A causal AI framework for enhanced efficiency towards sustainable wireless networks

Luís Miguel Maia Bravo da Mata

Informações chave

Autores:

Luís Miguel Maia Bravo da Mata (Luís Miguel Maia Bravo da Mata)

Orientadores:

Pedro Manuel de Almeida Carvalho Vieira (Pedro Manuel de Almeida Carvalho Vieira); António José Castelo Branco Rodrigues (António José Castelo Branco Rodrigues); Maria Paula dos Santos Queluz Rodrigues (Maria Paula Dos Santos Queluz)

Publicado em

6 de maio de 2026

Resumo

Nesta tese investiga-se o uso de Inteligência Artificial (IA) e Machine Learning (ML) para suportar a automação de funções em redes sem fios, tais como a deteção e previsão de falhas, a análise de causas raiz e a otimização da sustentabilidade energética de estações base (EB). São propostos processos modulares alinhados com a arquitetura de automação definida pelo 3GPP, incluindo a aplicação de inferência causal observacional para reforçar a interpretabilidade dos resultados. Utilizando dados reais de redes 4G/5G, foram desenvolvidos modelos de ML com diferentes níveis de complexidade, desde árvores de decisão até redes neuronais com estruturas baseadas em grafos, capazes de modelar as interdependências entre EB. Os resultados confirmam a eficácia da abordagem proposta. A previsão de falhas críticas foi realizada com 93% de precisão e com até 60 minutos de antecedência. A deteção de baixo débito de transmissão alcançou uma F1-Score de 89,6%, com uma redução de 27% nos falsos positivos face a abordagens anteriores. Foi proposta uma nova métrica para avaliar a sustentabilidade energética de EB, a Classe de Sustentabilidade Energética - Energy Sustainability Class (ESC) - baseada na eficiência energética e espectral. A ESC inclui quatro classes: A, B, C ou D, complementada com um método baseado em ML para identificar as potenciais causas raíz, onde alcançou uma F1-Score até 86%. Adicionalmente, a aplicação de inferência causal observacional comprovou a relação causal entre a qualidade da rede e a ESC, verificando-se que o aumento da qualidade de rede (menor interferência) conduz a um aumento de até 14% na probabilidade de uma EB operar na classe A. Esta transição da associação estatística para a causalidade contribui para a interpretabilidade e transparência dos modelos de ML, promovendo a sua aceitação por operadores humanos e a integração segura em ambientes operacionais. Como trabalho futuro, antevê-se a extensão das metodologias propostas a novas fontes de dados, caracterizadas por maior dimensão e heterogeneidade de cenários. Os avanços em IA Generativa, permitirão o desenvolvimento de agentes autónomos para suportar decisões complexas e respetiva modelação causal. Estas direções visam reforçar a robustez dos sistemas autónomos fomentando a sua adoção nas redes móveis de sexta geração (6G). This thesis investigates the use of Artificial Intelligence (AI) and Machine Learning (ML) to support the automation of functions in wireless networks, such as fault detection and prediction, root cause analysis, and the optimisation of energy sustainability in radio access base stations (BS). Modular processes are proposed in line with the automation architecture defined by the 3rd Generation Partnership Project (3GPP), including the application of observational causal inference to enhance the interpretability of results. Using real data from Fourth generation (4G)/Fifth generation (5G) networks, ML models with varying levels of complexity were developed, from decision trees to graph-based neural networks capable of modelling interdependencies between BS. The results confirm the effectiveness of the proposed approach. Critical fault prediction achieved 93% accuracy up to 60 minutes in advance. Low throughput detection reached an F1-Score of 89.6%, with a 27% reduction in false positives compared to previous approaches. A new metric was proposed to assess BS energy sustainability: the Energy Sustainability Class (ESC), based on both energy and spectral efficiency. The ESC includes four classes - A, B, C, or D - and is complemented by a machine learning-based method to identify potential root causes, achieving an F1-Score of up to 86%. Additionally, the application of observational causal inference confirmed a causal relationship between network quality and ESC: improvements in network quality (lower interference) led to an increase up to 14% in the likelihood of a BS operating in class A. This shift from statistical association to causal inference strengthens the transparency and interpretability of ML models, supporting their acceptance by human operators and safe integration into operational environments. Future work foresees the extension of these methodologies to new data sources with greater scale and scenario diversity. Advances in generative AI are expected to enable the development of autonomous agents to support complex decision-making and causal modelling. These directions aim to enhance the robustness of autonomous systems and foster their adoption in Sixth generation (6G) mobile networks.