Programa del congreso

La densificación de la red de acceso radioeléctrico es crucial para el despliegue rápido y eficiente de redes celulares que vayan más allá de la actual red 5G. Este hecho implica integrar celdas pequeñas en zonas donde las macro celdas tradicionales experimentan problemas de cobertura o capacidad. La coordinación y gestión eficaces de estas celdas recién desplegadas son esenciales para garantizar un rendimiento adecuado de la red. Con los recientes avances en inteligencia artificial, esta tarea puede automatizarse mediante técnicas de aprendizaje automático. En este estudio, se propone un método automático para generar listas de celdas vecinas en una red celular basado en redes neuronales de grafos. El modelo propuesto se valida con un conjunto de datos extraídos de una red "Long Term Evolution" (LTE) real. Los resultados demuestran que la metodología propuesta se anticipa con éxito a las listas de vecinas generadas por la función Automatic Neighbor Relations (ANR) y ajustadas por el operador de red.

In beyond 5G mobile networks, the arise of low-power end-devices and data-hungry services with high UpLink (UL) traffic demands makes interference minimization crucial for network operators. Identifying the root cause of interference experienced in a cell is key for effective decision-making. With recent advances in artificial intelligence, such a task can be tackled through supervised learning provided that a labeled training dataset is available. Consequently, automatic data labeling is essential to enable fully automated interference hunting in zero-touch networks. This work presents an algorithm for clustering interference patterns experienced in the UL of a cellular radio access network by root cause through unsupervised learning. The proposed scheme has isolated 13 interference types on a dataset collected in 4 live LTE networks, comprising samples from cells with different bandwidths and radio channel degradation.

This paper presents the design of an automated alarm-based incident prediction system developed in collaboration with Cellnex, the Spanish digital television broadcasting network operator. Due to confidentiality agreements restricting the disclosure of results derived from proprietary data, the system was evaluated using synthetically generated scenarios, Baseline, Degraded, and Alarm-storm, each simulating different network conditions. For each scenario, alarm events are preprocessed, normalized, and encoded into numerical features across four contextual settings: no additional information, pattern sequences, time-based statistics, and their combination. Experimental results show that incorporating temporal context significantly improves incident prediction, particularly in highly imbalanced scenarios. Among the classifiers evaluated, LightGBM consistently achieves the highest balanced accuracy when using time-based statistical features. These results highlight the importance of temporal modeling and imbalance handling in improving alarm-based incident prediction.

Este trabajo presenta un sistema integrado que utiliza drones para identificar y analizar estaciones base en redes de comunicación, combinando tecnologías de posicionamiento GPS, sensores de orientación y aprendizaje automático mediante el modelo YOLOv8 para procesar imágenes capturadas durante el vuelo. El sistema ajusta dinámicamente la altitud del dron y recalcula distancias y direcciones hacia las antenas más cercanas, asegurando una cobertura óptima y una detección precisa incluso en entornos complejos, mientras recopila datos georreferenciados que se exportan a archivos CSV y Excel para su posterior análisis, destacando su potencial para optimizar redes de comunicación asistidas por drones.

For cellular networks, the knowledge of user position is key for improving its services; such as millimetre waves, user-based service or self-healing. The main researches in this area focus on improving the localisation systems, with a special interest in machine learning (ML)-based fingerprinting solutions. Nevertheless, the system performance is measured by prediction RMSE, or other metrics, ignoring any methodology of sensitivity of the system to non-ideal inputs. In this work, statistical-based methods are proposed for characterising the data used for training, the ML model sensitivity and prediction error margins. These aspects are evaluated with a dataset from a commercial mobile network from a European city.

Las redes móviles se enfrentan cada vez más a problemas de congestión en escenarios muy poblados. En este contexto, el despliegue de estaciones base aéreas (ABS) en drones ofrece una solución eficaz y flexible para ampliar la cobertura y aumentar la capacidad de la red sin necesidad de infraestructura fija adicional. Este artículo propone un algoritmo de navegación basado en el aprendizaje profundo por refuerzo (DRL) que optimiza la posición de una ABS para maximizar el cumplimiento del acuerdo de nivel de servicio global. Se comparan cuatro versiones del algoritmo, que se diferencian en la función de recompensa y en los datos utilizados para entrenar al agente DDQN. Los resultados de la simulación muestran que un agente con una función de recompensa basada en mediciones de potencia y entrenado con experiencias recogidas en múltiples entornos logra el mejor rendimiento global, aumentando el cumplimiento del acuerdo de nivel de servicio en un 16,27% en escenarios en los que los usuarios se concentran en una pequeña zona del escenario.