Mémoire Ayrton Peaty

REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON
Paix – Travail – Patrie Peace – Work – Fatherland
------------ ------------
ECOLE NATIONALE SUPERIEURE DES NATIONAL ADVANCED SCHOOL OF

POSTES, DES TELECOMMUNICATIONS ET POSTS, TELECOMMUNICATIONS AND
DES TECHNOLOGIES DE L’INFORMATION ET INFORMATION AND COMMUNICATION
DE LA COMMUNICATION TECHNOLOGIES
------------ ------------
MÉMOIRE DE FIN D’ETUDES
ALLOCATION DYNAMIQUE DES RESSOURCES DANS UN

RESEAU 4G A L’AIDE DU MACHINE LEARNING :
CAS DE LA LTE DE CAMTEL
Présenté par
Ayrton Garcia BELINGA A NJERE

Ingénieur des Travaux des Télécommunications
Matricule 17T31096
Rédigé et soutenu en vue de l’obtention du diplôme d’Ingénieur des

Télécommunications
Spécialité : Services et Réseaux Radio Mobiles (SRM)
Sous l’encadrement académique de : Sous l’encadrement professionnel de :
Dr. Eric DEUSSOM M. Arsène FOUBA

Enseignant à Sup’ptic Ingénieur en planification radio à CAMTEL
Promotion : 2020-2022
Année académique : 2021-2022
1
Allocation dynamique des ressources dans un réseau 4G à l’aide du Machine
Learning : cas de la LTE de CAMTEL
SOMMAIRE
DEDICACE ............................................................................................................................................. ii
REMERCIEMENTS .............................................................................................................................. iii
LISTE DES SIGLES .............................................................................................................................. iv
LISTE DES FIGURES ............................................................................................................................ x
LISTE DES TABLEAUX ..................................................................................................................... xii
RESUME .............................................................................................................................................. xiii
ABSTRACT ......................................................................................................................................... xiv
INTRODUCTION GENERALE ............................................................................................................. 1
CHAPITRE I : CADRE GENERAL DU MEMOIRE ............................................................................ 4
I.1. Présentation du cadre de travail ........................................................................................................ 5
I.2. Les architectures des réseaux d’accès cellulaires .............................................................................. 8
I.3. Présentation de la 4G et de la technologie LTE ............................................................................. 10
I.4. Le machine learning ........................................................................................................................ 24
I.5. Etude de l’existant ........................................................................................................................... 32
I.6. Problématique ................................................................................................................................. 33
I.7. Objectifs .......................................................................................................................................... 34
I.8. Résultats attendus ............................................................................................................................ 35
I.9. Etat de l’art ...................................................................................................................................... 35
I.10. Contribution du mémoire .............................................................................................................. 38
CHAPITRE II : METHODOLOGIE ..................................................................................................... 40
II.1. Conception du modèle ................................................................................................................... 41
II.2. Collecte et préparation des données............................................................................................... 43
II.3. Construction et entrainement du modèle ....................................................................................... 59
II.4. Test et validation du modèle. ......................................................................................................... 61
II.5. Inférence du modèle. ..................................................................................................................... 61
II.6. Description de l’application ........................................................................................................... 62
II.7. Langages, Logiciels et bibliothèques utilisés ................................................................................ 64
