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.