[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Os métodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem alguns desafios para sua implantação completa, relacionados à seleção das entradas mais significativas do modelo, à compreensão de suas contribuições para as previsões do modelo e à avaliação adicional da capacidade de generalização para amostras desconhecidas. Esta tese tem como objetivo projetar modelos de PL baseados em ML otimizados para diferentes aplicações das tecnologias 5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave) para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz, cobertura de macrocélulas no espectro sub-6 GHz e comunicações veiculares usando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro, Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais (ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumento de árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricos para mmWave com previsão de PL melhorada. Propomos uma metodologia para seleção robusta de modelos de ML e uma metodologia para selecionar os preditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canal veículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência para lidar com conjuntos de dados pequenos. Os testes de generalização propostos mostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadores de amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems’ coverage area. Machine learning (ML) methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in the sub-6 GHz spectrum, and vehicular communications using measurements campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and gradient tree boosting (GTB). Furthermore, we have extended two empirical models for mmWave with improved PL prediction. We proposes a methodology for robust ML model selection and a methodology to select the most suitable predictors for the machines considered based on performance improvement and the model’s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a transfer learning approach to deal with small datasets. The generalization tests proposed shows the ability of the ML models to learn the pattern between the model’s inputs and PL, even in more challenging environments and scenarios of unknown samples.

[pt] A perda de percurso (PL) é um parâmetro essencial em modelos de propagação e crucial na determinação da área de cobertura de sistemas móveis. Osmétodos de aprendizado de máquina (ML) tornaram-se ferramentas promissoras para a previsão de propagação de rádio. No entanto, ainda existem algunsdesafios para sua implantação completa, relacionados à seleção das entradasmais significativas do modelo, à compreensão de suas contribuições para asprevisões do modelo e à avaliação adicional da capacidade de generalizaçãopara amostras desconhecidas. Esta tese tem como objetivo projetar modelosde PL baseados em ML otimizados para diferentes aplicações das tecnologias5G e além. Essas aplicações abrangem links de ondas milimétricas (mmWave)para ambientes indoor e outdoor na faixa de frequência de 26,5 a 40 GHz,cobertura de macrocélulas no espectro sub-6 GHz e comunicações veicularesusando campanhas de medições desenvolvidas em CETUC, Rio de Janeiro,Brazil. Vários algoritmos de ML são explorados, como redes neurais artificiais(ANN), regressão de vetor de suporte (SVR), floresta aleatória (RF) e aumentode árvore de gradiente (GTB). Além disso, estendemos dois modelos empíricospara mmWave com previsão de PL melhorada. Propomos uma metodologiapara seleção robusta de modelos de ML e uma metodologia para selecionar ospreditores mais adequados para as máquinas consideradas com base na melhoria de desempenho e na interpretabilidade do modelo. Além disso, para o canalveículo-veículo (V2V), uma técnica de rede neural convolucional (CNN) também é proposta usando uma abordagem de aprendizado por transferência paralidar com conjuntos de dados pequenos. Os testes de generalização propostosmostram a capacidade dos modelos de ML de aprender o padrão entre as entradas do modelo e a PL, mesmo em ambientes e cenários mais desafiadoresde amostras desconhecidas. / [en] Path loss (PL) is an essential parameter in propagation models and critical in determining mobile systems coverage area. Machine learning (ML) methods have become promising tools for radio propagation prediction. However, there are still some challenges for its full deployment, concerning to selection of the most significant model s inputs, understanding their contributions to the model s predictions, and a further evaluation of the generalization capacity for unknown samples. This thesis aims to design optimized ML-based PL models for different applications for the 5G and beyond technologies. These applications encompass millimeter wave (mmWave) links for indoor and outdoor environments in the frequency band from 26.5 to 40 GHz, macrocell coverage in the sub-6 GHz spectrum, and vehicular communications using measurements campaign carried out by the Laboratory of Radio-propagation, CETUC, in Rio de Janeiro, Brazil. Several ML algorithms are exploited, such as artificial neural network (ANN), support vector regression (SVR), random forest (RF), and gradient tree boosting (GTB). Furthermore, we have extended two empirical models for mmWave with improved PL prediction. We proposes a methodology for robust ML model selection and a methodology to select the most suitable predictors for the machines considered based on performance improvement and the model s interpretability. In adittion, for the vehicle-to-vehicle (V2V) channel, a convolutional neural network (CNN) technique is also proposed using a transfer learning approach to deal with small datasets. The generalization tests proposed shows the ability of the ML models to learn the pattern between the model’s inputs and PL, even in more challenging environments and scenarios of unknown samples.

