Predicción de cobertura en redes móviles LTE utilizando técnicas de aprendizaje automático en Python

Abstract

El presente trabajo tiene como finalidad predecir la cobertura en redes móviles LTE de CNT en el cantón La Libertad mediante técnicas de aprendizaje automático. El objetivo fue desarrollar, en Python, un modelo capaz de estimar parámetros relacionados con la calidad y el rendimiento de la señal LTE, como el RSRP, el RSRQ, el SINR, el CQI, el DL Throughput y el UL Throughput, a partir de mediciones reales de campo. La metodología consistió en recolectar señales con un analizador de espectro y la aplicación G-NetTrack Pro, depurar y estructurar los datos, y entrenar modelos de Random Forest y XGBoost, complementados con un sistema interactivo de mapas de calor y perfiles topográficos. El conjunto final quedó conformado por 4 962 registros: 2 822 mediciones reales de campo y 2 140 escenarios aumentados, generados mediante un balance de enlace calibrado con las propias mediciones para incorporar variaciones de tilt, altura y potencia de la estación base. Los resultados mostraron que Random Forest ofreció el mejor desempeño, con un error absoluto medio de 1,82 dB y un coeficiente de determinación de 0,964 en la predicción del RSRP, superando a XGBoost. Se concluye que el modelo constituye una herramienta confiable y replicable para apoyar la planificación y optimización de la red LTE en el cantón La Libertad.