slide1 n.
Download
Skip this Video
Loading SlideShow in 5 Seconds..
Prédiction de mobilité basée sur la classification selon le profil PowerPoint Presentation
Download Presentation
Prédiction de mobilité basée sur la classification selon le profil

Loading in 2 Seconds...

play fullscreen
1 / 24

Prédiction de mobilité basée sur la classification selon le profil - PowerPoint PPT Presentation


  • 119 Views
  • Uploaded on

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.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Prédiction de mobilité basée sur la classification selon le profil' - enid


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1

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

slide2

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

introduction
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

elles s ex cutent m me dans le cas de la mobilit de l utilisateur

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

slide5

Prédiction de cellules

Introduction

Datamining

Evaluation

Conclusion

Etat de l’art

Commutateur

Diffusion d’un message Broadcast

Station de base

Terminal mobile

5

slide6

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

slide7

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

slide8

Un état de l’art sur les techniques de prédiction

  • Méthodes basées sur la localisation géographique GPS

8

slide9

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

slide10

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

slide11

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

slide12

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

slide13

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

slide14

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

slide15

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

slide16

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

slide17

Prédiction de cellules

Introduction

Datamining

Evaluation

Conclusion

Etat de l’art

  • Mémorisation des déplacements

C2

C3

C1

C5

C4

17

slide18

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

slide19

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

slide20

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

slide21

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

slide22

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

slide23

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