@techreport{TR-IC-PFG-26-29,
   number = {IC-PFG-26-29},
   author  =  {Hayla  Pereira  Belozi Vasconcellos and Edmundo Roberto
                   Mauro Madeira},
   title = {{Análise Comparativa de Arquiteturas de Deep Learning para
                   Predição de Tráfego em Slices de Redes 5G}},
   month = {July},
   year = {2026},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 52 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       O  advento  das redes móveis 5G e da tecnologia de {\it Network
       Slicing}   viabilizou   a   coexistência   de   fatias  lógicas 
       heterogêneas   (eMBB,   URLLC   e   mMTC)   sobre   uma   mesma  
       infraestrutura  física de rádio. Para mitigar congestionamentos
       e  assegurar os exigentes Acordos de Nível de Serviço (SLAs), o
       núcleo  de  rede  requer  previsões  de  tráfego  proativas  de 
       múltiplos  passos  diretos (DMS) extremamente ágeis e precisas.
       Este trabalho apresenta uma avaliação comparativa de desempenho
       ({\it  benchmarking})  sistemática  entre  modelos de {\it Deep
       Learning} baseados em atenção global (PatchTST e suas variantes
       de  ablação)  e  estimadores  de menor sobrecarga computacional
       (CNN1D,  LSTM,  DLinear,  SARIMA,  SNaive e Naive) utilizando o
       conjunto  de  dados  de simulação realística {\it DeepSlice}. A
       modelagem  foi  estruturada sobre uma série agregada horária de
       168  horas,  dividida  cronologicamente  (70\%  treino  e  30\% 
       teste),  com janela de histórico de $L = 48$ horas e horizontes
       preditivos  de  curto  ($H  = 12$) e longo prazo ($H = 24$). Os
       resultados   empíricos   na  escala  física  desnormalizada  de 
       solicitações  por  hora  revelaram  a  supremacia  absoluta  da 
       arquitetura   convolucional   compacta   CNN  1D  operando  sob 
       independência  de  canais,  que  assinalou  os  menores desvios
       globais  sendo seguida de perto pelos {\it baselines} sazonais.
       Em  contrapartida, as variantes do PatchTST e a rede recorrente
       LSTM  sofreram  severos  colapsos preditivos induzidos por {\it
       overfitting}  de  alta  variância,  dispersão  de  entropia  de 
       atenção   e   contaminação   cruzada   de   escala,   validando  
       empiricamente  a  teoria do {\it finite-sample gap} sob regimes
       de  amostragem finita. Conclui-se que a simplicidade estrutural
       e  a  regularização  espacial  da  CNN  1D  unificam exatidão e
       viabilidade  computacional  periférica,  consolidando-a  como o
       motor  preditivo  ideal  para a orquestração dinâmica do núcleo
       celular 5G.
  }
}