5G data generation for machine learning applications

Résumé

Les réseaux mobiles de cinquième génération offrent des débits sans précédent, une latence extrêmement faible et une connectivité massive, donnant lieu à des schémas de trafic hautement dynamiques et complexes. L’optimisation de ces réseaux reposent de plus en plus sur l’apprentissage automatique, mais des modèles performants exigent des jeux de données à grande échelle, complets et représentatifs, qui sont rarement disponibles. Pour relever ce défi, ce travail s’appuie sur de vastes jeux de données issus de la mobilité urbaine, sélectionnés en raison de leurs schémas de trafic et de leurs dynamiques temporelles, qui reflètent étroitement ceux observés dans les réseaux 5G. Toutefois, ces jeux de données présentent souvent des observations manquantes, ce qui motive le développement d’une approche d’imputation adaptative, conçue pour reconstruire des séries temporelles incomplètes tout en préservant les structures saisonnières et les dépendances temporelles. Afin d’évaluer la qualité de l’imputation en l’absence des valeurs réelles, de nouvelles métriques sont proposées, ffrant une alternative aux métriques traditionnelles et permettant une évaluation plus robuste et plus informative. Après validation, les jeux de données urbains reconstruits sont transformés en traces préliminaires de trafic 5G, constituant une base structurée pour des analyses et modélisations ultérieures. Sur cette base, un cadre de génération de trafic, fondé sur le Principe de Maximum d’Entropie, est proposé ; il encode des contraintes empiriquement observées afin de produire des données synthétiques réalistes qui capturent fidèlement les dynamiques temporelles et les propriétés distributionnelles. Cette approche s’avère efficace dans des scénarios réels où l’accès à des données de trafic 5G de haute qualité est limité en raison de contraintes liées à la confidentialité, de restrictions opérationnelles ou de mesures incomplètes. En générant des données synthétiques représentatives et statistiquement cohérentes, le cadre proposé facilite l’amélioration des prévisions, la détection d’anomalies et l’évaluation des performances du réseau, permettant ainsi aux opérateurs de télécommunications et aux chercheurs de concevoir, tester et optimiser plus efficacement les systèmes mobiles de nouvelle génération. Des expériences approfondies démontrent que le cadre proposé améliore la qualité des données, favorise la modélisation réaliste du trafic 5G et permet des prévisions plus robustes, une meilleure détection des anomalies et une évaluation plus fiable des performances des réseaux de prochaine génération.

Date	9 oct. 2025
langue originale	Anglais américain
Établissement diplômant	École de technologie supérieure
Superviseur	Bassant Selim (Directeur(-trice)), Georges Kaddoum (Codirecteur(-trice)) & Brigitte Jaumard (Codirecteur(-trice))