Por favor, use este identificador para citar o enlazar este ítem: https://dspace.unl.edu.ec/jspui/handle/123456789/30639
Título : Evaluación de modelos de predicción para localización de usuarios en entornos de interiores de redes móviles 5G en bandas milimétricas (mmWave).
Autor : Torres Carrión, Renato Benjamín
Campoverde Romero, Alexis Damian
Palabras clave : MMWAVE
5G
PREDICCIÓN DE TRAYECTORIA
POSICIONAMIENTO INDOOR
Fecha de publicación : 24-sep-2024
Editorial : Universidad Nacional de Loja
Resumen : En este trabajo investigativo se aborda la evolución y los desafíos del posicionamiento de dispositivos en redes móviles de quinta generación (5G), enfocándose en la mejora de la velocidad de transmisión y la precisión en entornos interiores. Con la tecnología 5G superando los 10 Gbps en velocidad teórica, se acerca la visión de un mundo interconectado en tiempo real. Sin embargo, la demanda creciente de servicios digitales y la necesidad de una geolocalización precisa de los dispositivos exigen una infraestructura avanzada capaz de soportar un mayor número de conexiones y mejorar la experiencia del usuario. El estudio explora cómo las ondas milimétricas (mmWave), esenciales para el 5G, ofrecen altas tasas de datos, pero enfrentan desafíos en la propagación debido a su atenuación por obstáculos en interiores. Se revisan técnicas de posicionamiento como Time of Arrival (TOA), Time Difference of Arrival (TDOA), y Ángulo de Arribo (AoA), así como el uso de técnicas de aprendizaje automático y modelos de redes neuronales artificiales para mejorar la precisión en escenarios complejos. El análisis del estado del arte revela que, aunque las mmWave permiten velocidades de transmisión rápidas, su uso se ve limitado por problemas como la pérdida de señal en entornos interiores y la interferencia de obstáculos. Para superar estos desafíos, se destacan técnicas avanzadas de posicionamiento y modelos de predicción basados en redes neuronales, que permiten una mayor precisión y eficiencia en la localización de dispositivos. A pesar de las mejoras que proporcionan las ondas milimétricas y técnicas avanzadas como MIMO masivo y beamforming, la señal puede atenuarse debido a obstáculos y a la acumulación de dispositivos. Estos desafíos destacan la importancia de un posicionamiento preciso en interiores para optimizar los recursos radioeléctricos y reducir el consumo energético en redes 5G. Finalmente, se propone un modelo de red neuronal para la predicción de trayectoria. Palabras Clave: mmWave, 5G, posicionamiento, predicción de trayectoria, posicionamiento indoor.
Descripción : This research addresses the evolution and challenges of device positioning in fifth-generation (5G) mobile networks, focusing on improving transmission speed and accuracy in indoor environments. With 5G technology surpassing 10 Gbps in theoretical speed, the vision of a real-time interconnected world is becoming closer. However, the growing demand for digital services and the need for precise geolocation of devices require advanced infrastructure capable of supporting a higher number of connections and enhancing user experience. The study explores how millimeter waves (mmWave), essential for 5G, offer high data rates but face challenges in propagation due to attenuation from indoor obstacles. Positioning techniques such as Time of Arrival (TOA), Time Difference of Arrival (TDOA), and Angle of Arrival (AoA) are reviewed, along with the use of machine learning techniques and artificial neural network models to improve accuracy in complex scenarios. The state of the art analysis reveals that, although mmWave enables fast transmission speeds, its use is limited by issues such as signal loss in indoor environments and interference from obstacles. To address these challenges, advanced positioning techniques and prediction models based on neural networks are highlighted, which allow for greater accuracy and efficiency in device localization. Despite the improvements provided by millimeter waves and advanced techniques such as massive MIMO and beamforming, the signal can be attenuated due to obstacles and device accumulation. These challenges underscore the importance of precise indoor positioning to optimize radio resources and reduce energy consumption in 5G networks. Finally, a neural network model for trajectory prediction in indoor environments is proposed, demonstrating that the combined use of mmWave and machine learning can significantly optimize localization and resource management in 5G networks. Key words: mmWave, 5G, positioning, trajectory prediction, indoor positioning.
URI : https://dspace.unl.edu.ec/jspui/handle/123456789/30639
Aparece en las colecciones: Maestrias FEIRNNR

Ficheros en este ítem:
Fichero Descripción Tamaño Formato  
Alexis Damian Campoverde Romero-signed-signed-signed.pdf2,62 MBAdobe PDFVisualizar/Abrir


Los ítems de DSpace están protegidos por copyright, con todos los derechos reservados, a menos que se indique lo contrario.