Por favor, use este identificador para citar o enlazar este ítem: https://repositorio.upse.edu.ec/handle/46000/11211
Título: Modelo predictivo del tráfico de internet: caso puntos digitales gratuitos zona 5.
Director: Quirumbay Yagual, Daniel Iván
Autor: Ramírez Borbor, Abel Fabricio
Palabras clave: REDES NEURONALES;MODELOS PREDICTIVOS;TRÁFICO DE INTERNET.
Fecha de publicación: 20-may-2024
Editorial: La Libertad: Universidad Estatal Península de Santa Elena, 2024.
Citación: Ramírez Borbor, Abel Fabricio (2024). Modelo predictivo del tráfico de internet: caso puntos digitales gratuitos zona 5. La Libertad. UPSE, Matriz. Instituto de Postgrado. 86p.
Resumen: La investigación sobre el Modelo predictivo del tráfico de internet: caso puntos digitales gratuitos zona 5 se centra en el diseño y evaluación de modelos de redes neuronales para proponer un modelo predictivo utilizando técnicas de inteligencia artificial. A lo largo del estudio, se analizan diversas arquitecturas de redes neuronales en entornos dinámicos y cambiantes, explorando diferentes combinaciones de funciones de activación, con el propósito de determinar la configuración óptima que maximicen los resultados. Lo obtenido durante la investigación tienen importantes implicaciones para la optimización de recursos y la mejora de la calidad del servicio en los puntos digitales gratuitos. El modelo predictivo con mejores resultados predictivos cuenta con una arquitectura de activaciones exponential, hard sigmoid y mish convirtiéndose en una herramienta efectiva para anticipar y gestionar el tráfico de Internet, lo que puede ayudará a planificar de mejor forma el ancho de banda en cada uno de los puntos digitales.
URI: https://repositorio.upse.edu.ec/handle/46000/11211
Aparece en las colecciones:Maestría en Tecnologías de la Información

Ficheros en este ítem:
Fichero Descripción TamañoFormato 
UPSE-MTI-2024-0004.pdfPROPUESTA METODOLÓGICA Y TECNOLÓGICA1,63 MBAdobe PDFVisualizar/Abrir


Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons