Proyecto de Tesis I

Propuesta de Tesis
Pronostico del Consumo de Ancho de Banda Utilizando Redes Neuronales en una Empresa de Tecnologa de Informacin

Cabezas Ayala Rocio Garca Quispe Ricardo J.

21 de julio de 2007

Tesistas

Cabezas Ayala, Rocio

Ingeniera de sistemas Universidad Nacional de Ingeniera 9no. Ciclo rocio_cabezas2002@yahoo.com

Garca Quispe, Ricardo J.

Ingeniera de sistemas Universidad Nacional de Ingeniera 9no. Ciclo rgarcia_quispe@yahoo.com
2

RESUMEN EJECUTIVO
En el presente estudio de investigacin se aborda el problema del pronstico del consumo de ancho de banda, el cual inicia con el planteamiento de este problema lo que permite definir los objetivos y otras caractersticas del estudio como: tipo de investigacin a realizar, tipo de diseo, el objeto de estudio, etc. proponiendo un modelo basado en redes neuronales, para lo cual se definen las variables que van a tener un efecto en el comportamiento de este consumo y un modelo que define la metodologa a usar para hallar el pronostico, evaluar los resultados e interpretarlos y dar las conclusiones.
3

Palabras Claves
Banda Ancha: capacidad de una lnea determinada para transmitir informacin
Redes Neuronales: modelo de procesamiento de la informacin inspirado en el modo en que un sistema nervioso biolgico, como el cerebro Back Propagation: Tipo de red neuronal muy eficaz para resolver problemas de reconocimiento y clasificacin de patrones

Pronostico:Es emitir un enunciado sobre lo que es probable que ocurra en el futuro.

MAPE: criterio que se utiliza para examinar cual de los modelos estimados se ajusta mejor a la serie objeto de estudio
4

Palabras Claves
Levenberg Marquardt : algoritmo de aprendizaje de una red neuronal
Tasa de Aprendizaje: Representa el error permitido para cada modelo de red neuronal a utilizar el cual se usara para su entrenamiento en el experimento Algoritmo de Entrenamiento: Tipo de algoritmo de entrenamiento de las redes neuronales que se aplicara en el experimento para conocer el comportamiento de la variable dependiente. Funcin de Activacin: Se encarga de calcular el nivel o estado de activacin de la neurona en funcin de la entrada total

K-Fold: Tecnica para calcular el porcentaje de pruebas

PROPUESTA

Ttulo

Pronostico del Consumo de Ancho de Banda Utilizando Redes Neuronales en una Empresa de Tecnologa de Informacin

El Problema

Una de las necesidades de las empresas es satisfacer la demanda desus clientes, lo que lleva a una buena planeacin de sus recursos, teniendo en cuenta un presupuesto

El problema en la planificacin de la capacidad de costos depende de la precisin de la previsin de unidades de ancho de banda requeridas para demandas, medida mediante un indicador llamado calcula de la siguiente manera :

red es que los la cantidad de satisfacer las MAPE que se

8

Justificacin del Problema

Las empresas se ven envuelto en un mundo de tecnologa donde las transacciones se realizan va Web siendo el ancho de banda un recurso vital para la satisfaccin del cliente para lo cual una empresa debe saber en el momento adecuado la cantidad de ancho de banda a requerir para poder satisfacer al cliente sin ocasionarse un alto costo, en un presupuesto definido.

En una red de telecomunicaciones se planea el nivel del servicio que se desea brindar a los clientes dado un presupuesto anual y considerando un costo por tener una capacidad instalada, estas decisiones dependen mucho de los pronsticos de la demandas. Pronosticar el consumo de ancho de banda nos permitir a su vez conocer la capacidad de una lnea para transmitir informacin el cual es compartido por un nmero de usuarios en un determinado momento.

10

mbito de la investigacin

El alcance del presente estudio es para una Empresa de Tecnologas Informticas, la cual inicia sus labores de trabajo a partir de las 8:30am hasta las 6:00 pm de Lunes a Viernes y Sbado de 8:30am hasta la 1:30pm

11

Objetivo
El objetivo de la investigacin es demostrar que el modelo de Levenberg Marquardt tiene menor MAPE que el modelo de retropropagacion en el consumo de ancho de banda.

12

Objetivos Especficos

Estimar de manera confiable con una red neuronal artificial el consumo de ancho de banda en una empresa de tecnologas de informacin. Investigar tcnicas adecuadas, que brinda mejores resultados, para el pronstico del consumo de ancho de banda. Describir la aplicacin de redes neuronales en el campo del pronstico. Definir un modelo que establezca la metodologa para la aplicacin de redes neuronales.
13

MARCO TEORICO

14

Conceptual

Una red de telecomunicaciones esta formada por una serie de estaciones de trabajo, coordinadas por maquinas especiales, denominadas servidores, y por un conjunto variable de dispositivos autnomos, tales como routers y switches. Cada dispositivo activo que interviene en la comunicacin de forma autnoma se denomina nodo. Todos ellos se comunican entre si directamente a travs de redes de transporte de informacin.

