Tesis doctoral 

Los constantes avances tecnológicos de los últimos años han revolucionado los servicios prestados por las redes móviles, que hoy en día demandan mayores volúmenes de información y menores tiempos de respuesta para su correcto funcionamiento. De la misma forma, estas mejoras técnicas han elevado las expectativas que tienen los usuarios de la red, esperando unas velocidades de conexión y una estabilidad muy por encima de las prestadas en las redes móviles actuales.

La experiencia que disfruta el usuario típico de las redes de telefonía está altamente influenciada por el entorno, condicionando el uso que hace de los diferentes servicios. Por ello, incluir el contexto de los usuarios en las tareas de gestión de la red es una de las principales tendencias en el desarrollo de nuevas técnicas de autoorganización, como se deduce de las especificaciones de la nueva generación de redes móviles, las redes 5G.

La posición del usuario y el instante de tiempo en el que hace uso de la red destacan especialmente entre las características del contexto de los usuarios que más impacto tienen en el comportamiento de la red. Por ejemplo, identificar si en ciertas zonas de la red los servicios se demandan desde localizaciones de interior o detectar grandes aglo¬meraciones de usuarios navegando simultáneamente, ya sean persistentes o esporádicas, permite mejorar las soluciones aplicadas a problemas de rendimiento. Por desgracia, esta información de contexto no suele ser accesible para los operadores de red, lo que dificulta su aplicación en las tareas de gestión de red.

El objetivo de esta tesis doctoral es desarrollar modelos construidos con diferen¬tes técnicas de aprendizaje automático, que permitan estimar aspectos del contexto espaciotemporal de los usuarios para aplicarlos a tareas de autogestión de la red. El enfoque práctico seguido a lo largo de esta tesis ha motivado que, como restricciones de partida, los datos de entrada empleados sean de fácil acceso y los modelos desarrollados sean eficientes computacionalmente, para que puedan ser integrados fácilmente en las herramientas de gestión radio.

El trabajo desarrollado se inicia con el estudio de la dimensión espacial del contexto. Así, la primera de las contribuciones de esta tesis es un modelo que estima uno de los aspectos más importantes del contexto espacial del usuario, que es si este ha accedido a la red desde una localización de interior o de exterior. Dicha estimación se realiza únicamente a partir de indicadores de rendimiento de la conexión registrados en el sistema de gestión de red.

Otro de los aspectos fundamentales del contexto espacial de los usuarios es la posi¬ción geográfica de los mismos, es decir, dónde se sitúan los terminales en el escenario. Para ello, la segunda contribución aprovecha la ubicuidad actual de las redes sociales para mejorar el posicionamiento de los terminales, combinando la información obte¬nida de redes sociales, enriquecida con metadatos georreferenciados, con la ubicación interior o exterior de los usuarios deducida con el modelo anterior.

Para demostrar la aplicabilidad de los modelos desarrollados, la tercera contribu¬ción de esta tesis propone un método de selección de emplazamientos para picoceldas en redes celulares heterogéneas. A diferencia de otros métodos en la bibliografía, el algoritmo propuesto basa la localización de las nuevas celdas pequeñas en la mejora que se obtendría, desde el punto de vista del usuario final, en términos de volumen de descarga generado en cada zona de la red, basándose en el contexto espacial de los usuarios.

Por último, se extiende el estudio con la dimensión temporal del contexto de los usuarios. Con este fin, la última contribución de esta tesis doctoral aborda uno de los problemas clásicos en la gestión de redes móviles, como es la predicción del tráfico futuro de una celda del sistema. La principal dificultad de este problema radica en la gran variabilidad del comportamiento de los usuarios, que impide una previsión precisa. Una de las causas principales de esta variabilidad son los eventos sociales, en los que una gran cantidad de usuarios se concentran en un mismo establecimiento durante un periodo de tiempo limitado. En el modelo propuesto, se predice la demanda futura de tráfico de datos de una celda con resolución horaria del día siguiente, aplicándole una corrección dependiente del tipo de evento que va a tener lugar. Para ello, se recolectan, de varios repositorios, datos de diferentes tipos de eventos sociales ocurridos en el pasado para entrenar un modelo de aprendizaje profundo.