Desenvolvimento de um sistema de classificação e diagnóstico automático de células em redes de telefonia móvel de quarta geração

Abstract

O aumento expressivo da demanda por serviços de qualidade nas redes de telefonia móvel, impulsionado pela disseminação generalizada de dispositivos móveis e pela vasta quantidade de aparelhos ativos globalmente, tem incentivado avanços constantes nas tecnologias de telecomunicações. O desenvolvimento contínuo das redes de quarta geração e a implementação da tecnologia de quinta geração são respostas a essa demanda crescente. A adoção dessas tecnologias trouxe consigo a geração de uma enorme quantidade de dados estatísticos relacionados ao desempenho das células das estações rádio-base, os quais podem ser analisados para aumentar a eficiência do sistema. Nesse contexto, este trabalho apresenta um processo inovador para lidar com dados estatísticos referentes ao desempenho das células em redes de telefonia móvel de quarta geração. O objetivo é automatizar a classificação das células de uma rede, com a identificação e categorização dos problemas dessas células, visando a redução de custos operacionais e o aumento da eficiência na correção de falhas. Para alcançar esse propósito, foi desenvolvido um processo computacional baseado em métodos de decisão multicritério e algoritmos de aprendizado de máquina. O processo proposto classifica as células com base em seu desempenho, identificando de forma eficaz as falhas existentes por meio de técnicas avançadas de inteligência artificial. Especificamente, a análise massiva de dados é utilizada para o reconhecimento automático de padrões estatísticos e operacionais das células, substituindo a análise manual custosa e demorada. Esse enfoque inovador promove uma abordagem mais ágil e eficiente na gestão do desempenho da rede, contribuindo para a otimização operacional e aprimoramento contínuo dos serviços de telefonia móvel.

The significant increase in demand for quality services in mobile networks, driven by the widespread proliferation of mobile devices and the vast number of active devices globally, has spurred continuous advancements in telecommunications technologies. The ongoing development of fourth-generation networks and the implementation of fifth-generation technology are responses to this growing demand. However, adopting these technologies generate an enormous amount of statistical data related to the performance of base station cells, necessitating a more efficient analysis. In this context, this dissertation introduces an innovative process for handling statistical data concerning the performance of cells in fourth-generation mobile networks. The goal is to automate the classification of cells in a network, identifying and categorizing the cells’ issues to reduce operational costs and enhance the efficiency of fault correction. A computational model based on multicriteria decision methods and machine learning algorithms was developed to achieve this purpose. The proposed model classifies cells based on their performance, more effectively identifying existing faults through advanced artificial intelligence techniques. Specifically, massive data analysis automatically recognizes statistical and operational patterns in cells, replacing the costly and time-consuming manual analysis. This innovative approach promotes a more agile and efficient approach to network performance management, contributing to operational optimization and the continuous improvement of mobile services.