1 Prédiction de mobilité basée sur la classification selon le profil DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou Rencontres sur.

Slides:



Advertisements
Présentations similaires
E-CRM (E-GRC) Mieux vaut fidéliser que conquérir
Advertisements

Soutenance du stage de DEA.
Simulation d’un réseau avec correspondances
République de Zambie Ministère de la santé
1 Modèles Economiques en Informatique Michel de Rougemont Université Paris II.
Classification et prédiction
FORMATION : contenus. LA CONNAISANCE DE SOI : « Chacun de nous nest pas, de par sa nature, tout à fait pareil à chaque autre, mais cette nature au contraire.
Localisation fine de QTL par déséquilibre de liaison Simon BOITARD Durée : octobre 2003-septembre 2006 Laboratoire : BIA (biométrie et intelligence artificielle)
INTRODUCTION Grande quantité de données
- Etude d'une système d'éclairage autonome de vélo.
Application de réseaux bayésiens à la détection de fumées polluantes
Le 19/ 11/ Modèle de tarification planifiée pour les réseaux mobiles Mustapha OUGHDI Alexandre CAMINADA Sid LAMROUS.
Modélisation des systèmes non linéaires par des SIFs
Reconnaissance de la parole
Programmes du cycle terminal
Vers une approche de construction de composants ontologiques pour le web sémantique – synthèse et discussion. Nesrine Ben Mustapha (RIADI, ENSI Tunis)
Concepts avancés en mathématiques et informatique appliquées
Mirta B. Gordon Laboratoire Leibniz-IMAG Grenoble
UNIVERSITE DES SCIENCES ET DE LA TECHNOLOGIE D’ORAN
Application des algorithmes génétiques
Auto-organisation dans les réseaux ad hoc
Les Systèmes Multi-Agents pour la Gestion de Production
جامعــــــة محمد خيضــــــــــــر بــســكــــــــــــرة
Projet bibliographique: Systèmes de communications à antennes intelligentes, applications envisagées dans le cadre de l’UMTS.
Concepts avancés en mathématiques et informatique appliquées MAP-6014.
Présentation du mémoire
Universté de la Manouba
MIDI Sans Frontières Analyse des problèmes relatifs à la communication musicale sur IP Mémoire présenté en vue de lobtention du grade de Licencié en informatique.
AIP PRIMECA des Pays de La Loire – 9 novembre 2006
L ABORATOIRE d I NGÉNIERIE des S YSTÈMES A UTOMATISÉS EA 4014 – Université dAngers Institut des Sciences et Techniques de lIngénieur dAngers Master2 Recherche.
Interprétation automatique
Planification de flux et Aménagement
Caractérisation inverse de sources pour l'interaction du champ électromagnétique avec l'environnement Azeddine GATI Y. ADANE, M.F. Wong, J. Wiart, V. Fouad.
Epreuve anticipée d’étude de gestion en première STMG
Optimisation par les algorithmes génétiques
Frédéric Amblard*, Guillaume Deffuant**,
Ministère de l’Enseignement Supérieur et de la Recherche Scientifique
1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.
Définir le bon prix pour un produit en 3 clics. Les sociétés qui vendent des produits spéciaux ont beaucoup de difficultés à se créer un catalogue sur.
Le système informatique et le système d’information
Intelligence Artificielle
INTRODUCTION VANET, c’est un réseau constitué d’un ensemble d’objets mobiles qui communiquent entre eux à l’aide de réseau sans fil de type IEEE
Travaux Pratiques Optimisation Combinatoire
Initiation à la conception des systèmes d'informations
Un processus pour la prise de décision spatiale.
Olivier Leclair, Université Laval Un algorithme de fouille dans une représentation des données par objets: une application médicale SIMON, Arnaud.
Classification de données par l’algorithme FPSO-GA
Sujets spéciaux en informatique I
Suivi rapide d’objet en mouvement
Thibault ROY & Olivier SAGIT Exposé du mercredi 17 décembre 2003 Apprentissage Interactif Apprentissage avec SpamAssassin UFR de Sciences Département d’Informatique.
Synthèse d’images et Rendu Réaliste Compression Progressive de Modèles 3D DOMENGET Bruno DUMAS Benjamin EISTI.
La recherche de vertex dans CMS : le recuit déterministe Nicolas Estre – IPN Lyon – Journées Jeunes Chercheurs 2003.
Knowledge discovery in Databases (KDD)
Université Farhat Abbas_setif
Combating Web Spam with TrustRank. OSINI Aurélien.
Algorithmes génétiques en optimisation combinatoire
Présenté par : ABED Djemaa; BAKHOUIA Roqiya.
Implémentation d’un opérateur de répartition de sources lumineuses
Mais quel est donc le taux d’inflation actuel ? J.C. Lambelet et D. Nilles Catherine Roux Alvaro Aparicio Gregor Banzer Daniel Cavallaro.
ANNEE UNIVERSITAIRE :2010/2011
La géo localisation Définition: Méthode qui permet de localiser de manière géographique le récepteur d'un message publicitaire, grâce à internet ou à son.
Marche aléatoire directionnelle : Application au mouvement animalier. Aurélien Nicosia.
Les Extra-Trees+SW Réalisé par : Encadrante:
Extreemly Random Trees + SubWindows HOURRI Soufiane NAIT ABDELLAH OUALI Ismail OUFQIR Anouar OUSSAFI Mohammed.
Évolution de second ordre dans un algorithme évolutionnaire V. Lefort
Présentation du système
Localisation collaborative dans les réseaux de capteurs
Programmation créative – Les vecteurs
Formation.
1 Théorie de la finance Gestion de portefeuille Moyenne-variance Master Sciences de Gestion – Semestre II - Université Mohammed V Faculté des Sciences.
Transcription de la présentation:

