Aplicación de algoritmos de agrupamiento en aprendizaje de máquina no supervisado para la identificación de patrones de tráfico de celdas lte en la red nacional móvil de la operadora Wom de Chile

Abstract

En la presente tesis, titulada "Aplicación de Algoritmos de Agrupamiento en Aprendizaje de Máquina No Supervisado para la Identificación de Patrones de Tráfico de Celdas LTE en la Red Nacional Móvil de la Operadora WOM de Chile", el autor presentó un enfoque analítico en el procesamiento, análisis y clasificación de la tendencia de la variable "volumen de descarga de datos" de las celdas LTE operativas de la red WOM basado en el uso de algoritmos de aprendizaje automático no supervisado. La operadora de telecomunicaciones WOM recopiló mediciones de forma horaria a través de las antenas 4G y gestionó los datos mediante la plataforma iMaster MAE, un gestor de redes de acceso. Posteriormente, la operadora procesó los datos utilizando la plataforma PRS de Huawei. Una vez completada esta recopilación, tabuló y proceso los datos, almacenándolos en una base de datos relacional llamada Clickhouse. Luego, el autor extrajo y transformó los datos almacenados en la base de datos utilizando el lenguaje de programación SQL. Además, abordó los datos faltantes mediante algoritmos de interpolación polinómica, y para su análisis, agrupó lo datos de manera semanal, calculando la suma total de la descarga de datos en intervalos de 7 días. En cuanto a la agrupación de las celdas LTE, el autor comparó dos métodos principales: K-Means y mapas auto organizados (SOM). Tras esta evaluación, concluyó que el método de mapas autoorganizados agrupó de manera más efectiva la tendencia del volumen de descarga de datos de las celdas. Finalmente, presentó los resultados finales y demostró que la tendencia del volumen de descarga de datos se pudo agrupar en un total de 737 grupos. Por último, para clasificar las celdas, el autor utilizó el método STL, que descompuso las series de tiempo de las tendencias en sus componentes principales. Luego, analizó la tendencia utilizando el método del promedio de media móvil y obtuvo los valores de la tendencia semanal, su magnitud y su dirección. Esto permitió al autor determinar los periodos de tiempo en los que las celdas tienden a tener un mayor volumen de datos y el tipo de patrón que sigue la serie de tiempo.