An Intelligent Network Traffic Prediction Model Based on Ensemble Learning for Vehicular Ad-Hoc Networks

Les réseaux véhiculaires Ad Hoc « Vehicular Ad-hoc networks » (VANET) constituent une partie importante du système de transport intelligent (STI). Les VANET ont le potentiel d’améliorer la sécurité routière et la gestion du trafic en fournissant des applications de sécurité ou autre. Cependant, l’évolution des VANET vers l’Internet des Véhicules (IoV) pose certains défis dans les services VANET. Les applications VANET utilisent des communications dédiées à courte portée (DSRC) pour la communication entre les véhicules et les unités routières, connues sous le nom de communications basiques, comme les communications véhicule-à-véhicule (V2V) et véhicule-à-unité-routière (V2R). De plus, le développement de VANET vers IoV apporte de nouvelles exigences telles que véhicule-à-tout (V2X), soit une variété de modes de communications entre les noeuds du réseau comme le véhicule-à-véhicule (V2V), véhicule-à-infrastructure (V2I), infrastructure-à-infrastructure (I2I) et de véhicule-àpiéton (V2P). Le défi principal des services VANET est lié à la large quantité de données générées par les usagers, entraînant un trafic sur le réseau et, par conséquent, la réduction de la qualité de service (QoS) pour les services VANET. Dans ce cas, lorsqu’il s’agit d’applications de sécurité, cela peut coûter une vie humaine. Les techniques d’Intelligence Artificielle (IA) sont des solutions prometteuses pour résoudre les problèmes de trafic réseau dans les VANET. À cette fin, la prévision du trafic réseau est une tâche difficile qui peut aider les opérateurs de réseau à éviter les congestions et la réduction de la qualité de service dans les services de réseau véhiculaire. Ce domaine a attiré de nombreux chercheurs pour étudier la conception d’une solution d’IA pour les approches de prédiction du trafic réseau. Cependant, concevoir une méthode d’IA optimale capable d’obtenir une prédiction plus précise et stable reste un défi. Étant donné que chaque technique d’IA a ses propres limites et problèmes, si nous ne pouvons pas compter sur un seul modèle ML, cela imposera plus de problèmes. De plus, ces algorithmes doivent s’adapter aux nouvelles exigences de VANET comme la communication V2X. Par conséquent, il reste encore beaucoup de recherche inaboutie dans ce domaine. Dans cette thèse, la première méthode proposée pour la prédiction du trafic dans VANET considère un apprentissage automatique (ML) basé sur les ensembles comme une sous-catégorie de méthodes d’IA. Ainsi, un modèle doté de l’IA peut obtenir de meilleures performances et une prédiction plus précise et plus stable qu’un modèle ML unique. Le problème de prédiction est défini comme un problème de classification. Un ensemble de données VANET réelles est utilisé comme entrée pour le modèle Ensemble Learning (EL). De plus, en ce qui concerne l’importance de la qualité des données d’entrée, des méthodes de sélection de caractéristiques, notamment Boruta et LightGBM, sont utilisées pour extraire les attributs les plus utiles du V2V et du V2R en tant qu’ensemble de données fusionnées. La méthode proposée nommée STK-EBM est basée sur la stratégie d’empilement d’apprentissage d’ensembles qui comprend deux couches : la couche de base et la méta-couche. Dans la couche de base, l’algorithme Random Forest (RF), les modèles K-Nearest Neighbor (KNN) et XGBoost sont intégrés et sélectionnés en fonction de leur efficacité pour notre cible qui est la prévision du trafic dans le réseau. Les résultats de prédiction des modèles de couche de base sont agrégés par une régression logistique (LR) optimisée. L’analyse comparative des résultats de modèles ML uniques bien connus est effectuée dans le but d’indiquer pleinement l’avantage du modèle proposé qui apporte précision et stabilité de mode dans les résultats d’évaluation. En ce qui concerne le VANET avec communication V2X, le modèle d’ensemble de vote souple est proposé dans notre deuxième modèle. Données simulées extraites des simulateurs Simulation of Urban Mobility (SUMO) et OMNet++. Les classes de trafic et de non-trafic sont définies à l’aide du Packer Delivery Ratio (PDR) qui est une métrique importante dans la prévision du trafic étudiée. Il convient de noter que la réalisation de la meilleure stratégie appropriée pour intégrer les modèles d’IA et fournir des résultats de performance améliorés et équilibrés est un défi. Étant donné que la quantité de données collectées est presque doublée dans le deuxième modèle par rapport à la première méthode proposée, nous devons appliquer une stratégie simple qui fournit non seulement une performance améliorée par rapport aux modèles ML simples, mais fournit également une méthode qui n’augmente pas la complexité du modèle qui a entraîné plus de ressources de calcul et de consommation de temps. Le résultat montre que le modèle proposé est plus précis et stable avec moins de temps d’exécution que le modèle individuel. Cependant, les stratégies EL ont leurs propres coûts et avantages. Dans notre cas, la méthode STK-EBM atteint une meilleure stabilité que le deuxième modèle proposé au prix d’apporter plus de complexité. Dans le troisième modèle de prédiction du trafic réseau, nous considérons différents problèmes pour obtenir un modèle EL plus généralisable, simple et précis. Les données VANET du monde réel avec communication de base et les données simulées de communication avancée sont toutes deux prises en compte dans la troisième méthode. Les données V2X extraites de l’architecture conçue sont l’intégration des technologies DSRC et cellulaires pour répondre à la fois à la couverture de communication à courte et longue portée. De plus, les ensembles de données considérés sont différents en taille et en fonctionnalités. De cette façon, la méthode peut montrer si elle est plus bénéfique et applicable pour la mise en oeuvre réelle des applicavii tions VANET. Le réseau de neurones artificiels (ANN) est le modèle choisi pour la prévision du trafic dans la littérature. Cependant, les limites et les défis du modèle peuvent être résolus par un ensemble d’ANN et de Swarm Intelligence (SI). De cette manière, un modèle de prédiction intelligent efficace pouvant être appliqué aux données de communication de base et avancées est proposé. Les résultats obtenus indiquent que la méthode eSwaNN-NTP peut atteindre plus de précision, de stabilité et moins de temps que les simples ANN et DNN dans les deux ensembles de données. Enfin, les modèles proposés appliqués pourraient améliorer les performances du réseau de manière efficace.