Optimización de redes inalámbricas rurales mediante aprendizaje automático: Mejora de la conectividad en áreas remotas

Autores/as

DOI:

https://doi.org/10.62697/rmiie.v4i2.181

Palabras clave:

Redes inalámbricas rurales, aprendizaje automático, optimización de redes, conectividad rural

Resumen

La optimización de redes inalámbricas rurales mediante aprendizaje automático representa un desafío fundamental para reducir la brecha digital en áreas remotas, esta investigación tiene como objetivo analizar las estrategias de optimización basadas en aprendizaje automático para redes inalámbricas rurales mediante una revisión sistemática de la literatura científica reciente, la metodología empleada se fundamenta en un enfoque cualitativo con diseño descriptivo-exploratorio, analizando publicaciones académicas indexadas en IEEE Xplore, Scopus y Web of Science durante 2019-2024, los hallazgos revelan que los algoritmos de aprendizaje federado, redes neuronales y aprendizaje por refuerzo han demostrado efectividad significativa en la gestión dinámica de recursos, predicción de patrones de tráfico y optimización energética en entornos rurales, sin embargo, persisten desafíos en términos de disponibilidad de datos, capacidades computacionales y adaptabilidad a entornos dinámicos.  Se concluye que la integración del aprendizaje automático con tecnologías emergentes como 5G, IoT y Edge computing está estableciendo las bases para ecosistemas de conectividad más robustos en áreas rurales, aunque se requiere mayor investigación en el desarrollo de algoritmos específicamente adaptados a las limitaciones características de estos entornos, considerando aspectos cruciales como eficiencia energética, escalabilidad, sostenibilidad y la capacidad de respuesta ante condiciones ambientales adversas típicas de las zonas rurales.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Almurshed, O., Patros, P., Huang, V., Mayo, M., Ooi, M., & Chard, R. (2022). Adaptive Edge-Cloud Environments for Rural AI. 2022 IEEE International Conference on Services Computing (SCC), 74-83. https://www.doi.org/10.1109/scc55611.2022.00023

Chaabane, F., Réjichi, S., Salem, H. B., Elmabrouk, H., & Tupin, F. (2024). Strategic Planning of Rural Telecommunication Infrastructure: A Multi-Source Data Fusion and Optimization Model. Spatial Inf. Sci., 48(1), 73–78. https://www.doi.org/10.5194/isprs-archives-xlviii-1-2024-73-2024

Chandra-Gangwar, R., & Singh, R. (2023). Machine Learning Algorithms from Wireless Sensor Network’s Perspective. En Wireless Sensor Network’s Perspective. IntechOpen. https://doi.org/http://dx.doi.org/10.5772/intechopen.111417

Chaoub, A., Giordani, M., Lall, B., Bhatia, V., Kliks, A., & Mendes, L. (2022). 6G for Bridging the Digital Divide: Wireless Connectivity to Remote Areas. IEEE Wireless Communications, 29(1), 160-168. https://www.doi.org/10.1109/mwc.001.2100137

Dreifuerst, R. M., Daulton, S., Qian, Y., Varkey, P., Balandat, M., & Kasturia, S. (2021). Optimizing Coverage and Capacity in Cellular Networks using Machine Learning. 2021 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), 8138-8142. https://doi.org/10.1109/ICASSP39728.2021.9414155

Kulin, M., Kazaz, T., De-Poorter, E., & Moerman, I. (2021). A Survey on Machine Learning-Based Performance Improvement of Wireless Networks: PHY, MAC and Network Layer. Electronics, 10(3). /https://doi.org/10.3390/electronics10030318

Kumar-Samanta, R., Sadhukhan, B., Samaddar, H., Sarkar, S., Koner, C., & Ghosh, M. (2022). Scope of machine learning applications for addressing the challenges in next‐generation wireless networks. CAAI Transactions on Intelligence Technology, 7(3), 395 - 418. https://doi.org/10.1049/cit2.12114

Liu, D., Sun, C., Yang, C., & Hanzo, L. (2020). Optimizing Wireless Systems Using Unsupervised and Reinforced-Unsupervised Deep Learning. IEEE Network, 34(4), 270-277. https://doi.org/10.1109/MNET.001.1900517

Lü, M. (2024). Application of machine learning algorithms in resource allocation for wireless communications. Applied and Computational Engineering, 37-42. https://www.doi.org/10.54254/2755-2721/102/20240966

Mikola, V., Andrii, P., Andrii, O., & Diana, N. (2023). Optimization of intelligent telecommunication networks. Vìsnik Hmelʹnicʹkogo nacìonalʹnogo unìversitetu, 1, 33-41. https://doi.org/10.31891/2307-5732-2023-317-1-33-41

Naser, M. Z., & Alavi, A. H. (2021). Error Metrics and Performance Fitness Indicators for Artificial Intelligence and Machine Learning in Engineering and Sciences. Architecture, Structures and Construction, 3, 499–517. https://doi.org/10.1007/s44150-021-00015-8

Ojo, S., Sari, A., & Ojo, T. P. (2022). Path Loss Modeling: A Machine Learning Based Approach Using Support Vector Regression and Radial Basis Function Models. Open Journal of Applied Sciences, 12(6). https://doi.org/10.4236/ojapps.2022.126068

Pandey, S. (2024). Optimizing UAV-Assisted Relaying through Split Learning for Enhanced Distributed Inference in IoT-Based Ecological Monitoring. Acceleron Aerospace Journal, 3(3). https://doi.org/10.61359/11.2106-2446

