Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Trujillo Tarazona, Pedro JavierNiño Quiñonez, HéctorRivera Cepeda, Brayan Orlando2024-03-0420212024-03-0420212021https://noesis.uis.edu.co/handle/20.500.14071/41582Algunos parámetros de enlaces de las redes IEEE 802.15.4 se pueden caracterizar y estudiar mediante series de tiempo, por lo que resulta factible proyectar estos parámetros, como lo son el LQI y el RSSI para evaluar el comportamiento de los enlaces. En este reporte se presenta el uso de algoritmos de aprendizaje por refuerzo para predecir el comportamiento de parámetros de enlaces en redes LLN IEEE 802.15.4 mediante series de tiempo. Se incluyen algunos fundamentos sobre las series de tiempo, algoritmo ARIMA, algoritmos de aprendizaje por refuerzo: Monte Carlo, Monte Carlo con acotación, DDPG y RDPG, métricas de error utilizadas, de enlaces en las redes LLN IEEE 802.15.4, también se muestran detalles alrededor de la estructura y tratamiento de los conjuntos de datos, experimentación, resultados y evaluación. Se concluye que la implementación del algoritmo DDPG aplicando WFV obtuvo los mejores resultados en LQI y RSSI; y para RSSI, este algoritmo DDPG generó las métricas de error más bajas de la experimentación. La utilización de WFV en las implementaciones de ARIMA es poco favorable porque genera mayores métricas de error que cuando no se utiliza. De los algoritmos basados en el método Monte Carlo, el acotado obtuvo menores métricas de error. Los algoritmos RDPG y Monte Carlo obtuvieron las métricas de error más altas de la experimentaciónapplication/pdfspahttp://creativecommons.org/licenses/by/4.0/IEEE 802.15.4Series de tiempoAprendizaje por refuerzoARIMAMonte CarloDDPGRDPGpredicciones en series de tiempo.Proyección del comportamiento de enlaces en redes analambricas lln mediante series de tiempo aplicando algoritmos de aprendizaje por refuerzoUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coIEEE 802.15.4Time seriesReinforcement LearningARIMAMonte CarloDDPGRDPGtime series forecasting.Behavior estimation of the links in LLN wireless networks through time series forecasting applying reinforcement learning algorithms. *info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)