CBL - Campus del Baix Llobregat

Projecte llegit

Títol: Proposal and evaluation of classification methodologies for improving the handover process in cellular networks

Estudiants que han llegit aquest projecte:

Director: SÁNCHEZ GONZÁLEZ, JUAN

Departament: TSC

Títol: Proposal and evaluation of classification methodologies for improving the handover process in cellular networks

Data inici oferta: 11-01-2023     Data finalització oferta: 11-09-2023


Estudis d'assignació del projecte:
    MU MASTEAM 2015
Tipus: Individual
 
Lloc de realització: EETAC
 
Paraules clau:
Predicció, trajectòries, sistemes cel·lulars, xarxes neuronals
 
Descripció del contingut i pla d'activitats:
El ràpid creixement de les tecnologies de Big Data i
Intel·ligència Artificial ha suposat la possibilitat de processar
de manera eficient gran quantitat d'informació referent tant als
terminals mòbils com les estacions base d'un sistema de telefonia
cel·lular. Tota aquesta informació pot resultar molt útil per dur
a terme el procés d'optimització d'aquestes xarxes de telefonia
cel·lular. Dins d'aquest context, el recent desenvolupament de
tècniques de geo-localització permet obtenir informació molt
precisa sobre la ubicació geogràfica dels terminals mòbils i les
trajectòries que poden seguir aquests terminals mòbils dins d'una
regió geogràfica. La caracterització i predicció d'aquestes
trajectòries pot tenir aplicacions des del punt de vista
d'optimització dels processos de handover (canvi d'estació base
al qual està connectat un terminal mòbil), balanç de càrrega
entre diferents cel·les, etc.
En aquest treball es proposa l'anàlisi de
tècniques basades en xarxes neuronals per a la predicció de
trajectòries dels terminals mòbils a partir d'un històric de
mesures disponible i la ubicació de les estacions base dins de la
regió geogràfica d'estudi. La metodologia proposada identifica
inicialment totes les trajectòries que hi ha dins de la regió de
cobertura de cada estació base. Per totes les trajectòries
associades a cada estació base es realitza un procés de training
de la xarxa neuronal per tal de crear un model que idenfitiqui
les pròximes ubicacions del terminal mòbil i la propera estació
base a la qual es connectarà en funció de les últimes ubicacions
del mòbil. Aquesta caracterització permet predir la trajectòria
que seguiran nous usuaris i la propera estació base a la qual es
connectaran.
 
Overview (resum en anglès):

The advent of Fifth generation (5G) and B5G future mobile networks has generated significant growth in the demand for reliable and low-latency data networks to support a wide range of applications and services with demanding requirements, such as monitoring, remote surgery, and vehicles connectivity. To address these challenges, small cells have emerged as a solution, offering high data rates in dense device environments. However, the increased density of deployed cells leads to frequent handovers and signaling overheads, creating challenges for managing radio resources.

This work explores the use of prediction algorithms to address these challenges by accurately predicting handovers to prepare in advance the required resources in the next cells visited by the User Equipment (UE). Various methodologies, including machine learning (ML) algorithms, have been proposed for predicting UE mobility and target base stations. Prediction models based on Markov models, Bayesian Networks, Neural Networks, Support Vector Machines (SVM), and clustering techniques have been developed to utilize mobility patterns and improve prediction accuracy.

The main objective of the thesis is to develop a prediction model that utilizes historical user trajectory data to predict the next target base station during a handover process. The proposed methodology utilizes pre-processed subtrajectories as features to identify trajectory patterns and make predictions. Simulated mobility trajectories of vehicles in the city of Cologne are used to test the proposed approach.

The model's performance is evaluated based on prediction certainty, anticipation time, and processing time. The performance of different classifiers and subtrajectory sizes is evaluated to determine the most effective model parameters. The Logistic Regression algorithm is found to provide the highest prediction certainty, while subtrajectories of size 2 yield faster processing times. The developed ML classification model is compared with a prediction methodology based on a Clustering model, showing that the ML classification model provides slightly worse prediction certainty but longer anticipation times and better computational efficiency. This work also illustrates potential scenarios where each of these two methodologies can be more suitable.

In conclusion, the proposed ML classification methodology successfully develops a prediction model that utilizes historical trajectory data to predict target base stations for handovers. The ML classification model offers accurate predictions with reasonable anticipation time and computational efficiency. The comparative evaluation with the Clustering model highlights the strengths and weaknesses of each approach, making them suitable for different prediction scenarios based on cell coverage and trajectory characteristics.

© CBLTIC Campus del Baix Llobregat - UPC