Proyección del comportamiento de enlaces en redes inalámbricas lln mediante series temporales no estacionarias aplicando algoritmos de aprendizaje automático

Simple item page
dc.contributor.advisorTrujillo Tarazona, Pedro Javier
dc.contributor.authorMantilla López, Juan David
dc.date.accessioned2024-03-04T01:17:48Z
dc.date.available2021
dc.date.available2024-03-04T01:17:48Z
dc.date.created2021
dc.date.issued2021
dc.description.abstractLas series temporales son idóneas para representar, a través del tiempo, la calidad de los enlaces en redes IEEE 802.15.4. Por ende, es considerable proyectar o predecir las métricas de la calidad de enlace como RSSI y LQI para optimizar el rendimiento en este tipo de redes. Este proyecto se sustenta en el uso de algoritmos de aprendizaje automático para predecir o proyectar métricas de la calidad de enlaces en series temporales univariantes no estacionarias. A lo largo de este documento se introducen conceptos teóricosmatemáticos de las series temporales, los algoritmos aplicados (RF, SVR, LSTM y ARIMA), pretratamiento y tratamiento de los datos, experimentación, resultados y evaluación de los modelos. Se concluye que, para la media de los 104 experimentos ejecutados, la m Forward Valida ra el modelo ARIMA, ya que permite una buena precisión en las observaciones, pero un alto tiempo de ejecución, superando en este factor a los demás modelos. Por su parte, RF se asemeja notoriamente a LSTM en términos de error, presentando RF un tiempo de ejecución menor. Experimentalmente SVR obtuvo mejora notoria al aplicar promedios móviles a las series temporales, demostrando una disminución del error porcentual de más del 6%
dc.description.abstractenglishTime series are well suited to represent, over time, the quality of links in IEEE 802.15.4 networks. Therefore, it is considerable to project or predict link quality metrics such as RSSI and LQI to optimize the performance in this type of networks. This project is based on the use of machine learning algorithms to predict or project link quality metrics in univariate nonstationary univariate time series. Throughout this paper, theoreticalmathematical concepts of time series, applied algorithms (RF, SVR, LSTM and ARIMA), data pretreatment and treatment, experimentation, results and model evaluation are introduced. It is concluded that, for the average of the 104 experiments executed, the 'Walk Forward Validation' methodology is beneficial for the ARIMA model, since it allows a good precision in the observations, but a high execution time, surpassing the other models in this factor. On the other hand, RF is notoriously like LSTM in terms of error, with RF having a shorter execution time. Experimentally, SVR obtained a notorious improvement when applying moving averages to the time series, showing a decrease in the percentage error of more than 6%
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/41559
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectIEEE 802.15.4
dc.subjectSeries de tiempo no estacionaria
dc.subjectLSTM
dc.subjectRandom Forest
dc.subjectSupport Vector Regressor
dc.subjectARIMA
dc.subjectpredicciones series de tiempo.
dc.subject.keywordIEEE 802.15.4
dc.subject.keywordNonstationary time series
dc.subject.keywordLSTM
dc.subject.keywordRandom Forest
dc.subject.keywordSupport Vector Machine
dc.subject.keywordARIMA
dc.subject.keywordtime series forecasting.
dc.titleProyección del comportamiento de enlaces en redes inalámbricas lln mediante series temporales no estacionarias aplicando algoritmos de aprendizaje automático
dc.title.englishBehavior estimation of the links in LLN wireless networks through nonstationary series applying machine learning algorithms *
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
72.14 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
2.56 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
206.24 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Sistemas