RT info:eu-repo/semantics/bachelorThesis
T1 Predicción de tráfico de red usando arquitecturas neuronales avanzadas
A1 Román Antolín, Alicia
A2 Universidad de Valladolid. Escuela Técnica Superior de Ingenieros de Telecomunicación
K1 Tráfico de red
K1 Redes neuronales
K1 Series temporales
K1 Predicción
AB La predicción del tráfico de red es una actividad de gran relevancia en el ámbito de lastelecomunicaciones, ya que permite anticipar patrones de congestión, mejorar laplanificación de infraestructuras y la distribución eficiente de los recursos disponibles,entre otras cosas. Dicha predicción puede ser abordada como un problema de seriestemporales. En este trabajo se estudian y comparan el rendimiento de la predicción detráfico de red de distintas arquitecturas de redes neuronales que se consideran adecuadaspara la predicción de series temporales: Long Short-Term Memory (LSTM) y suevolución reciente, Extended Long Short-Term Memory (xLSTM) junto con otrasarquitecturas avanzadas.Todos los modelos fueron entrenados adaptando su estructura a las características de losdatos de entrada. Una vez completado el entrenamiento, se llevó a cabo un análisiscomparativo centrado especialmente en el rendimiento, la precisión y complejidadcomputacional de cada modelo. En el caso de xLSTM y LSTM, se exploraron diferentesconfiguraciones con el objetivo de contrastar los resultados obtenidos. Además, pararealizar un estudio más completo, se incluyen en el análisis otras arquitecturas avanzadascomo Time-series Dense Encoder (TiDE), Neural Basis Expansion Analysis forInterpretable Time Series Forecasting (N-BEATS), Transformadores de Fusión Temporal(TFT), Interpolación Jerárquica Neuronal para la Predicción de Series Temporales (NHiTS) y Redes Convolucionales Temporales (TCN). Los resultados muestran un granrendimiento por parte de TiDE y MLP, además son arquitecturas con poca cargacomputacional lo que es muy favorable para nuestro problema, la predicción de píxeles.Sin embargo, los resultados no ofrecen una primera aproximación exploratoria, dado que no se han obtenido bajo condiciones homogéneas. Para obtener conclusiones más certerassería necesario repetir los experimentos bajo un marco experimental uniforme.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/79665
UL https://uvadoc.uva.es/handle/10324/79665
LA spa
NO Departamento de Teoría de la Señal y Comunicaciones e Ingeniería Telemática
DS UVaDOC
RD 26-nov-2025