Mobility Prediction in Self-Organizing Cellular Networks

La prédiction de la mobilité et la localisation en tant qu'éléments importants de la gestion de la mobilité jouent un rôle de premier plan dans les réseaux cellulaires auto-organisés. La prédiction de la mobilité est un catalyseur clé prometteur pour la gestion intelligente de la mobilité des futurs réseaux prévisibles dans lesquels les ressources disponibles sont critique limité. Les techniques de localisation offrent des opportunités en or pour un réseau intelligent gestion en termes de meilleure allocation des ressources, d'amélioration de la qualité de ser- vice (QoS) et réduction de la latence de transfert. De plus, les informations sur l'emplacement futur de l'utilisateur permettent à de nombreux applications et services mobiles de localisa- tion. Cependant, il existe un certain nombre de problèmes non résolus dans ce domaine qui n'a pas encore été abordé par les travaux existants dans la littérature. Dans cette thèse, nous passons en revue certains des travaux récents connexes et résumons les défis ouverts de perdition de mobilité dans les réseaux cellulaires. Nous proposons une nouvelle approche de prédiction de la mobilité qui est principalement basé sur le concept populaire de réseaux de neurones profonds (DNN). Notre travail non seulement se concentre sur l'amélioration des performances de précision des prédictions, mais répond également aux exigences de les limitations de complexité temporelle dans le contexte des futurs réseaux mobiles. Les approches proposées tirent pleinement parti des nombreux mérites des DNN afin de fournir une prédiction à long terme et de modéliser la mobilité de l'utilisateur même avec des motifs complexes et des irrégularités avec un temps d'exécution minimum. À cette fin, cette thèse met en évidence le besoin urgent de jeter les bases d'une gestion intelligente des réseaux. Pour atteindre cet objectif, notre travail est composé de trois phases principales.

Abstract

Mobility prediction and localization as important parts of mobility management have leading roles in self-organizing cellular networks. Mobility prediction is a promising key enabler for the intelligent mobility management of foreseeable future networks in which available resources are critically limited. Localization techniques provide golden opportunities for smart network management in terms of better resource allocation, quality of service (QoS) improvement and handoff latency reduction. Moreover, the information of user's future location empower many location-aware mobile applications and services. However, there are a number of unresolved issues in this field that has not been addressed yet by the existing works in the literature. In this thesis, we review some of the recent related works and summarize the open challenges of mobility perdition in cellular networks. We propose novel mobility prediction approaches that are mainly based on the popular concept of deep neural networks (DNNs). Our work not only focuses on the prediction accuracy performance improvement but also meets the demands of time complexity limitations in the context of future mobile networks. The pro- posed approaches takes full advantage of numerous merits of DNNs in order to provide a long-term prediction and model user's mobility even with complex patterns and irregularity with minimum execution time. To this end, this thesis highlights the urgent need for laying the foundation for providing intelligent network management. To fulfill this objective, our work is composed of three main phases.