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

Présentation au sujet: "1 Prédiction de mobilité basée sur la classification selon le profil DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou Rencontres sur."— Transcription de la présentation:

1 1 Prédiction de mobilité basée sur la classification selon le profil DAOUI Mehammed Université Mouloud Mammeri Tizi-Ouzou mdaoui@yahoo.fr Rencontres sur la Recherche en Informatique R2I 12- 14 juin 2011 CHAMEK Linda Université Amhamed Bouggara Boumerdes chameklinda@yahoo.fr LALAM Mustapha Université Mouloud Mammeri Tizi-Ouzou lalamustapha@yahoo.fr

2 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 3 Introduction Les réseaux mobiles de troisième génération permettent d’exécuter des applications multimédia et temps réel Visiophonie Vidéoconférence Téléphonie SMS Streaming Navigation web Email Jeux interactifs

4 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 5 Commutateur Terminal mobile Station de base Diffusion d’un message Broadcast Introduction Etat de l’art Datamining Prédiction de cellules EvaluationConclusion

6 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 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 8  Méthodes basées sur la localisation géographique GPS Un état de l’art sur les techniques de prédiction

9 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 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 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 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 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 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 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 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 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 ………………. ……………….

18 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 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 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 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 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 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 24 Merci pour votre attention