Predição de Qualidade de Serviço em Redes V2X Utilizando Técnicas de Aprendizado de Máquina

As redes de comunicação Vehicle-to-Everything (V2X) são essenciais para integrar sistemas de transporte de forma inteligente. Neste contexto, a previsão de parâmetros de qualidade de serviço (QoS) auxilia na tomada de decisões para melhorar a conectividade e garantir a segurança operacional. Este trabalho consiste em analisar técnicas de aprendizado de máquina aplicadas à predição de QoS em redes V2X. Os experimentos foram realizados em um conjunto de dados público considerando a separação dos dados por área e rodadas de medição. Os resultados indicam que o gradient boosting apresenta o melhor desempenho entre os algoritmos analisados tanto do ponto de vista de métricas de erro quanto de custo computacional.