[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-122511-pt":3,"doc-seo-122511-112":31,"detail-sidebar-cat-0-pt-112":84},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},122511,962085571259,"Theodora","https://ap-avatar.wpscdn.com/davatar_29158cc5080c5b710cf443261637dec0",32,"Pesquisa e Relatórios","Análise Estatística utilizando modelos de Machine Learning em Redes Móveis","A pesquisa investiga a relação entre indicadores de desempenho de redes móveis (KPIs) e a Qualidade de Experiência (QoE) percebida pelos usuários, medida por Crowdtesting em condições reais. Para lidar com diferenças de granularidade e ausência de identificação de células, os dados foram equalizados por clusters de latitude/longitude e agregados em nível diário. Modelos de regressão penalizada (LASSO, Ridge e Elastic Net) foram aplicados com R e glmnet. Os resultados mostram melhor desempenho do Ridge em AUC e melhor equilíbrio do Elastic Net entre acurácia e parcimônia.","Universidade Federal do Paraná Setor de Ciências Exatas Departamento de Informática  \nPrograma de Especialização em Data Science e Big Data  \nJarilson Barcelos Guilherme  \nAnálise Estatística utilizando modelos de Machine Learning em Redes Móveis  \nCuritiba  \nJarilson Barcelos Guilherme  \nAnálise Estatística utilizando modelos de Machine Learning em Redes Móveis  \nMonografia apresentada ao Programa de Especialização em Data Science e Big Data da Universidade Federal do Paraná como requisito parcial para a obtenção do grau de especialista.  \nOrientador: Prof. Pedro Henrique Toledo de Oliveira Sousa  \nCuritiba  \nEspecialização em Data Science & Big Data [dsbd.leg.ufpr.br](dsbd.leg.ufpr.br)  \nUniversidade Federal do Paraná Trabalho de Conclusão de Curso, nº , ()  \nAnálise Estatística utilizando modelos de Machine Learning em Redes  \nMóveis  \nStatistical Analysis Using Machine Learning Models in Mobile Networks  \nJarilson Barcelos Guilherme 1 , Pedro Henrique Toledo de Oliveira Sousa2  \n1 Aluno do programa de Especialização em Data Science & Big Data, [jarilson@hotmail.com](jarilson@hotmail.com)  \n2 Professor do Departamento de Informática-UFPR, [pedro.henrique3@ufpr.br](pedro.henrique3@ufpr.br)  \nEste trabalho investiga a relação entre indicadores de desempenho de redes móveis (KPIs)e aQualidade de Experiência (QoE) dos usuários, medida por Crowdtesting. Para superar diferenças de granularidade eausência de identificação de células nos testes, os dados foram equalizados por clusters de latitude/longitude e agregados em nível diário. Modelos de regressão penalizada (LASSO, Ridge e Elastic Net) foram aplicados utilizando a linguagem R e o pacote glmnet. Os resultados indicaram que o modelo Ridge apresentou a melhor área sob a curva ROC (AUC = 0,625), enquanto o Elastic Net atingiu o melhor equilíbrio entre acurácia eparcimônia (AUC = 0,5536 com 58 variáveis) . Conclui-se que a integração entre KPIs e Crowdtesting, mediadapor técnicas de machine learning, oferece uma abordagem possível para predição da QoE em redes móveis. Palavras-chave: Qualidade de Experiência, Redes Móveis, KPIs, Crowdtesting, Regressão Penalizada, Machine Learning  \nThis work investigates the relationship between mobile network performance indicators (KPIs) and user Quality of Experience (QoE), measured through Crowdtesting. To address differences in granularity and lack of cell identification, the data were equalized by latitude/longitude clusters and aggregated at a daily level. Penalized regression models (LASSO, Ridge, and Elastic Net) were applied using the R language and the glmnet package. Results indicated that Ridge achieved the best area under the ROC curve (AUC = 0.625), while Elastic Net provided the best balance between accuracy and parsimony (AUC = 0.5536 with 58 variables) . It is concluded that integrating KPIs and Crowdtesting, mediated by machine learning techniques, offers a possible approach to predicting QoE in mobile networks.  \nKeywords: Quality of Experience, Mobile Networks, KPIs, Crowdtesting, Penalized Regression, Machine Learning  \n1. Introdução  \nA mensuração da experiência do usuário em redesmóveis, conhecida como Qualidade de Experiência (QoE, do inglês Quality of Experience), constitui um desafio relevante para operadoras e pesquisadores. Embora a QoE seja a percepção subjetiva do usuário quanto à qualidade do serviço, sua avaliação costuma ser realizada a partir de indicadores objetivos de rede, como velocidade de download e upload, latência e perda de pacotes. No entanto, tais métricas nem sempre traduzem de forma fiel a percepção real do usuário, tornando complexa a tarefa de estabelecer uma associação direta entre desempenho técnico e experiência de uso.  \nEntre os principais desafios para a avaliação da QoE, destacam-se a subjetividade inerente à percepção dos usuários, a influência de múltiplos indicadores de rede  \nque podem ter diferentes impactos em cenários distintos, a interferência de fatores externos como tipode dispositivo","cbCaigXpJjUKgUDa","https://ap.wps.com/l/cbCaigXpJjUKgUDa","pdf",403735,2,1,10,"Portuguese","pt",112,"# Introdução\n# Materiais e métodos","[{\"question\":\"Quais modelos de regressão foram avaliados e qual foi a conclusão geral?\",\"answer\":\"Foram avaliadas regressões penalizadas LASSO, Ridge e Elastic Net com R e glmnet. O Ridge obteve melhor AUC, enquanto o Elastic Net apresentou melhor equilíbrio entre acurácia e parcimônia, concluindo que a integração KPIs + Crowdtesting via machine learning pode apoiar a predição de QoE em redes móveis.\"}]","Análise Estatística utilizando modelos de Machine Learning em Redes Móveis | PDF",1785811021,15,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":79,"head_meta":81,"extra_data":83,"updated_unix":29},"statistical-analysis-using-machine-learning-models-in-mobile-networks","",{"@graph":37,"@context":78},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,48,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":20},"https://docshare.wps.com/pt/document/","Document",{"item":49,"name":12,"@type":44,"position":50},"https://docshare.wps.com/pt/document/pesquisa-e-relatórios/",3,{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/pt/document/statistical-analysis-using-machine-learning-models-in-mobile-networks/122511/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-17","2026-08-04",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72],{"name":73,"@type":74,"acceptedAnswer":75},"Quais modelos de regressão foram avaliados e qual foi a conclusão geral?","Question",{"text":76,"@type":77},"Foram avaliadas regressões penalizadas LASSO, Ridge e Elastic Net com R e glmnet. O Ridge obteve melhor AUC, enquanto o Elastic Net apresentou melhor equilíbrio entre acurácia e parcimônia, concluindo que a integração KPIs + Crowdtesting via machine learning pode apoiar a predição de QoE em redes móveis.","Answer","https://schema.org",{"og:url":52,"og:type":80,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":82,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":85},[86,91,95,99,103,107,111,113,117,121],{"id":87,"doc_module":4,"doc_module_name":47,"category_name":88,"show_sort_weight":89,"slug":90},26,"Contos e Romances",60,"story-novel",{"id":92,"doc_module":4,"doc_module_name":47,"category_name":93,"show_sort_weight":89,"slug":94},46,"Estilo de Vida","lifestyle",{"id":96,"doc_module":4,"doc_module_name":47,"category_name":97,"show_sort_weight":89,"slug":98},28,"Exames","exam",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":89,"slug":102},47,"Geral","general",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":89,"slug":106},29,"Histórias em Quadrinhos","comic",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":89,"slug":110},27,"Literatura","literature",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":89,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":89,"slug":116},33,"Religião e Espiritualidade","religion-spirituality",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":89,"slug":120},31,"Saúde e Cuidados","healthcare",{"id":122,"doc_module":4,"doc_module_name":47,"category_name":123,"show_sort_weight":89,"slug":124},45,"Tecnologia","technology"]