@techreport{TR-IC-PFG-26-30,
   number = {IC-PFG-26-30},
   author = {Gabriel Tadeu Gonzaga Diniz},
   title = {{Previsão de Handover usando TinyML na Borda}},
   month = {July},
   year = {2026},
   institution = {Institute of Computing, University of Campinas},
   note = {In Portuguese, 29 pages.
    \par\selectlanguage{brazil}\textbf{Resumo}
       Este  trabalho  propõe mitigar o impacto da latência e da perda
       de  pacotes em redes veiculares por meio da predição antecipada
       de  falhas  de  conexão.  O  estudo  analisa  a  viabilidade de
       algoritmos   de   aprendizado   de   máquina   otimizados  para 
       dispositivos com recursos limitados de memória e processamento,
       empregando o paradigma \textit{Tiny Machine Learning} (TinyML).
       Os modelos foram treinados sem restrições iniciais de hardware,
       tendo  seu consumo de memória e tempo de inferência avaliados a
       posteriori para assegurar a aplicabilidade na Borda (Unidade de
       Bordo   /  \textit{On-Board  Unit}  -  OBU).  Utilizando  dados 
       empíricos  de  rádio  no  padrão  \textit{Intelligent Transport
       Systems}  em 5~GHz (ITS-G5) e de rede celular, o sistema aplica
       o  deslocamento  de  janelas  no tempo (\textit{time-shifting})
       para prever quedas de sinal. Essa técnica permite o acionamento
       antecipado  do \textit{handover} preditivo. Cabe ressaltar que,
       embora   os  testes  tenham  sido  conduzidos  no  contexto  de 
       transição  entre  o padrão \textit{Wireless Access in Vehicular
       Environments} (WAVE) e as tecnologias celulares 4G/5G, o método
       proposto  é  agnóstico  e  aplicável a outros tipos de handover
       preditivo,   tanto  horizontal  como  vertical.  Os  resultados 
       indicam que, enquanto modelos como o \textit{Random Forest} são
       eficientes  para  previsões  de curtíssimo prazo, a Rede Neural
       Convolucional   1D   (CNN   1D)   despontou   como   a  solução 
       \textit{TinyML}  mais  equilibrada.  Demandando apenas $\approx
       2$~KB  de  memória  e  apresentando inferência rápida ($\approx
       7.9$~ms),  a  CNN  1D  superou redes recorrentes mais complexas
       tais   como   \textit{Long   Short   Term   Memory}   (LSTM)  e 
       \textit{Gated   Recurring   Unit}   (GRU),   mantendo  precisão 
       satisfatória  (acima  de  75\%)  em  horizontes de curto (1s) e
       médio  prazo  (10s)  e  apresentando limitações mais relevantes
       apenas em cenários de previsão de longo prazo (20s).
    \par\selectlanguage{english}\textbf{Abstract}
       This  work proposes mitigating the impact of latency and packet
       loss  in  vehicular  networks  through  the early prediction of
       connection  failures.  The  study  analyzes  the feasibility of
       machine  learning algorithms optimized for devices with limited
       memory and processing resources, using the \textit{Tiny Machine
       Learning}  (TinyML)  paradigm.  The models were trained without
       initial  hardware  constraints,  with  memory  consumption  and 
       inference  time evaluated afterwards to ensure applicability at
       the  Edge  (On-Board  Unit  -- OBU). Using empirical radio data
       from  the  Intelligent  Transport  Systems  standard  at  5~GHz 
       (ITS-G5)   and  from  cellular  networks,  the  system  applies 
       time-shifting  to  predict  signal  drops,  enabling  proactive 
       predictive handover. Although the experiments were conducted in
       the  context  of  transitions  between  WAVE and 4G/5G cellular
       technologies,  the  proposed  method is technology-agnostic and
       applicable   to   other  types  of  predictive  handover,  both 
       horizontal  and  vertical.  Results indicate that, while models
       such  as  Random  Forest  are  efficient  for  very  short-term 
       predictions,  the  1D  Convolutional  Neural  Network  (CNN 1D)
       emerged  as  the  most balanced TinyML solution. Requiring only
       $\approx 2$~KB of memory and fast inference ($\approx 7.9$~ms),
       the CNN 1D outperformed more complex recurrent networks such as
       LSTM and GRU, maintaining satisfactory accuracy (above 75\%) in
       short-term  (1s)  and  medium-term  (10s)  horizons,  with more
       relevant  limitations  only  in  long-term prediction scenarios
       (20s).
    \par\selectlanguage{spanish}\textbf{Resumen}
       Este  trabajo  propone  mitigar  el impacto de la latencia y la
       pérdida de paquetes en redes vehiculares mediante la predicción
       anticipada  de  fallos  de  conexión,  empleando  algoritmos de
       \textit{Tiny  Machine  Learning}  (TinyML)  ejecutables  en  la 
       Unidad   de  a  Bordo  (OBU).  Con  datos  empíricos  ITS-G5  y 
       celulares,   y   mediante  \textit{time-shifting},  el  sistema 
       anticipa   el   \textit{handover}  predictivo.  Los  resultados 
       indican  que  la  CNN  1D es la solución TinyML más equilibrada
       ($\approx  2$~KB,  $\approx 7.9$~ms), superando a LSTM y GRU en
       horizontes de corto y medio plazo.
  }
}