Pirinen, P., Saarnisaari, H., Beek, J. v., Matinmikko-Blue, M., Nilsson, R., & Latva-aho, M. (2019). Wireless Connectivity for Remote and Arctic Areas – Food for Thought. 2019 16th International Symposium on Wireless Communication Systems (ISWCS), 43-47. http://dx.doi.org/10.1109/ISWCS.2019.8877348

Ramírez-Arroyo, A., López, M., Rodríguez, I., Bro-Damsgaard, S., & Mogensen, P. (2024). Multi-Connectivity Solutions for Rural Areas: Integrating Terrestrial 5G and Satellite Networks to Support Innovative IoT Use Cases. arXiv. https://www.doi.org/10.48550/arxiv.2411.06979

Ryo-Koblitz, A., Maggi, L., & Andrews, M. (2024). Reducing the Environmental Impact of Wireless Communication via Probabilistic Machine Learning. Proceedings of the AAAI Symposium Series, 2(1), 89-93. https://doi.org/10.1609/aaaiss.v2i1.27654

Shi, Y., Lian, L., Shi, Y., Wang, Z., Zhou, Y., Fu, L., Bai, L., Zhang, J., & Zhang, W. (2023). Machine Learning for Large-Scale Optimization in 6G Wireless Networks. arXiv.org. https://www.doi.org/10.48550/arXiv.2301.03377

Srivastava, M. (2023). Adapting Machine Learning Techniques for Low-Resource Settings in Developing Countries: A Multidisciplinary Approach. OSF PREPRINTS. https://www.doi.org/10.31219/osf.io/62rbp

Temim, S., Talbi, L., & Bensebaa, F. (2023). Analysis and Multiobjective Optimization of a Machine Learning Algorithm for Wireless Telecommunication. Telecom, 4(2), 219–235. https://doi.org/10.3390/telecom4020013

Wang, J., Jiang, C., Zhang, H., Ren, Y., Chen, K.-C., & Hanzo, L. (2020). Thirty Years of Machine Learning: The Road to Pareto-Optimal Wireless Networks. IEEE Communications Surveys & Tutorials, 22(3), 1472-1514. https://doi.org/10.1109/COMST.2020.2965856

Zhang, S., Yin, B., Zhang, W., & Cheng, Y. (2022). Topology Aware Deep Learning for Wireless Network Optimization. IEEE Transactions on Wireless Communications, 21(11), 9791 - 9805. /https://www.doi.org/10.1109/twc.2022.3179352

Zhou, H., Erol-Kantarci, M., Liu, Y., & Poor, H. V. (2023). A Survey on Model-based, Heuristic, and Machine Learning Optimization Approaches in RIS-aided Wireless Networks. IEEE Communications Surveys & Tutorials, 26(2), 781-823. https://arxiv.org/abs/2303.14320

Descargas

Publicado

2025-05-01

Cómo citar

Decimavilla-Alarcón, D. C., & Jama-Rodríguez, E. F. (2025). Optimización de redes inalámbricas rurales mediante aprendizaje automático: Mejora de la conectividad en áreas remotas. Revista Mexicana De Investigación E Intervención Educativa, 4(2), 99–110. https://doi.org/10.62697/rmiie.v4i2.181

Número

Vol. 4 Núm. 2 (2025): Educomunicación en contextos digitales (Mayo-agosto)

Sección

Artículos

Licencia

Derechos de autor 2025 Diana Carolina Decimavilla-Alarcón, Emilio Fernando Jama-Rodríguez

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial 4.0.

Los autores que publican en la Revista Mexicana de Investigación e Intervención Educativa (RMIIE), de la Universidad Pablo Latapí Sarre están de acuerdo con los siguientes términos:

1. Derechos de Autor

Los autores conservan los derechos de autor sobre sus trabajos sin restricciones. Los autores otorgan a la revista el derecho de primera publicación. Para ello, ceden a la revista, de forma no exclusiva, los derechos de explotación (reproducción, distribución, comunicación pública y transformación). Los autores pueden establecer otros acuerdos adicionales para la distribución no exclusiva de la versión de la obra publicada en la revista, siempre que exista un reconocimiento de su publicación inicial en esta revista.

© Los autores.

2. Licencia

Los trabajos se publican en la revista bajo la licencia de Atribución-NoComercial-CompartirIgual 4.0 Internacional de Creative Commons (CC BY-NC-SA 4.0). Los términos se pueden consultar en: https://creativecommons.org/licenses/by-nc-sa/4.0/deed.es

Esta licencia permite:

  • Compartir: copiar y redistribuir el material en cualquier medio o formato.
  • Adaptar: remezclar, transformar y crear a partir del material.

Bajo los siguientes términos:

  • Atribución: ha de reconocer la autoría de manera apropiada, proporcionar un enlace a la licencia e indicar si se ha hecho algún cambio. Puede hacerlo de cualquier manera razonable, pero no de forma tal que sugiera que el licenciador le da soporte o patrocina el uso que se hace.
  • NoComercial: no puede utilizar el material para finalidades comerciales.
  • CompartirIgual: si remezcla, transforma o crea a partir del material, debe difundir su creación con la misma licencia que la obra original.

No hay restricciones adicionales. No puede aplicar términos legales ni medidas tecnológicas que restrinjan legalmente a otros hacer cualquier cosa que la licencia permita.