1 Prédiction de mobilité basée sur la classification selon le profil DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou Rencontres sur la Recherche en Informatique R2I juin 2011 CHAMEK Linda Université Amhamed Bouggara Boumerdes LALAM Mustapha Université Mouloud Mammeri Tizi-Ouzou

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

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

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

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

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

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

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

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

10 C2 C1 C3 C4 Id_MobileCellule source Cellule destination M1C1C3 M1C1C3 M1C1C3 M1C1C2 M1C1C4 ……………... ……………… ….. ………………..  Méthodes basées sur l’historique de mouvement des mobiles Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion

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

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

13  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, … Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion

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

15 Quartier résidentiel Cité Boutique Entreprise Usine Supermarché Utilisateur Au profil avantageu x Utilisateur au profil modeste  Illustration Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion

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

17  Mémorisation des déplacements C2 C1 C3 C4 C5 Id_MobileCell sourceCell destMoment Mobile X15Moment 1 Mobile X53Moment2 ………………. Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion Id_MobileCell sourceCell destMoment Mobile X15Moment 1 ………………. ……………….

D(X,Y)= 18  Principe de prédiction C2 C1 C3 C4 C5 Mob 6 Mob 8 Mob 4 Mob 1 Mob 2 Mob 5 Mob 3 Mob 7 Mob X Un nouvel Utilisateur à classifier Calculer la distance le séparant des N individus de la cellule selon la formule Avec x i et y i les valeurs des attributs de X et Y. Mobile Mob 1Mob 2Mob 3Mob 4Mob 5Mob 6 Mob 7 Mob 8 Distanc e avec X Dist 1Dist 2Dist 3Dist4Dist5Dist6Dist7dist8 Id_MobileCell sourceCell destMoment Mobile 113Moment Mobile 213Moment Mobile 513Moment Mobile 321Moment Mobile 831Moment Mobile 414Moment Mobile 614Moment Mobile742Moment C1 C4 C3 C2 C5 C3 Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion

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

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

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

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

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

24 Merci pour votre attention