Gestion de la mobilité urbaine et dans le réseau mobile à partir de données de téléphonie

Human and network mobility management using mobile phone data

• Auteur / Autrice : Solohaja Rabenjamina
• Direction : Hervé Rivano, Razvan Stanica
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 29/09/2023
• Etablissement(s) : Lyon, INSA
• Ecole(s) doctorale(s) : École doctorale en Informatique et Mathématiques de Lyon (Lyon ; 2009-....)
• Partenaire(s) de recherche : Membre de : Université de Lyon (2015-....)
• Partenaire(s) de recherche : Laboratoire : CITI - Centre d'Innovation en Télécommunications et Intégration de services (Lyon, INSA) - CITI Centre of Innovation in Telecommunications and Integration of services / CITI
• Partenaire(s) de recherche : Equipe de recherche : AGORA - AlGorithmes et Optimisation pour Réseaux Autonomes
• Jury : Président / Présidente : Stefano Secci
• Jury : Examinateurs / Examinatrices : Hervé Rivano, Razvan Stanica, Stefano Secci, Marco Fiore, Vania Conan, Sahar Hoteit
• Jury : Rapporteurs / Rapporteuses : Marco Fiore, Vania Conan

Mots clés

Mots clés contrôlés

Mobilité spatiale

Systèmes de communication sans fil

5G (téléphonie mobile)

Radiocommunications mobiles

Mots clés libres

Télécommunications

Communication sans fil

Données de mobilité

Mobilité

Handover

Gestion de la mobilité

Réseau 4G

Réseau 5G

Réseau mobile

Mobilité urbaine

Localisation

Telecommunications

Wireless communication

Mobility data

Mobility

Handover

Mobility management

4G Network

5G network

Mobile Network

Urban mobility

Localization

Résumé

Au cours de la dernière décennie, nous avons observé une augmentation du nombre et de l’utilisation des téléphones mobiles, plus précisément des smartphones. Ce phénomène, couplé avec l’évolution des différentes technologies et des types d’échange, a entrainé une augmentation des volumes de données échangées par l’intermédiaire des réseaux mobiles des opérateurs téléphoniques. Chaque nouvelle génération de réseau mobile génère plus de données que sa prédécesseurs. On estime que d’ici à 2027, 289 EB de données seront échangées par mois, dont 62% seront générées dans le réseau mobile 5G. La disponibilité de cette immense masse de données a ouvert des perspectives d’études dans des domaines qui se basaient, originellement, sur des longs processus avec des données collectés individuellement. L’étude de la mobilité en est un exemple. Concernant ce dernier, les données mobiles, ont permit de mener des études sur une plus large population et des zones géographiques plus étendues. Dans cette thèse, dans un premier temps, nous montrons que les événements décrits dans les données mobiles peuvent aussi être retrouvés dans d’autre sources de données. Pour cela, nous avons comparé les données mobiles avec des données provenant de capteurs de détection de présence humaine, par l’intermédiaire de différentes métriques. Cela nous a montré que les deux types de données sont assez bien corrélés. Cependant, des événements comme la synchronisation des pics de présence ou bien la fin de l’activité dans la zone d’étude ont une similarité moindre. Dans un second temps, nous avons utilisé les données mobiles afin d’étudier l’impact des trois confinements, imposés par le gouvernement français, sur l’évolution de l’utilisation du sol dans la ville de Paris. Nous montrons que le premier confinement a radicalement impacté les habitudes de mouvement de la population et donc l’utilisation du sol, ce qui était un des objectifs de la mise en place des différentes restrictions. Quant aux deuxième et troisième confinement, leur impact sur l’utilisation du sol est moindre comparé au premier confinement. Enfin, nous utilisons ces données mobiles dans le cadre de la reconfiguration du réseau mobile concernant la gestion de la micro mobilité des utilisateurs, aussi appelé handover. Tout d’abord, nous montrons que les différents eNodeB, constituant le réseau d’accès, peuvent avoir différents profiles et catégories. Les eNodeB peuvent avoir un profil source de mobilité ou bien destination. De plus, les eNodeB peuvent gérer un nombre d’utilisateurs différents, ce qui permet de les catégoriser. Par la suite, en distinguant les utilisateurs mobiles des utilisateurs statiques, nous pouvons faire de l’économie de ressources en reconfigurant le réseau pour ces derniers. En utilisant les différents profiles d’eNodeB, nous montrons que la reconfiguration dynamique du réseau permet aussi une économie des ressources utilisées pour les utilisateurs mobiles.

Over the last decade, we have seen an increase in the number and use of mobile phones, more specifically smartphones. This phenomenon, coupled with the evolution of different technologies and types of services, has led to an increase in data exchanged through the mobile networks of telephone operators. Each new generation of mobile network generates more data than its predecessor. By 2027, 289 EB of data will be exchanged per month, 62% of which will be generated in the 5G mobile network alone. The availability of this immense mass of data has opened up the prospect of studies that were originally carried out in long processes with individually collected data. The study of mobility is an example. For the latter, mobile data have made it possible to conduct studies on a larger population and larger geographical areas. In this thesis, we first show that the events described in mobile data can also be found in other data sources. For this purpose, we compared mobile data with data from human presence detection sensors, using different metrics. This showed us that the two types of data correlate quite well. However, events such as the timing of presence peaks or the end of the activity, in the study area have a lower similarity. In a second step, we used mobile data to study the impact of the three lockdowns, imposed by the French government, on the evolution of the land use in the city of Paris. We show that the first lockdown radically impacted the movement patterns of the population and thus the land use, which was the objective of the implementation of the different restrictions. As for the second and third lockdowns, their impact on the land use is less significant compared to the first lockdown. Finally, we use this mobile data in the context of mobile network reconfiguration regarding the management of user micro-mobility, also called handover. First, we show that the different eNodeBs, constituting the access network, can have different profiles and categories. The eNodeBs may have a mobility source or destination profile. Moreover, the eNodeBs can manage a different number of users, which allows to categorize them. Then, by distinguishing mobile users from static users, we can save resources by reconfiguring the network for the latter. And, by using the different profiles of eNodeB, we show that the dynamic reconfiguration of the network also allows savings in the resources used for mobile users.