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.

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.