Apprentissage automatique pour déduire le comportement des utilisateurs dans des réseaux autonomes 5G

L’idée développée dans cette thèse est d’utiliser le Machine Learning/Deep Learning et l’analyse de données radio 3GPP pour estimer et prédire le comportement d’un utilisateur, en termes d’habitudes et de préférence d’usage des services mobiles d’un réseau 5G. Le caractère multidimensionnel du comportement de l’utilisateur rend son estimation complexe et reste actuellement un défi. Nous avons donc étudié son estimation sous une approche innovante au regard de l’état de l’art. Nous avons proposé de la réaliser au sein d’un système unifié qui estime en parallèle chaque dimension du comportement. En utilisant des méthodes basées sur l'apprentissage approfondi (deep-learning) supervisé et hybride/semi-supervisé, nous proposons une solution pour la détection de l'environnement (Indoor/Outdoor Detection (IOD)) et jusqu’à 8 classes d’environnement d'un utilisateur de téléphone portable. Nous proposons ensuite une solution permettant de détecter la catégorie de mobilité (Mobility Speed Profile (MSP) detection) jusqu’à 8 profils de vitesses. Enfin, une solution innovante basée sur des algorithmes d’apprentissage profond dans une architecture multitâches permet d’estimer conjointement à la fois l’environnement et le profil de mobilité.  La comparaison avec l’état de l’art a montré l'efficacité des méthodes proposées, ce qui permet d’envisager leur utilisation par des opérateurs mobiles au sein de leurs futurs réseaux.

 Mots clés : LTE, 5G, Deep learning, Indoor/Outdoor detection (IOD), Mobility Speed Profile (MSP) detection