Um método para predição de taxa de transferência em Redes Móveis a partir de dados coletados de Smartphones
Carregando...
Arquivos
Data
Autores
Orientador(es)
Coorientador(es)
Silva, Vandermi João da
Membros da banca
Mota, Edjair de Souza
Simões, Walter Charles Sousa Seiffert
Simões, Walter Charles Sousa Seiffert
Pós-Graduação
Título da Revista
ISSN da Revista
Título de Volume
Editor
Universidade Federal do Amazonas
Tipo
Direito de acesso
DOI
Resumo
A comunicação móvel em ambientes dinâmicos apresenta desafios à garantia da qualidade dos serviços, sendo a vazão de dados um parâmetro crítico de desempenho. Embora a predição da vazão tenha sido amplamente explorada para o downlink, a vazão de uplink permanece pouco investigada, apesar do crescimento de aplicações que demandam elevados volumes de envio de dados para a rede. Neste contexto, este trabalho propôs uma abordagem baseada em aprendizado de máquina para a predição da vazão de uplink em redes 4G LTE, utilizando métricas da camada física como variáveis preditoras. Foi conduzido um experimento de coleta de dados em ambiente urbano real, abrangendo diferentes horários e fluxos de tráfego,
utilizando um smartphone Android e o aplicativo Armadeira. A base de dados construída permitiu o treinamento e a avaliação de cinco modelos de aprendizado de máquina, sendo o algoritmo floresta aleatória com melhor desempenho, com coeficiente de determinação (R2) de 0,93 e menor erro absoluto médio. Os resultados confirmaram a viabilidade da abordagem, evidenciando que a análise de parâmetros de qualidade de sinal, como RSRP, RSRQ, RSSI e SNR, possibilita a predição precisa da vazão de uplink. A metodologia adotada contribui para a replicabilidade do experimento e fornece subsídios para futuras investigações sobre
a otimização de redes móveis. Este trabalho avança o conhecimento técnico-científico na predição de vazão em redes móveis, ao disponibilizar uma base inédita, um método validado em ambiente real e práticas que fortalecem a análise da Qualidade de Serviço (QoS) e da Qualidade de Experiência (QoE) em sistemas de comunicação móvel.
Abstract
Mobile communication in dynamic environments poses significant challenges to maintaining
service quality, with data throughput being a critical performance parameter. Although throughput prediction in mobile networks has been widely explored for downlink, the uplink
direction remains underexplored, despite the increasing demand from applications that require large volumes of data to be uploaded to the network. In this context, this work proposes a machine learning-based approach for predicting uplink throughput in 4G LTE networks, using physical layer metrics as predictive variables.A real-world urban data collection experiment was conducted, covering different times of day and traffic conditions, using an Android smartphone and the Armadeira application. The resulting dataset enabled the training and evaluation of five machine learning models, with the Random Forest algorithm achieving the best performance, reaching a coefficient of determination (R2) of 0.93 and the lowest mean absolute error.The results confirm the feasibility of the proposed approach, showing that the analysis of signal quality parameters, such as RSRP, RSRQ, RSSI, and SNR, enables accurate uplink throughput prediction. The adopted methodology supports the replicability of the experiment and provides a foundation for future research on mobile network optimization. This work advances technical and scientific knowledge on throughput prediction in mobile networks by providing a novel dataset, a validated method in a real environment, and practices that strengthen the analysis of Quality of Service (QoS) and Quality of Experience (QoE) in mobile communication systems.
Descrição
Palavras-chave
Termo controlado
Aprendizado do computador; Inteligência artificial
Objetivos de Desenvolvimento Sustentável (ODS)
Citação
LIMA, Shermam Tácia. Um método para predição de taxa de transferência em Redes Móveis a partir de dados coletados de Smartphones. 2025. 120 f. Dissertação (Mestrado em Informática) – Universidade Federal do Amazonas, Manaus, 2025.
Coleções
Avaliação
Revisão
Suplementado Por
Referenciado Por
Licença Creative Commons
Exceto quando indicado de outra forma, a licença deste item é descrita como Acesso Aberto