Avaliação de modelos de propagação inteligentes em um simulador de rede LoRa

Abstract

A evolução das redes de comunicação sem fio tem sido um tópico relevante nas últimas décadas, impulsionada pela crescente demanda por aplicações de Internet das Coisas (IoT) em ambientes urbanos e rurais. Essas aplicações abrangem desde o monitoramento remoto até a automação industrial, agricultura de precisão e cidades inteligentes. As redes de sensores sem fio, especialmente aquelas baseadas na tecnologia LoRa, destacam-se por sua capacidade de fornecer comunicações de longo alcance com baixo consumo de energia. No entanto, um dos principais desafios enfrentados no uso dessas redes é a perda de percurso (path loss), que afeta diretamente a capacidade de comunicação e o consumo de energia dos dispositivos. Em ambientes urbanos densamente povoados, obstáculos como edifícios altos e estruturas metálicas podem causar atenuação significativa do sinal. Já em áreas rurais, a propagação pode ser afetada por terrenos acidentados ou vegetação densa. Embora existam vários modelos de propagação para prever a perda de percurso, muitos não conseguem lidar com a complexidade dos ambientes reais. Nesta pesquisa, foram implementados e testados modelos clássicos e de Inteligência Artificial usando dois conjuntos de dados: MCLAB, contendo dados de nós móveis, e Medellín, contendo dados de nós fixos. Os melhores modelos identificados foram aqueles derivados da árvore de decisão, como a Floresta Aleatória e o XGBOOST. No conjunto MCLAB, a Floresta Aleatória obteve erro médio quadrático de 6,82 dB, comparado a 9,78 dB do modelo logdistance. Já no conjunto Medellín, a Floresta Aleatória apresentou erro médio quadrático de 1,89 dB, comparado a 2,00 dB do modelo log-distance. Apesar do significativo esforço computacional na busca pela melhor topologia, nenhuma rede neural superou os modelos baseados em árvore. Todos os modelos aplicados e desenvolvidos foram implementados no simulador LoRaEnergySim, que foi utilizado para avaliar o impacto dos diferentes modelos de propagação no dimensionamento de redes LoRa, confirmando que os modelos clássicos tendem a superestimar as perdas de propagação, o que pode resultar em um dimensionamento incorreto das redes.

The evolution of wireless communication networks has been a significant topic in recent decades, driven by the growing demand for Internet of Things (IoT) applications in urban and rural environments. These applications range from remote monitoring to industrial automation, precision agriculture, and smart cities. Wireless sensor networks, especially those based on LoRa technology, stand out for their ability to provide long-range communications with low energy consumption. However, one of the main challenges faced by these networks is path loss, which directly affects the communication capacity and energy consumption of devices. In densely populated urban environments, obstacles such as tall buildings and metallic structures can cause significant signal attenuation. In rural areas, signal propagation can be affected by rugged terrain or dense vegetation. Although there are several propagation models to predict path loss, many fail to handle the complexity of real-world environments. In this research, classical models and artificial intelligence models were implemented and tested using two datasets: MCLAB, containing data from mobile nodes, and Medellín, containing data from fixed nodes. The best models identified were those derived from decision trees, such as Random Forest and XGBOOST. In the MCLAB dataset, the Random Forest model achieved an RMSE of 6.82 dB, compared to 9.78 dB for the log-distance model. In the Medellín dataset, the Random Forest model achieved an RMSE of 1.89 dB, compared to 2.00 dB for the log-distance model. Despite the significant computational effort in searching for the best topology, no neural network outperformed the tree-based models. All applied and developed models were implemented in the LoRaEnergySim simulator, which was used to evaluate the impact of different propagation models on the sizing of LoRa networks, confirming that classical models tend to overestimate path losses, which can lead to incorrect network sizing.