões de handovers precipitadas na rede Evolução de Longo Prazo - LTE (do inglês, Long Term Evolution). Os modelos de redes neurais implementados estimam a probabilidade decisão de handover desnecessária, utilizando como entrada os Indicadores Chave de Desempenho - KPI (do inglês, Key Performance Indicator) do LTE e localização do dispositivo móvel. Os resultados dos experimentos demonstram que o método utilizado para classificação não obteve resultados ótimos para detecção de decisão de handover, obtendo no melhor cenário a precisão de 96,12% de acurácia de 78% usando a camada recorrente GRU. Todavia, as métricas obtidas estão adequadas dentro do que se é esperado de cenário de classificação utilizando redes RNN em bases de dados desbalanceadas. 5 Não 2023-09-28T14:26:45Z 2023-09-28T14:26:45Z 2023-06-26 Trabalho de Conclusão de Curso http://riu.ufam.edu.br/handle/prefix/6945 por Acesso Aberto An error occurred getting the license - uri. Brasil FT - Faculdade de Tecnologia Manaus (AM) Engenharia Elétrica – Telecomunicações - Bacharelado - Manaus
institution	Repositório Institucional - Universidade Federal do Amazonas
collection	RI-UFAM
language	por
topic	Handover GRU LSTM LTE ENGENHARIAS: ENGENHARIA ELETRICA: TELECOMUNICACOES: SISTEMAS DE TELECOMUNICACOES Sistemas de telecomunicação Sistemas de transmissão de dados
spellingShingle	Handover GRU LSTM LTE ENGENHARIAS: ENGENHARIA ELETRICA: TELECOMUNICACOES: SISTEMAS DE TELECOMUNICACOES Sistemas de telecomunicação Sistemas de transmissão de dados Reis, Renata Kellen Gomes dos Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
topic_facet	Handover GRU LSTM LTE ENGENHARIAS: ENGENHARIA ELETRICA: TELECOMUNICACOES: SISTEMAS DE TELECOMUNICACOES Sistemas de telecomunicação Sistemas de transmissão de dados
description	The handover decision algorithms based on the Received Reference Signal Power (RSRP) are sensitive to measurement errors and oscillation of the user's geographic position, causing signaling overload and interruption of services provided by the mobile network. However, the use of intelligent algorithms based on Recurrent Neural Networks (RNN) offer a solution to mitigate handover failures. This work validated the implementation of two RNN models, Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), for detecting hasty handovers decisions in the Long Term Evolution (LTE) network. The implemented neural network models estimate the probability of unnecessary handover decision, using as input the LTE Key Performance Indicators (KPI) and mobile device location. The results of the experiments show that the method used for classification did not obtain optimal results for detection of handover classification, obtaining precision of 96.12% and accuracy of 78% using the GRU recurrent layer. However, the metrics obtained are adequate within what is expected from a classification scenario using RNN networks in an unbalanced database.
author_additional	Januário, Francisco de Assis Pereira
author_additionalStr	Januário, Francisco de Assis Pereira
format	Trabalho de Conclusão de Curso
author	Reis, Renata Kellen Gomes dos
title	Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
title_short	Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
title_full	Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
title_fullStr	Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
title_full_unstemmed	Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes
title_sort	detecção de decisões precipitadas de handover em redes lte utilizando redes neurais recorrentes
publisher	Brasil
publishDate	2023
url	http://riu.ufam.edu.br/handle/prefix/6945
_version_	1831969952149536768
score	11.755432

Detecção de decisões precipitadas de Handover em Redes LTE utilizando Redes Neurais Recorrentes

Registros relacionados