Resumo
A garantia da cobertura é um desafio das comunicações sem fio. Com o avanço das redes industriais, IoT, redes Wi-Fi e 5G, as aplicações em ambientes internos (indoor) são cada dia mais relevantes. Uma vez que as novas redes Wi-Fi, industriais e 5G visam aumentar as taxas e a eficiência da cobertura, ferramentas de diagnóstico e predição tornam-se indispensáveis para atingir esse objetivo. O aprendizado de máquina tem sido amplamente utilizado para propor modelos de predição da propagação de ondas eletromagnéticas no ar livre (outdoor). O presente trabalho, propõe um modelo genérico de predição para ambientes indoor, utilizando uma rede Long Short-Term Memory (LSTM), com baixo percentual de erro e uma implementação mais simples, sendo eficaz para locais distintos. Este método é baseado em cinco parâmetros de entrada, são estes: distância, número de paredes, ângulos vertical e de azimute e o Free Space Path Loss (FSPL). Propõe-se ainda um algoritmo de processamento de imagens para aquisição automática de dados, a partir da planta baixa do local, e outro para geração de amostras sintéticas, segundo o diagrama de irradiação da antena transmissora. O objetivo deste último é aumentar a base de treinamento sem a necessidade de realizar inúmeras medições in loco. Destaca-se, também, um framework para extração automática dos atributos espaciais, a partir da imagem digital da planta baixa, e como o modelo pode ser utilizado no planejamento de redes sem fio. Na preparação da rede foram adotados quatro ambientes distintos, sendo dois para treinamento e dois para testes. Nestes foram computados os erros de estimação, comparando o método proposto aos modelos empíricos de predição ITU, Log-Distance e Cost-321. A avaliação foi realizada seguindo a metodologia comumente adotada na literatura para validação de modelos de predição, que se baseia no erro quadrático médio (RMSE), erro absoluto médio (MAE) e erro percentual absoluto médio (MAPE), para os quais o método proposto alcançou 4,87 dBm, 3,71 dBm e 0,05, respectivamente. Erros estes até 3 vezes menores que dos modelos empíricos testados, e que confirmam a eficácia do método proposto. Assim, desenvolveu-se um modelo de predição baseado em LSTM para a cobertura de redes sem fio em ambientes internos, o qual auxilia no planejamento dessas redes. Palavras-chaves: Modelo de Predição; LSTM; Rede Sem Fio; Aprendizado de Máquina