TelcoPredict: Machine Learning Techniques for Cell Usage Prediction

Detalhes bibliográficos
Autor(a) principal: Gonçalves, João Paulo dos Reis
Data de Publicação: 2018
Tipo de documento: Dissertação
Idioma: eng
Título da fonte: Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
Texto Completo: http://hdl.handle.net/10316/83544
Resumo: Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
id RCAP_3e0fe7b09042e06fe7290f7fcced46c8
oai_identifier_str oai:estudogeral.uc.pt:10316/83544
network_acronym_str RCAP
network_name_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository_id_str 7160
spelling TelcoPredict: Machine Learning Techniques for Cell Usage PredictionTelcoPredict: Machine Learning Techniques for Cell Usage Predictionanálise de séries temporaisprevisõestelecomunicaçõesfalhas de redetime series analysisforecastingtelecommunicationsoutagesDissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e TecnologiaO projecto CPI (Comunicação das Perdas de Integridade) surge no contexto de falhas nas redes de telecomunicações. A sua principal funcionalidade é prever o número de clientes de uma operadora de telecomunicações que foram afectados por uma falha na rede. Embora exista uma primeira versão do sistema em produção, várias melhorias significativas foram identificadas. Entre elas, aumentar a precisão das previsões era a mais importante.Previsões em séries temporais no contexto das telecomunicações é um tópico que já foi estudado várias vezes. Contudo, tais estudos focam-se nas abordagens para fazer as previsões, como Autoregressive Integrated Moving Average (ARIMA) e Exponential Smoothing, tornando-se necessária uma avaliação às ferramentas que implementam estas abordagens. Assim, este trabalho pretende perceber quais as melhores abordagens e ferramentas para fazer previsões em séries temporais. Tal análise foi realizada através da reimplementação do módulo de previsões do CPI, no intuito de melhorar a sua precisão a fazer previsões, o seu tempo de execução e o espaço de armazenamento exigido.Testes efectuados neste estágio demonstraram que entre as ferramentas e respectivas abordagens de forecasting avaliadas, Support Vector Regression (SVR) é o método que apresenta melhores resultados no contexto do CPI, nomeadamente a implementação deste algoritmo fornecida pela ferramenta Smile.Assim, conclui-se que implementações diferentes do mesmo método de forecasting podem levar a resultados diferentes. De salientar que métodos clássicos para fazer previsões em séries temporais como os referidos acima apresentaram piores resultados.The CPI (Comunicação das Perdas de Integridade) project appeared in the context of failures in telecommunications networks. Its main feature is to predict the number of customers of a Telecommunications Service Provider (TSP) which have been affected by a network failure.Though there is a first version of the system in production, several signifi cant improvements have been identi fied. Between those, increase the forecasting accuracy was the most important.Time series forecasting in the telecommunications context has already been studied several times. However, such studies focus on approaches to make predictions, as Autoregressive Integrated Moving Average (ARIMA) and Exponential Smoothing, making it necessary to evaluate the tools which implement these approaches.Thus, this work intends to perceive which are the best approaches and tools for time series forecasting. Such analysis was carried out through the reimplementation of the CPI forecasting module, in order to improve its forecasting accuracy, its execution time and the required storage space.Tests performed in this internship have demonstrated that between the tools and respective forecasting approaches evaluated, Support Vector Regression (SVR) is the best-performing method in the CPI context, namely the implementation of this algorithm provided by the Smile tool.Thus, it is concluded that different implementations of the same forecasting method can lead to different results. It should be noted that classical methods to produce forecasts in time series such as those mentioned above presented worse results.2018-07-169999-12-31T00:00:00Zinfo:eu-repo/semantics/publishedVersioninfo:eu-repo/semantics/masterThesishttp://hdl.handle.net/10316/83544http://hdl.handle.net/10316/83544TID:202129691engGonçalves, João Paulo dos Reisinfo:eu-repo/semantics/embargoedAccessreponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãoinstacron:RCAAP2023-10-27T10:49:48Zoai:estudogeral.uc.pt:10316/83544Portal AgregadorONGhttps://www.rcaap.pt/oai/openaireopendoar:71602024-03-19T21:05:15.931648Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informaçãofalse
dc.title.none.fl_str_mv TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
title TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
spellingShingle TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
Gonçalves, João Paulo dos Reis
análise de séries temporais
previsões
telecomunicações
falhas de rede
time series analysis
forecasting
telecommunications
outages
title_short TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
title_full TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
title_fullStr TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
title_full_unstemmed TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
title_sort TelcoPredict: Machine Learning Techniques for Cell Usage Prediction
author Gonçalves, João Paulo dos Reis
author_facet Gonçalves, João Paulo dos Reis
author_role author
dc.contributor.author.fl_str_mv Gonçalves, João Paulo dos Reis
dc.subject.por.fl_str_mv análise de séries temporais
previsões
telecomunicações
falhas de rede
time series analysis
forecasting
telecommunications
outages
topic análise de séries temporais
previsões
telecomunicações
falhas de rede
time series analysis
forecasting
telecommunications
outages
description Dissertação de Mestrado em Engenharia Informática apresentada à Faculdade de Ciências e Tecnologia
publishDate 2018
dc.date.none.fl_str_mv 2018-07-16
9999-12-31T00:00:00Z
dc.type.status.fl_str_mv info:eu-repo/semantics/publishedVersion
dc.type.driver.fl_str_mv info:eu-repo/semantics/masterThesis
format masterThesis
status_str publishedVersion
dc.identifier.uri.fl_str_mv http://hdl.handle.net/10316/83544
http://hdl.handle.net/10316/83544
TID:202129691
url http://hdl.handle.net/10316/83544
identifier_str_mv TID:202129691
dc.language.iso.fl_str_mv eng
language eng
dc.rights.driver.fl_str_mv info:eu-repo/semantics/embargoedAccess
eu_rights_str_mv embargoedAccess
dc.source.none.fl_str_mv reponame:Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
instname:Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron:RCAAP
instname_str Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
instacron_str RCAAP
institution RCAAP
reponame_str Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
collection Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos)
repository.name.fl_str_mv Repositório Científico de Acesso Aberto de Portugal (Repositórios Cientìficos) - Agência para a Sociedade do Conhecimento (UMIC) - FCT - Sociedade da Informação
repository.mail.fl_str_mv
_version_ 1799133944885542912

Registros relacionados