Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN

Vera Méndez, Nelson Vicente; Realpe Robalino, Miguel Andrés, Director

DSpace Principal
→
Unidades Académicas
→
Facultad de Ingeniería en Electricidad y Computación
→
Tesis de Maestría en Ciencias de la Computación
→
Ver ítem

dc.contributor.author	Vera Méndez, Nelson Vicente
dc.contributor.author	Realpe Robalino, Miguel Andrés, Director
dc.date.accessioned	2026-01-21T18:52:16Z
dc.date.available	2026-01-21T18:52:16Z
dc.date.issued	2025
dc.identifier.citation	Vera Méndez N.V.(2025). Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN [Proyecto de Titulación] Escuela Superior Politécnica del Litoral	es_EC
dc.identifier.uri	http://www.dspace.espol.edu.ec/handle/123456789/67385
dc.description	CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. Esta investigación aborda el desafío de la localización de dispositivos en espacios abiertos que se comunican de manera inalámbrica a través de redes LoRaWAN. Tradicionalmente, se emplea la tecnología GPS para la geolocalización; sin embargo, su uso implica la adición de un recurso adicional, lo cual puede elevar los costes. Por ello, se propone aprovechar la propia señal de comunicación de los dispositivos para fines de geolocalización, lo que reduce gastos y, además, ofrece versatilidad al ser una solución independiente de plataformas externas. Se desarrolló un modelo de aprendizaje profundo basado en Redes Neuronales de Grafos (GNN) para estimar coordenadas GPS, utilizando metadatos generados durante la comunicación LoRaWAN —como RSSI e información proporcionada por los gateways—. La propuesta presenta una metodología que combina métodos basados en datos—como técnicas de aprendizaje automático—con métodos teóricos fundamentados en los principios de propagación de ondas. Además, integra un enfoque mixto que reúne ambos paradigmas, aprovechando los principios físicos y las técnicas de aprendizaje automático para capturar y modelar el ruido. Esto permite equilibrar y ampliar los conjuntos de datos de manera eficiente, seleccionando y adaptando el método más adecuado para cada gateway. El estudio emplea algoritmos de clusterización como Clustering Difuso o Fuzzy C-Means (FCM), Clustering Sustractivo y Clustering Subjetivo para analizar y estructurar los datos. Los resultados destacan la efectividad del método híbrido, especialmente en gateways con mayor cantidad de datos disponibles para el desarrollo de la metodología propuesta, logrando un equilibrio entre precisión y eficiencia. Además de ser una solución para la estimación de coordenadas GPS en entornos con cobertura LoRaWAN, esta investigación ofrece un marco para optimizar la caracterización de la propagación de señales en escenarios de exteriores. El enfoque planteado aborda de manera eficiente las limitaciones inherentes a datos escasos y desbalanceados. Además, ofrece soluciones escalables para aplicaciones futuras que demanden una caracterización avanzada de la propagación de señales, incluyendo la geolocalización inteligente como una de sus principales aplicaciones, así como la reducción de interferencias, la optimización de la calidad del servicio y el diseño eficiente de redes inalámbricas.	es_EC
dc.description.abstract	CONDITION FOR PUBLICATION OF PROJECT.	es_EC
dc.publisher	ESPOL.FIEC	es_EC
dc.subject	Desarrollo	es_EC
dc.subject	Modelo	es_EC
dc.subject	Aprendizaje profundo	es_EC
dc.subject	Coordenadas GPS	es_EC
dc.subject	Metadatos	es_EC
dc.subject	Protocolo LoRaWAN	es_EC
dc.subject	Proceso de comunicación	es_EC
dc.title	Desarrollo de un modelo de aprendizaje profundo para la estimación de coordenadas GPS, utilizando metadatos del proceso de comunicación basado en el protocolo LoRaWAN	es_EC
dc.type	Thesis	es_EC