Data driven prediction of crowd mobility in small cell environments

Abstract

Mit der wachsenden Anzahl an Benutzern in mobilen Netzen, die hohe Ansprüche bezüglich Datenrate, Latenz und Verfügbarkeit haben, müssen neue Technologien entwickelt werden um der Nachfrage gerecht zu werden. Die Realisierung dieser neuen Konzepte benötigt mehr Planung und intelligente Informationsverarbeitung auf allen Netzwerkebenen. Ein Vorschlag ist Vorhersagemethoden zu nützen, die es ermöglichen die Anzahl der Benutzer pro Zelle für mehrere Zeitschritte in der Zukunft zu planen. In dieser Arbeit werden verschiedene dieser Methoden untersucht. Man unterscheidet zwischen Prädiktoren die auf der Ortstrajektorie von individuellen Benutzer basieren, hier untersuchen wir einen Order-L Markov Ansatz und einen Prädiktor basierend auf Hidden Markov Models (HMMs), und Methoden welche die Anzahl an Benutzern pro Zugangspunkt AP direkt Vorhersagen. Als Repräsentanten dieser Kategorie analysieren wir einen Kalman Filter basierenden Prädiktor und eine machine learning (ML) Methode basierend auf neuronalen Netzen (NNs). Die genannten Algorithmen sind unterschiedlich robust in ihrer mittleren quadratischen Abweichung (MSE) bezüglich verschiedener Anzahl an Vorhersageschritten. Beim Kalman Ansatz erhöht sich der MSE am geringsten im Vergleich zu den anderen modellbasierten Methoden. Die Untersuchung von fehlerhaften Parametern anhand von theoretischen Daten generiert mit verschiedenen Modellen zeigt, dass HMM für wenige Zeitschritte einen niedrigen MSE liefert. Im Gegensatz zu den anderen Methoden verschlechtert sich die Leistung stark bei einer größeren Vorhersagezeit. Um ein realistisches Szenario zu einem mobilen Netzwerk zu untersuchen, werden gesammelte Daten aus dem Wireless Local Area Network (WLAN) Netzwerk der TU Wien verwendet. Hier erreicht die rein datenbasierte ML Methode den niedrigsten MSE.

With the growing number of users and high standards regarding data rate, latency and coverage, in mobile networks, new technologies need to be developed to meet the demand. The realization of these new concepts requires more planning and intelligent utilization of information on all network levels. One proposal is to apply user location prediction methods and incorporate information about how many users will be where in future time steps in the planning. This work benchmarks several user location prediction methods. We differentiate between predictors on an individual user level, where we investigate an order-L Markov and Hidden Markov Model (HMM) based predictor, and access point (AP) aggregated prediction methods, that directly predict the number of users per AP. Representing the second category we analyse a Kalman filter based method and a machine learning (ML), model-less, approach using neural networks (NNs). The algorithms show varying robustness in their mean square error (MSE) performance regarding different number of prediction steps. The Kalman approach has smallest increase in MSE between one and five prediction steps compared to the other model based methods. To analyse the consequences of incorrect parameters theoretical data on the basis of a state space model, a Hidden Markov Model (HMM) and an agent based simulation with the software Anylogic was generated. The results show that with parameter errors MSE increases most for HMM compared to theorder-L Markov and Kalman predictor. Lastly, collected data from the Wireless Local Area Network (WLAN) network of Technische Universität Wien (TU Wien) offers a realistic review of prediction performance in a small cell environment. Its analysis shows that the purely databased ML method results in the lowest MSE.