Título
Forecasting the capacity of LTE mobile networks
Autor
Salazar, Ruben José Neri
Resumo
pt
O contínuo aumento global da utilização das redes de telecomunicação fez com
que para os operadores de telecomunicações o planeamento deste tipo de infraestrutura
fosse uma necessidade a considerar atempadamente.
O presente estudo é focado na análise e compreensão sobre qual o modelo
preditivo que melhor se adapta ao comportamento da rede Long Term Evolution
(LTE) no que respeita à previsão da sua capacidade, ao calcular os valores futuros
de vários indicadores de performance (KPI) originados por células, com frequência
diária.
Foram testados vários modelos, que incluem não apenas modelos de referência
como naïve, seasonal naïve e drift, mas também Exponential Smoothing (ES),
AutoRegressive Integrated Moving Average (ARIMA), Theta e o modelo Regressão
Linear. Contudo, este estudo contou também com a utilização de outros modelos
provenientes da competição M4.
O propósito deste trabalho não é o de encontrar um modelo que se destaque de
todos os outros nas várias previsões feitas, mas em vez disso compreender qual o
modelo que melhor pode prever os futuros valores de um determinado KPI.
Este trabalho analisa as várias previsões feitas pelos modelos estudados de
forma a poder obter valores mais fidedignos para que dessa forma as operadores
do mercado, possam tomar decisões mais bem informadas.
en
The ever increasing usage of networks around the world made the telecommunication
companies to start planning ahead out of necessity.
The present work is focused on analysing and understanding which of the tested
predictive models best suits Long Term Evolution (LTE) behaviour regarding its
capacity, by forecasting several Key Performance Indicators (KPI) originated from
network daily cells and dedicated to the same subject.
Many were the tested models, ranging from the benchmark models (which
comprise naïve, seasonal naïve and drift), to Exponential Smoothing (ES), AutoRegressive
Integrated Moving Average (ARIMA), Theta and Linear Regression
and also including models used in the latest M4 competition.
The inherent purpose was not to find a model that was definitely better than
the remaining, but instead to understand which model can best serve the KPI
under analysis and the predicted forecasted horizon.
The present study forecasts and analyses several different models in order to
achieve better predictive results so that telecommunication companies can make
more informed decisions regarding network planning.