À medida que o mundo caminha para a era das redes 6G, uma pergunta fundamental desafia reguladores e engenheiros: como distribuir de forma eficiente o espectro de radiofrequência, um recurso finito, diante da explosão do tráfego de dados móveis?

Um novo estudo conduzido por pesquisadores no Canadá propõe uma resposta baseada em dados reais. Publicado nesta terça-feira (10), no trabalho “Towards Flexible Spectrum Access: Data-Driven Insights into Spectrum Demand”, o estudo apresenta uma metodologia que combina análise geoespacial e aprendizado de máquina para mapear e prever a demanda por espectro em ambientes urbanos.

O trabalho foi liderado por Mohamad Alkadamani, com colaboração de Amir Ghasemi e Halim Yanikomeroglu, pesquisadores afiliados ao Communications Research Centre Canada e à Carleton University, ambos em Ottawa.

Segundo os autores, compreender como e onde o espectro é realmente utilizado é crucial para o desenho de políticas eficientes de acesso dinâmico ao espectro — um dos pilares esperados das futuras redes 6G.

“Os sistemas atuais muitas vezes se baseiam em estimativas gerais de demanda”, afirma Alkadamani no estudo. “Nossa abordagem usa dados reais e análise espacial para capturar variações detalhadas de demanda ao longo do espaço e do tempo.”

O espectro radioelétrico é o meio invisível que transporta sinais de telefonia móvel, Wi-Fi e inúmeros serviços sem fio. Entretanto, sua disponibilidade é limitada e rigidamente regulamentada.

Com o crescimento do tráfego de dados — impulsionado por streaming, computação em nuvem, inteligência artificial e dispositivos conectados — especialistas preveem uma pressão sem precedentes sobre esse recurso.

A próxima geração de redes móveis, o 6G, deverá lidar com aplicações que exigem latências extremamente baixas, comunicação massiva entre dispositivos e velocidades muito superiores às atuais.

Para isso, será necessário gerenciar o espectro de forma mais flexível e inteligente.

“Para projetar mecanismos eficientes de compartilhamento e acesso dinâmico ao espectro, precisamos primeiro entender a demanda real”, escrevem os autores.

A equipe desenvolveu uma metodologia baseada em dados geoespaciais e indicadores urbanos capazes de estimar a necessidade de espectro em diferentes regiões.

O modelo integra variáveis como: densidade populacional, intensidade de uso de redes móveis, características do ambiente urbano e 

distribuição geográfica da infraestrutura de telecomunicações.

Esses dados foram processados por algoritmos de machine learning, capazes de identificar padrões complexos de demanda.

O estudo utilizou cidades canadenses como estudo de caso, analisando como o consumo de dados móveis varia entre diferentes áreas urbanas.

Os resultados mostraram que o modelo conseguiu explicar cerca de 70% da variabilidade da demanda por espectro quando treinado em uma cidade e testado em outra — um nível de precisão considerado significativo para aplicações regulatórias e de planejamento de redes.

Para Yanikomeroglu, especialista em redes sem fio da Carleton University, isso demonstra que modelos de aprendizado de máquina podem capturar padrões urbanos replicáveis.

“Os resultados indicam que fatores estruturais das cidades ajudam a prever como a demanda por espectro se distribui”, observam os autores.

As conclusões do estudo têm implicações diretas para a forma como governos e operadoras poderão gerenciar o espectro nas próximas décadas.

Historicamente, o espectro tem sido alocado por licenças fixas de longo prazo, frequentemente associadas a operadoras específicas. No entanto, esse modelo pode resultar em subutilização em algumas áreas e congestionamento em outras.

O conceito de acesso flexível ao espectro, defendido no estudo, propõe sistemas capazes de ajustar dinamicamente a alocação de frequências conforme a demanda local.

Em outras palavras, áreas urbanas com grande tráfego poderiam receber temporariamente mais espectro, enquanto regiões com menor uso liberariam capacidade.

Segundo Alkadamani, “modelos baseados em dados podem ajudar reguladores a antecipar onde a demanda crescerá e a planejar políticas de espectro mais eficientes”.

Além de aplicações regulatórias, o estudo sugere que dados urbanos podem desempenhar um papel central no planejamento de redes móveis.

Infraestrutura de telecomunicações, como estações-base e small cells, poderia ser posicionada de forma mais estratégica se as operadoras tivessem previsões precisas de demanda.

Os autores destacam que a integração entre dados urbanos, análise espacial e inteligência artificial representa uma nova fronteira para o setor de telecomunicações.

“Nosso trabalho mostra que é possível estimar necessidades de espectro com alta resolução espacial”, afirmam.

Essa abordagem também poderia ajudar cidades inteligentes a otimizar redes para aplicações emergentes, como: veículos autônomos, realidade aumentada, internet das coisas em larga escala e sistemas avançados de monitoramento urbano

Apesar dos resultados promissores, os pesquisadores reconhecem que ainda existem desafios.

A metodologia foi aplicada inicialmente em ambientes urbanos específicos, e futuras pesquisas deverão avaliar sua eficácia em diferentes países e contextos socioeconômicos.

Além disso, o crescimento de novas aplicações digitais poderá alterar os padrões de demanda de forma imprevisível.

Mesmo assim, os autores argumentam que abordagens baseadas em dados serão essenciais para a governança do espectro no futuro.

“À medida que avançamos para redes cada vez mais complexas, decisões informadas por dados se tornam fundamentais”, concluem.

Com o avanço do 6G e a multiplicação de dispositivos conectados, entender como o espectro é realmente utilizado pode se tornar um dos maiores desafios da infraestrutura digital global.

Estudos como o conduzido por Alkadamani e colegas indicam que a resposta pode estar nos próprios dados gerados pelas redes, oferecendo um caminho para tornar o uso do espectro mais eficiente — e preparar as cidades para a próxima revolução da conectividade.