A carregar...
Publicação
Bicycles Mobility Prediction
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 3.73 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
The growth in mobile wireless communication requires sharp solutions in handling mobility
problems that encompass poor handover management, interference in access points,
excessive load in macrocells, and other relevant mobility issues. With the deployment
of small cell networks in 5G mobile systems the problems mentioned intensify thus, mobility
prediction schemes arise to surpass and mitigate these issues. Predicting mobility
is not a trivial task due to the vastness of different variables that characterize a mobility
route translating into unpredictability and randomness. Therefore, the task of this work is
to overcome these challenges by building a solid mobility prediction architecture that can
analyze big data and find patterns in the mobility aspect to ultimately perform reliable
predictions. The models introduced in this dissertation are two deep learning schemes
based on an Artificial Neural Network (ANN) architecture and a LSTM Long-Short Term
Memory (LSTM) architecture. The prediction was made in two levels: Short-term prediction
and Long-term prediction. We verified that in the short-term domain both models
performed equivalently with successful results. However, in long-term prediction, the
LSTM model surpassed the ANN model. Consequently, the LSTM approach constitutes
the stronger model in all prediction aspects. Implementing this model in cellular networks
is an important asset in optimizing processes such as routing and caching as the
cellular networks can allocate the necessary resources to provide a better user experience.
With this optimization impact and with the emergence of the Internet of Things (IoT),
the prediction model can support and improve the development of smart applications
related to our daily mobility routine.
O crescimento da comunicação móvel sem fios exige soluções precisas para lidar com problemas de mobilidade que englobam uma gestão pobre de handover, interferência em pontos de acesso, carga excessiva em macrocélulas e outros problemas relevantes ao aspeto da mobilidade. Com a implantação de redes de pequenas células no sistema móvel 5G, os problemas mencionados intensificam-se. Desta forma, são necessários esquemas de previsão de mobilidade para superar e mitigar esses problemas. Prever a mobilidade não é uma tarefa trivial devido à imensidão de diferentes variáveis que caracterizam uma rota de mobilidade, traduzindo-se em grandes dimensões de imprevisibilidade e aleatoriedade. Portanto, a tarefa deste trabalho é superar esses desafios construindo uma arquitetura sólida de estimação de mobilidade, que possa analisar um grande fluxo de dados e encontrar padrões para, em última análise, realizar previsões credíveis e assertivas. Os modelos apresentados nesta dissertação são dois esquemas de deep learning baseados em uma arquitetura de RNA (Rede Neuronal) e uma arquitetura LSTM (Long-Short Term Memory). A previsão foi feita em dois níveis: previsão de curto prazo e previsão de longo prazo. Verificámos que no curto prazo ambos os modelos tiveram um desempenho equivalente com resultados bem sucedidos. No entanto, na previsão de longo prazo, o modelo LSTM superou o modelo ANN. Consequentemente, a abordagem LSTM constitui o modelo mais forte em todos os aspectos de previsão. A implementação deste modelo, em redes celulares, é uma medida importante na otimização de processos como, routing ou caching, proporcionando uma melhor experiência wireless ao utilizador. Com este impacto de otimização e com o surgimento da Internet of Things (IoT), o modelo de previsão pode apoiar e melhorar o desenvolvimento de aplicações inteligentes relacionadas com a nossa rotina diária de mobilidade.
O crescimento da comunicação móvel sem fios exige soluções precisas para lidar com problemas de mobilidade que englobam uma gestão pobre de handover, interferência em pontos de acesso, carga excessiva em macrocélulas e outros problemas relevantes ao aspeto da mobilidade. Com a implantação de redes de pequenas células no sistema móvel 5G, os problemas mencionados intensificam-se. Desta forma, são necessários esquemas de previsão de mobilidade para superar e mitigar esses problemas. Prever a mobilidade não é uma tarefa trivial devido à imensidão de diferentes variáveis que caracterizam uma rota de mobilidade, traduzindo-se em grandes dimensões de imprevisibilidade e aleatoriedade. Portanto, a tarefa deste trabalho é superar esses desafios construindo uma arquitetura sólida de estimação de mobilidade, que possa analisar um grande fluxo de dados e encontrar padrões para, em última análise, realizar previsões credíveis e assertivas. Os modelos apresentados nesta dissertação são dois esquemas de deep learning baseados em uma arquitetura de RNA (Rede Neuronal) e uma arquitetura LSTM (Long-Short Term Memory). A previsão foi feita em dois níveis: previsão de curto prazo e previsão de longo prazo. Verificámos que no curto prazo ambos os modelos tiveram um desempenho equivalente com resultados bem sucedidos. No entanto, na previsão de longo prazo, o modelo LSTM superou o modelo ANN. Consequentemente, a abordagem LSTM constitui o modelo mais forte em todos os aspectos de previsão. A implementação deste modelo, em redes celulares, é uma medida importante na otimização de processos como, routing ou caching, proporcionando uma melhor experiência wireless ao utilizador. Com este impacto de otimização e com o surgimento da Internet of Things (IoT), o modelo de previsão pode apoiar e melhorar o desenvolvimento de aplicações inteligentes relacionadas com a nossa rotina diária de mobilidade.
Descrição
Palavras-chave
Mobility prediction Machine Learning Deep learning Performance evaluation