prédiction de mobilité basée sur la classification selon le profil
DESCRIPTION
Rencontres sur la Recherche en Informatique R2I 12- 14 juin 2011. Prédiction de mobilité basée sur la classification selon le profil. CHAMEK Linda Université Amhamed Bouggara Boumerdes [email protected]. DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou [email protected]. - PowerPoint PPT PresentationTRANSCRIPT
1
Prédiction de mobilité basée sur la classification selon le
profil
DAOUI MehammedUniversité Mouloud Mammeri Tizi-Ouzou
Rencontres sur la Recherche en Informatique R2I 12- 14 juin 2011
CHAMEK LindaUniversité Amhamed Bouggara
LALAM MustaphaUniversité Mouloud Mammeri Tizi-Ouzou
2
PLAN Introduction
Un état de l’art sur les techniques de prédiction
Datamining et prédiction de mobilité
La prédiction de cellule
Evaluation de la solution
Conclusion
3
IntroductionLes réseaux mobiles de troisième génération permettent
d’exécuter des applications multimédia et temps réel
Visiophonie
Vidéoconférence
Téléphonie
SMS
Streaming
Navigation web
EmailJeux
interactifs
4
Ces applications sont caractérisées Ces applications sont caractérisées par:par:
Elles s’exécutent même dans le cas de la mobilité
de l’utilisateur
Elles nécessitent beaucoup de ressources de communication
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
5
Commutateur
Terminal mobile
Station de base
Diffusion d’un message Broadcast
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
6
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
Problématique Quelles sont les cellules que le mobile va traverser durant son
déplacement?
7
ObjectifObjectif
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
Mettre en place une nouvelle stratégie de prédiction des déplacements des mobiles
8
Méthodes basées sur la localisation géographique GPS
Un état de l’art sur les techniques de prédiction
9
Méthode basée sur la mesure de signale
SB
SB
SB
SB
Le signale reçu par cette cellule> seuil
Elle est donc sélectionné
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
10
C2
C1 C3
C4
Id_Mobile Cellule source
Cellule destination
M1 C1 C3
M1 C1 C3
M1 C1 C3
M1 C1 C2
M1 C1 C4
……………...
…………………..
………………..
Méthodes basées sur l’historique de mouvement des mobiles
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
11
Datamining et prédiction de la
mobilité Le datamining est le processus permettant
l’extraction d’informations prédictives cachées à partir de large base de données.
Le datamining permet, par sa technique de classification, de regrouper les utilisateurs mobiles dans des catégories selon leurs profils
12
Processus d’extraction de connaissance
Poser le problème
Recherche et sélection
des données
Préparation des
données
Elaboration du
modèle
Application du
modèle
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
13
Techniques du datamining
La classification et prédiction L’estimation Le clustering Recherche d’association et recherche de séquence Séries chronologiques
Outils du datamining
Les réseaux de neurones Les réseaux bayesien Les arbres de décision Les algorithmes génétiques L’algorithme des K-means L’algorithme des KNN, …
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
14
La prédiction de cellules Motivations
La connaissance de la position d'un utilisateur mobile, de son historique (ses habitudes) ainsi que son profil (informations le caractérisant) permettra de déterminer sa future cellule probable
Il est possible de déterminer la future position d'un utilisateur inconnu grâce à sa position actuelle et à l’historique des utilisateurs connus ayant le même profil que lui
15
Quartier résidentie
l
Cité
Boutique
Entreprise
Usine
Supermarché
Utilisateur Au profil
avantageux
Utilisateur au profil modeste
Illustration
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
16
Présentation de notre solution
Mémorisation des
déplacements
Classification d’un nouveau mobile
Prédiction en utilisant l’historique des plus proche voisins ayant
le même profil
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
17
Mémorisation des déplacements
C2
C1 C3
C4
C5
Id_Mobile Cell source Cell dest Moment
Mobile X 1 5 Moment 1
Mobile X 5 3 Moment2
……… ………. ………. ……….
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
Id_Mobile Cell source Cell dest Moment
Mobile X 1 5 Moment 1
……… ………. ………. ……….
……… ………. ………. ……….
18
Principe de prédiction
C2
C1 C3
C4
C5Mob 6
Mob 8
Mob 4 Mob 1
Mob 2 Mob
5
Mob 3
Mob 7
Mob X
Un nouvel Utilisateur à classifier
Calculer la distance le séparant des N individus de la cellule selon la formule
Avec xi et yi les valeurs des attributs de X et Y.
Mobile Mob 1 Mob 2 Mob 3 Mob 4 Mob 5 Mob 6 Mob 7
Mob 8
Distance avec X
Dist 1 Dist 2 Dist 3 Dist4 Dist5 Dist6 Dist7 dist8
Id_Mobile Cell source Cell dest Moment
Mobile 1 1 3 Moment
Mobile 2 1 3 Moment
Mobile 5 1 3 Moment
Mobile 3 2 1 Moment
Mobile 8 3 1 Moment
Mobile 4 1 4 Moment
Mobile 6 1 4 Moment
Mobile7 4 2 Moment
C1
C4
C3
C2
C5
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
19
Simulateur de mouvements
Nbre Utilisateurs
Nbre CellulesTemps de simulation
Trace de mouvements
Id-Mobile Moment Type profil
Cell-Act Cell-Fut
Algorithme de prédiction
= Oui Prédiction correcte
NonPrédiction incorrecte
Cell-Fut-PredTaux de prédiction = Nombre de prédictions correctes / Nombre total de prédictions
Évaluation et Simulation Présentation du simulateur
20
Deux paramètres influent directement sur le choix de la cellule future :
Le paramètre K qui représente le nombre d’individus à prendre dans la classification
Le paramètre L qui est le nombre de lignes d’historique à prendre pour chaque individu similaire
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
21
Influence de K sur le taux de prédiction
K
Taux de prédiction (%)
Avec L = 10 (valeur donnée aléatoirement)
La valeur optimale de K = 3
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
22
L
Taux de prédiction (%)
Influence de L sur le taux de prédiction
La valeur optimale de L = 5
Avec un taux de prédiction = 72%
Introduction Etat de l’art Datamining Prédiction de cellules
Evaluation Conclusion
23
Conclusion
Le taux de prédiction peut être amélioré en affinant la décomposition des cellules et en ayant une base de données de profil plus riche
Nous avons présenté une solution qui permet la prédiction correcte des déplacements allant jusqu’à 72,5%
Déterminer l’itinéraire de déplacement des mobiles
24
Merci pour votre attention