Predição do consumo energético em redes 5g para comunicação m2m utilizando técnicas de aprendizado de máquina

Abstract

Este trabalho explora a aplicação de técnicas de ML para prever o consumo energético em redes de comunicação 5G (5th Generation), com foco no cenário de comunicação M2M. Devido à escassez de datasets públicos disponíveis nesse cenário, um paralelo é traçado com a comunicação em UE para desenvolver modelos preditivos. Um modelo baseado em GRU foi utilizado para prever a sequência de potência em uma janela no futuro, e essa sequência é integrada para obter o consumo energético previsto. Essa abordagem é comparada com um modelo baseado em CNN e LSTM que prevê diretamente o consumo de energia (sequência-para-valor).

Os resultados demonstram que o modelo baseado em GRU supera o modelo sequência-para-valor, obtendo um erro médio de 0.4 Joules. Além disso, discute-se o potencial de aplicação do modelo em comunicação M2M, considerando sua inerente previsibilidade, em comparação com a comunicação em UE. Adicionalmente, destaca-se a necessidade de mais trabalhos e datasets públicos nesse domínio, para facilitar pesquisas futuras e o desenvolvimento de modelos.

Este trabalho dá continuidade à pesquisa anterior focada em simulações no contexto do projeto OBNZip e na validação de um protótipo de comunicação submarina. A transição para o estudo da comunicação 5G visa superar as limitações dos modelos físicos existentes, utilizando conjuntos de dados mais completos e técnicas avançadas de Aprendizado de Máquina para um gerenciamento energético mais eficiente.