[pt] Em dezembro de 2021, a ANEEL homologou uma nova metodologia para estabelecimento das Perdas Não Técnicas (PNT) regulatórias para o segmento de distribuição de energia elétrica. Pela primeira vez no histórico da regulamentação das perdas comerciais, a ANEEL estabeleceu tratamento específico para concessionárias que atuassem em regiões com presença de Áreas com Severas Restrições Operativas (ASRO). As ASRO, ou simplesmente Áreas de Risco, são locais dominados pelo poder paralelo – tráfico e/ou milícia – onde o Estado pleno de direito é cerceado. Sendo mais claro, sequer a polícia consegue atuar com efetividade nestas regiões. Acontece que nesta revisão metodológica, válida a partir de janeiro de 2022, o tratamento dispensado às ASRO é limitado, raso e com elevado grau de discricionariedade. Além disso, os modelos econométricos obtidos pelo Regulador sofrem de inconsistências metodológicas. Estes dois fatores em comunhão ocasionam, por consequência, no estabelecimento de metas/alvos regulatórios ineficientes em muitos casos, em especial para concessionárias que atuam na presença de ASRO. Este trabalho se dedica a buscar cobrir esta lacuna metodológica, isto é, propõe-se o desenvolvimento de metodologia baseada em dados em painel para o estabelecimento de metas regulatórias de PNT em concessões de distribuição de energia elétrica que tenham presença de ASRO. Para tanto, propõe-se a desagregação do alvo regulatório entre áreas de risco e áreas normais, por meio do recálculo do Índice de Complexidade da concessão. / [en] In December 2021, ANEEL approved a new methodology for establishing regulatory Non-Technical Losses (NTL) for the power distribution segment. For the first time in the history of regulating commercial losses, ANEEL established specific treatment for concessionaires that operate in regions with the presence of Areas with Severe Operating Restrictions (ASRO). ASROs, or simply Risk Areas, are gang-controlled territories – drug trafficking and/or militia – where the rule of law is curtailed. To be more specific, not even the official police can act effectively in these regions. To be clearer, not even the police can act effectively in these regions. It turns out that in this methodological review, valid from January 2022, the treatment given to ASROs is limited, shallow and with a high degree of discretion. Furthermore, the econometric models obtained by the Regulator present methodological inconsistencies. These two factors together lead, consequently, to the establishment of inefficient regulatory targets in many cases, especially for concessionaires that operate in the presence of ASROs. This work seeks to fill this methodological gap, that is, it proposes the development of a methodology based on panel data for the establishment of PNT regulatory targets in electricity distribution concessions that have ASRO. To this end, it is proposed to disaggregate the regulatory target between risk areas and normal areas, by recalculating the Complexity Index of the original concession.

[pt] O estágio atual das comunicações móveis é caracterizado por um crescimento espetacular da demanda em todos os tipos de ambientes, tanto urbanos densos como suburbanos e rurais . Os planejadores destes sistemas necessitam ferramentas eficientes e economicamente viáveis para a caracterização e projeto deles. O grande objetivo de um bom planejamento é uma boa cobertura, e um dos parâmetros de qualidade é a perda média de propagação. A principal técnica determinística utilizada para o cálculo da perda média de propagação em micro-células em áreas fortemente edificadas é o traçado de raios, a través de um de dois métodos alternativos: o método das imagens e o método de lançamento de raios. Este trabalho apresenta uma formulação detalhada do método de lançamento de raios e dos métodos assintóticos que foram usados afim de calcular os campos eletromagnéticos (direto, refletido e difratado) que permitem calcular a Perda Média de Propagação. Além do mais apresenta-se o método de discriminação espacial usado para acelerar o processo de cálculo. A metodologia proposta foi implementada em programa de computador e são apresentados alguns estudos de caso para ambientes específicos. / [en] The current period of the mobile communications is characterized by a spectacular growth of the demand in all the types of environments, not only in density urbanized cities as suburban and rural. The planners of these systems need efficient and economically viable tools for the design of these systems. The main goal of good planning is a good coverage, and one of the most adopted quality indicators is the path loss of propagation. The mostly used deterministic technique for calculation it in strongly built micro-cells is the tracing of rays, whether the method of the images or the method of launching of rays. This work presents a detailed formularization of the method of launching of rays and of the asymptotic methods which have been used in order to calculate the electromagnetic fields (direct, reflected and diffracted) which allow to calculate the Path Loss of Propagation. Besides it this shown the used method of space discrimination, which was employed to speed up the calculation. The methodology proposal was implemented in computer program and is presented some studies of case for specific environments.