Prédiction de mobilité basée sur la classification selon le profil

1. 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 chameklinda@yahoo.fr DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou mdaoui@yahoo.fr LALAM Mustapha Université Mouloud Mammeri Tizi-Ouzou lalamustapha@yahoo.fr 1

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 2

3. Introduction Les réseaux mobiles de troisième génération permettent d’exécuter des applications multimédia et temps réel Téléphonie Visiophonie Vidéoconférence SMS Streaming Jeux interactifs Email Navigation web 3

4. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Elles s’exécutent même dans le cas de la mobilité de l’utilisateur Ces applications sont caractérisées par: • Elles nécessitent beaucoup de ressources de communication 4

5. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Commutateur Diffusion d’un message Broadcast Station de base Terminal mobile 5

6. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Problématique  Quelles sont les cellules que le mobile va traverser durant son déplacement? 6

7. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Objectif Mettre en place une nouvelle stratégie de prédiction des déplacements des mobiles 7

8. Un état de l’art sur les techniques de prédiction • Méthodes basées sur la localisation géographique GPS 8

9. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Méthode basée sur la mesure de signale SB SB SB Le signale reçu par cette cellule> seuil Elle est donc sélectionné SB 9

10. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Méthodes basées sur l’historique de mouvement des mobiles C2 C3 C1 C4 10

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 11

12. Datamining Prédiction de cellules Introduction Evaluation Conclusion Etat de l’art • Processus d’extraction de connaissance Recherche et sélection des données Application du modèle Elaboration du modèle Préparation des données Poser le problème 12

13. Datamining Prédiction de cellules Introduction Evaluation Conclusion Etat de l’art • 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, … 13

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 14

15. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Illustration Quartier résidentiel Utilisateur Au profil avantageux Boutique Utilisateur au profil modeste Cité Entreprise Supermarché Usine 15

16. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Présentation de notre solution Mémorisation des déplacements Prédiction en utilisant l’historique des plus proche voisins ayant le même profil Classification d’un nouveau mobile 16

17. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Mémorisation des déplacements C2 C3 C1 C5 C4 17

18. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • Principe de prédiction C2 Calculer la distance le séparant des N individus de la cellule selon la formule Mob 2 Mob 1 Mob 5 C2 Mob 4 C3 C1 C3 Mob X Un nouvel Utilisateur à classifier Mob 3 C3 C1 Mob 8 D(X,Y)= Mob 7 Avecxi etyi les valeurs des attributs de X et Y. C5 Mob 6 C4 C5 18 C4

19. Évaluation et Simulation • Présentation du simulateur Simulateur de mouvements Nbre Utilisateurs Nbre Cellules Temps de simulation Trace de mouvements Algorithme de prédiction Oui Prédiction correcte = Cell-Fut-Pred Non Taux de prédiction = Nombre de prédictions correctes / Nombre total de prédictions Prédiction incorrecte 19

20. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art • 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 20

21. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Influence de K sur le taux de prédiction Taux de prédiction (%) K Avec L = 10 (valeur donnée aléatoirement) La valeur optimale de K = 3 21

22. Prédiction de cellules Introduction Datamining Evaluation Conclusion Etat de l’art Influence de L sur le taux de prédiction Taux de prédiction (%) L La valeur optimale de L = 5 Avec un taux de prédiction = 72% 22

23. Conclusion • Nous avons présenté une solution qui permet la prédiction correcte des déplacements allant jusqu’à 72,5% • Le taux de prédiction peut être amélioré en affinant la décomposition des cellules et en ayant une base de données de profil plus riche • Déterminer l’itinéraire de déplacement des mobiles 23

24. Merci pour votre attention 24