[Back]

M. Leopoldseder:
"Data Driven Prediction of Crowd Mobility in Small Cell Environments";
Supervisor: M. Rupp, P. Svoboda; Institute of Telecommunications, 2019; final examination: 06-05-2019.

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 di erentiate
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 lter 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 di erent number of prediction steps. The Kalman approach has smallest
increase in MSE between one and ve 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 the
order-L Markov and Kalman predictor.
Lastly, collected data from the Wireless Local Area Network (WLAN) network
of Technische Universität Wien (TU Wien) o ers 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.

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 lter 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 gröÿeren
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.

User Flow, Prediction, 5G, Small Cell, HMM, Kalman Filter, Neural Network

https://publik.tuwien.ac.at/files/publik_280264.pdf