L’Ecole doctorale : Ecole Doctorale de l’Institut Polytechnique de Paris
et le Laboratoire de recherche SAMOVAR – Services répartis, Architectures, Modélisation, Validation, Administration des Réseaux
présentent
l’AVIS DE SOUTENANCE de Madame Danny QIU
Autorisée à présenter ses travaux en vue de l’obtention du Doctorat de l’Institut Polytechnique de Paris, préparé à Télécom SudParis en :
Mathématiques et Informatique
« Nouvelles méthodes d’apprentissage automatique pour la planification des réseaux mobiles »
le MARDI 28 NOVEMBRE 2023 à 14h00
à
Amphi 3
Telecom SudParis, 19 place Marguerite Perey, 91120 Palaiseau
Membres du jury :
M. Hossam AFIFI, Professeur, Télécom SudParis, FRANCE – Directeur de these
Mme Samia BOUZEFRANE, Professeur, Centre d’études et de recherche en informatique et communications, FRANCE – Examinateur
M. Laurent TOUTAIN, Professeur, IMT Atlantique Campus de Rennes, FRANCE – Rapporteur
M. Fabrice CLÉROT, Ingénieur, Orange Labs Lannion, FRANCE – Examinateur
M. Sidi Mohammed SENOUCI, Full professor, Université de Bourgogne, FRANCE – Rapporteur
M. Alassane SAMBA, Docteur, Orange Labs Lannion, FRANCE – Co-encadrant de these
« Nouvelles méthodes d’apprentissage automatique pour la planification des réseaux mobiles »
présenté par Madame Danny QIU
Résumé :
Afin d’assurer un service performant et accessible au plus grand nombre, les opérateurs de télécommunication doivent continuellement mettre à jour l’infrastructure de leur réseau mobile. Ces modifications visent à étendre la couverture et à augmenter de la capacité existante par divers moyens : ajout de nouvelles stations de base, de nouvelles cellules, éventuellement en conjonction avec un basculement technologique. Par ailleurs, le fonctionnement du réseau produit un nombre massif de données, notamment sur l’utilisation des cellules : leur trafic, leur affluence ou leur occupation. L’objectif de la thèse est de développer des applications de l’apprentissage automatique pour estimer les indicateurs de charge et de performance de stations de bases et de cellules concernées par un futur déploiement. Pour cela, on propose d’utiliser des données externes aux télécommunications, comme le tissu urbain et la distribution de la population pour modéliser la demande d’un territoire et améliorer la qualité des prédictions. Les principales contributions apportées par cette thèse sont, en premier lieu, l’estimation du profil de l’affluence hebdomadaire routinière d’une future station de base à déployer, deuxièmement, l’estimation de l’impact de l’ajout de nouvelles cellules sur la disponibilité et la qualité de service des cellules existant sur le secteur concerné par la mise à jour, et enfin, la prédiction du trafic de pointe de cellules 5G ajoutées sur des sites 4G existants. Ces résultats participent à une meilleure planification de réseau mobile. En l’occurrence, ils fournissent de nouveaux indicateurs permettant d’implémenter une recherche automatique d’un emplacement géographique optimal en termes de rentabilité et de qualité de service, lors du déploiement d’un nouvel équipement.
Abstract :
Mobile network operators are continuously updating their infrastructure to maintain high levels of service, both in terms of efficiency and availability. This is done by extending the network coverage and increasing its the capacity in different ways: adding new base stations or adding new cells, possibly jointly with a technology shift. Moreover, mobile networks produce a massive amount of data about cell usage, traffic, number of connected users… The goal of this thesis is to develop machine learning applications to estimate the performance indicators of cells and base stations affected by a future network deployment. For that purpose, and to increase the models accuracy, we propose to use external data, such as urban fabrics and population distribution to model the demand of a territory. The main contributions of this thesis are firstly, the estimation of weekly traffic patterns of future base stations to be deployed, secondly, the estimation of the impact of adding new cells on the availability and quality of service of existing cells on an updated sector, and finally, the prediction of the peak traffic of 5G cells deployed on existing 4G sites. These results contribute to reinforce mobile network planning. In particular, they provide new indicators for the automatic search of optimal deployment spots, in terms of profitability and/or quality of service.