15

Antecedentes

Prediccin de Trafico en redes de Telecomunicaciones basados en tcnicas de Inteligencia Analtica Autor: Millan Alonso Girarldo

16

Redes Neuronales Artificiales (RNA)

Una red Neuronal artificial es un modelo de procesamiento de la informacin inspirado en el modo en que un sistema nervioso biolgico, como el cerebro, procesa informacin. El punto clave de este paradigma es la estructura original del sistema de procesamiento, compuesta por un gran numero de elementos interconectados (neuronas), trabajando en armona para resolver problemas especficos.

17

Tcnicas

Retropropagacin Este tipo de red neuronal es muy eficaz para resolver problemas de reconocimiento y clasificacin de patrones. Su arquitectura consta de tres capas: una de entrada con n neuronas, al menos una capa intermedia oculta y otra de salida (muestra los resultados) con m neuronas. Levenberg Marquardt El algoritmo de Levenberg-Marquardt (LM) es un algoritmo iterativo de optimizacin en el que el mtodo de iteracin presenta una ligera modificacin sobre el mtodo tradicional de Newton el que fue diseado para minimizar funciones que sean la suma de los cuadrados de otras funciones no lineales; es por ello que el algoritmo de Levenberg - Marquardt, tiene un excelente desempeo en el entrenamiento de redes neuronales donde el rendimiento de la red est determinado por el error medio cuadrtico 18

Mape

19

METODOLOGIA DE LA INVESTIGACION

20

Tipo de Investigacin

Tipo de Investigacin
Correlacional

Tipo de Diseo Experimental

Experimental

21

DISEO DE LA INVESTIGACION

22

Objeto de la Investigacin

23

24

Poblacin

La poblacin esta compuesta por un conjunto de (8520/N) Objetos de estudio donde 8520 son observaciones que corresponden a la medicin del consumo de ancho de banda de la empresa ABAB tecnologas de la informacin tomada en 153 das cada 10 minutos considerando los siguientes atributos: Mes, da del mes, hora, da de la semana, Consumo de banda.

25

Muestra

La tcnica de muestreo es no probabilstica ya que los elementos no depende de la probabilidad sino de causas relacionadas con las caractersticas del investigador la ventaja es que podemos tener una cuidadosa y controlada eleccin de sujetos.

26

Variables
Variables independientes:
Algoritmo

Variables dependientes:
Porcentaje

de Entrenamiento

Nmeros

de Neuronas de la Capa Intermedia (Ci

de Iteraciones(I)

de Error Absoluto

Numero Numero

de Observaciones para la prediccin (N) de la muestra de entrenamiento (h)

Porcentaje

Instrumento de medicin
Los datos se extraen por observacin de una BD que se almacenara en el servidor Web de la empresa lo cual nos permite tener acceso a ella independiente del momento a extraer

E X P E R I M E N T O

(MAPE)

Instrumento de medicin
Se Diseara algoritmos de para obtener el MAPE de cada experimento.
27

28

Extraccin de La Data

29

Diseo de la Investigacin
Variable Independiente Algoritmo de entrenamiento: Neuronas de Capa Intermedia: Numero de Iteraciones: Numero de Observacin Porcentaje de muestra para entrenamiento Objeto de Estudio Variable Dependiente

MODELO DE SOLUCION

MAPE

F(Algoritmo aprendizaje, neuronas capa intermedia, iteraciones, tasa de aprendizaje)=MAPE

30

TABLA DE EXPERIMENTOS

31

Hiptesis

La hiptesis de la Investigacin es de tipo correlacional y es la siguiente:

H1: El modelo de red neuronal con algoritmo de aprendizaje Levenberg Marquardt tiene menor MAPE que el modelo de red neuronal con algoritmo de aprendizaje de Retropropagacin.
H0: El modelo de red neuronal con algoritmo de aprendizaje Levenberg Marquardt no tiene menor MAPE que el modelo de red neuronal con algoritmo de aprendizaje de Retropropagacin. Ha: El modelo de red neuronal con algoritmo de aprendizaje Levenberg Marquardt tiene igual MAPE que el modelo de red neuronal con algoritmo de aprendizaje de Retropropagacin

32

MODELO DE SOLUCION

33

34

35

36

37

Planificacin

38

39

40

41

42

43

Conclusiones
El desarrollo de la presente tesis es viable, debido a que cuenta con los datos de la empresa ABAB de tecnologas de informacin para poder analizarlos.

Se justifica pues se necesita realizar pronsticos de consumo de ancho de banda de las 24 horas siguientes, para coordinar el planeamiento de los recursos al rea de informtica y as brindar un servicio de calidad al cliente.

44

La tesis es viable porque se ha realizado la planificacin de la misma teniendo en cuenta los recursos a necesitar y adems el tiempo de cada actividad , verificando que el tiempo total de la tesis se encuentre en el periodo del siguiente ciclo de Tesis II.

Se tiene un gran inters en pronosticar un da en una hora especfica , teniendo como base observaciones que tengan el mismo atributo da, hora y analizando si es o no es feriado.

45

BIBLIOGRAFIA

Un Enfoque de inventarios para planear capacidad en redes de telecomunicaciones, Carlos Alberto lvarez Herrera, Mauricio Cabrera Ros Prediccin de Trafico en Redes de Telecomunicaciones basado en Tcnicas de Inteligencia Artificial, Millan Alonso Giraldo Redes Neuronales y Algoritmos Genticos, Aristteles Onassis Metodologa de la Investigacin , 2da Edicin Roberto Hernndez Sampieri

46