Previsão de Potência Recebida em Ambientes Indoor Utilizando Aprendizado de Máquina

Acesso Rápido

• Sobre o Projeto
• Por que utilizar ML
• Organização do Repositório
• Como Executar o Projeto
• Ferramentas e Tecnologias Utilizadas
• Contribuições
• Modelos Treinados (2 GHz)
• Modelos Treinados (5 GHz)
• Licença

Sobre o Projeto

Este projeto explora o uso de modelos de aprendizado de máquina (ML) para prever a potência do sinal recebida por um usuário móvel dentro de um ambiente de comunicação sem fio (Wi-Fi) em um cenário indoor. A precisão dessas previsões é essencial para otimizar o planejamento de redes wireless, melhorando a qualidade de serviço (QoS) em termos de taxa de transmissão e latência, ajustando-se às necessidades de diferentes aplicações.

Cenário de Estudo

Medições foram realizadas em um ambiente indoor utilizando um ponto de acesso Wi-Fi como transmissor e um dispositivo móvel como receptor. A distância entre eles variou de 1 a 30 metros, com incrementos de 1 metro, resultando em 30 amostras por frequência. As medições foram feitas separadamente nas bandas de 2.4 GHz e 5 GHz.

Por que utilizar ML?

Ao invés de depender exclusivamente de modelos determinísticos tradicionais, que são baseados em equações ajustadas a partir de medições específicas, este projeto emprega ML para aumentar a precisão das previsões através de uma aprendizagem adaptativa baseada em dados reais.

Foram treinados três modelos de ML:

• Random Forest
• Lasso Regression
• Decision Tree

O desempenho dos modelos foi avaliado comparando as previsões da potência recebida com os valores reais medidos. A análise incluiu também uma comparação com os modelos determinísticos tradicionais de perda de percurso (path loss).

Entre esses, o modelo Random Forest obteve o melhor desempenho. Sua habilidade em capturar a complexidade e não linearidades nos dados, combinada com sua robustez a ruídos e variações nos dados de entrada, resultou em previsões mais próximas dos valores reais medidos.

Abaixo está uma visualização comparativa entre os valores de potência recebida previstos pelo modelo Random Forest e os valores reais medidos. O gráfico à direita ilustra como o modelo acompanha os valores medidos em função da distância, enquanto os medidores à esquerda mostram a potência exata prevista versus a potência real medida em um determinado ponto.

Essa comparação visual permite identificar facilmente a precisão do modelo na tarefa de previsão de potência recebida em um ambiente indoor.

Organização do Repositório

1. Diretórios de Análise

Cada diretório contém a análise das medições feitas em uma frequência específica:

• 2.4 GHz Analysis: Análise de medições para a frequência de 2.4 GHz.
• 5 GHz Analysis: Análise de medições para a frequência de 5 GHz.

Dentro de cada diretório de análise:

• EDA: Arquivos HTML com análise exploratória dos dados.
• images: Gráficos das medições e desempenho dos modelos.
• models: Modelos de aprendizado de máquina treinados (arquivos .pkl).
• tables: Métricas de avaliação de desempenho de cada modelo.

2. Notebooks

• path_loss_prediction.ipynb: Notebook com as etapas de análise exploratória, pré-processamento dos dados, divisão dos conjuntos de treino, validação e teste, além do treinamento dos modelos de aprendizado de máquina.
• compare_models_and_path_loss_equation.ipynb: Comparação dos modelos de aprendizado de máquina treinados com as equações determinísticas tradicionais de perda de percurso.

3. Visualização

• Visualization: Diretório contendo as imagens e datasets utilizados para gerar visualizações no Power BI, com foco na comparação do desempenho do modelo de melhor desempenho (Random Forest) e os valores reais.

4. Datasets

• datasets: Dados das medições de potência recebida para as frequências de 2.4 GHz e 5 GHz.

Como Executar o Projeto

1. Clone este repositório:

   git clone https://github.com/albert-santos/path_loss_prediction.git
   

2. Instale as dependências necessárias:

   pip install -r requirements.txt

3. Execute o notebook path_loss_prediction.ipynb para realizar a análise e treinar os modelos de ML.
4. Para visualizar a comparação entre os modelos e as equações de perda de percurso, utilize o notebook compare_models_and_path_loss_equation.ipynb.

Ferramentas e Tecnologias Utilizadas

Este projeto faz uso de uma série de ferramentas e bibliotecas que auxiliam na análise e modelagem dos dados de potência de sinal em um ambiente wireless indoor. Abaixo estão listadas as principais tecnologias utilizadas:

• Python: Linguagem principal usada no desenvolvimento dos scripts e notebooks.
• Pandas: Utilizado para manipulação e análise dos dados, incluindo pré-processamento.
• Y-data Profile: Biblioteca utilizada para gerar um relatório de Análise Exploratória dos Dados
• Scikit-learn: Biblioteca principal para criação, treinamento e avaliação dos modelos de aprendizado de máquina, incluindo Random Forest, Lasso Regression e Decision Tree.
• Matplotlib: Ferramenta de visualização de dados usadas para gerar gráficos que ilustram o comportamento dos dados e o desempenho dos modelos.
• Jupyter Notebooks: Ambiente de desenvolvimento utilizado para a criação de notebooks interativos que contêm todo o processo de análise e modelagem.
• Power BI: Utilizado para a criação de dashboards e visualizações avançadas, permitindo uma comparação visual entre as previsões dos modelos e os dados reais.
• Git: Controle de versão utilizado para gerenciar o desenvolvimento do projeto de forma colaborativa e organizada.

Contribuições

Albert dos Santos

Igor Falcão

Licença

Este projeto está licenciado sob a Licença MIT. Para mais detalhes consulte o arquivo