CHAPITRE III : RESULTATS ET EVALUATION ............................................................................ 68
III.1. Rappel des résultats attendus ........................................................................................................ 69
III.2. Evaluation du modèle ................................................................................................................... 69
III.3. Validation du modèle ................................................................................................................... 74
III.4. Discussion .................................................................................................................................... 76
III.5. Déploiement et test ....................................................................................................................... 76
CONCLUSION GENERALE ............................................................................................................... 81
ANNEXES ............................................................................................................................................ xv
REFERENCES .................................................................................................................................... xvii
TABLE DES MATIERES.................................................................................................................... xxi
i
Rédigé par Ayrton Garcia BELINGA A NJERE, SUP’PTIC 2022
DEDICACE
A mon regretté oncle
Michel Didyme BELINGA
ii
REMERCIEMENTS
Parvenu au terme de ma formation en cycle Master, c’est l’occasion pour moi d’exprimer
ma profonde gratitude et mes sincères remerciements aux personnes suivantes :
✓ M. Felix WATCHING, Directeur de l’Ecole Nationale Supérieure des postes, des
Télécommunications et des TIC pour sa rigueur dans la formation de ses étudiants ;
✓ Tout le personnel enseignant et administratif de l’Ecole Nationale Supérieure des Postes, des
Télécommunications, des Technologies de l’Information et de la Communication, pour la
formation de qualité qu’il nous a permis d’acquérir ;
✓ Mme Judith YAH SUNDAY ACHIDI, Directeur Général de la Cameroun
Télécommunications (CAMTEL), grâce à son autorisation nous avons pu faire ce stage ;
✓ Mon encadreur de stage M. Bruno GNEMAKE, Chef Centre CRARY qui a pris la peine
de déployer une équipe pour nous entretenir sur le terrain et les travaux effectués dans le
centre ;
✓ Dr. Ing. Eric DEUSSOM, mon encadreur académique pour ses orientations lors de la
rédaction de ce travail, sa disponibilité et les ressources mises à ma disposition ;
✓ M. Arsène FOUBA, mon encadreur professionnel pour sa disponibilité, l’orientation et les
conseils permanents ;
✓ Aux membres du jury en leurs rangs et grades respectifs pour avoir accepté de procéder à
l’évaluation de ce travail.
Je profite également de cette occasion pour remercier sincèrement tous ces êtres qui me
sont chers à l’instar de :
✓ Mes parents, qui me soutiennent à chaque nouvelle épreuve car sans eux je ne serais pas
arrivé jusqu’ici ;
✓ Mes frères et sœurs Axell NJERE II, Ashley NJERE, Arsène YAP, Robert MESSANA,
Armand BELINGA, Junior ABO, Mathilde MENDOUA, Nadia ESSO pour le soutien
incommensurable qu’ils m’ont apportés tout au long de mon parcours académique ;
✓ Mes camarades Olivier DOBA, Ulrich TEDONGMO, Benjamin GABNO, Julien
PELLE, Ivan TSATCHOUA, Franck TAPONFACK, Delasteyrie BIET et Gautier
ABELA pour leurs contributions afin que ce mémoire puisse aboutir à son terme ;
✓ A tous ceux, de près ou loin m’ont toujours encouragé, assisté et soutenu durant ces années
de formation.
iii
LISTE DES SIGLES
ABREVIATIONS SIGNIFICATIONS
2G 2e génération des réseaux mobiles
3GPP 3rd Generation Partnership Project
AI Artificial Intelligence
ANN Artificial Neural Networks
BE Best Effort
BTS Base Tranceiver Station
BSC Base Station Controller
BSS Base Station Subsystem
CAC Call Admission Control
CAMTEL Cameroon Telecommunications
CDMA Code Division Multiple Access
CLRA Cross-Layer Resource Allocation
CN Core Network
iv
CNN Convolutional Neural Network
CP Cyclic Prefix
CQI Channel Quality Indicator
CSS Cascading Style Sheet
D2D Device to Device
EDGE Enhanced Data Rates for GSM Evolution
ELU Exponential Linear Unit
ENodeB Enhanced NodeB
EPC Evolved Packet Core
ePDG evolved Packet Data Gateway
EPS Efficient Packet Scheduling
E-UTRAN Enhanced Universal Terrestrial Radio

Access Network
FDD Frequency Division Duplex
FDMA Frequency Division Multiple Access
GA Genetic Algorithm
GBR Guarateed Bit Rate
GERAN GSM EDGE RAN
GPRS General Packet Radio System
GSM Global System for Mobile Communications
v
HLR Home Location Register
HSDPA High Speed Downlink Packet Access
HSPA High Speed Packet Access
HSS Home Subscriber Server
HSUPA High Speed Uplink Packet Access
HTML Hyper Text Markup Language
ICIC Inter-Cell Interference Coordination
IMS IP Multimedia Subsystem
IP Internet Protocol
KNN K-Nearest Neighbors
KPI Key Performance Indicator
LSTM Long Short-Term Memory
LTE Long Term Evolution
LTE-A Long Term Evolution-Advanced
MAC Medium Access Control
MCS Modulation and Coding Scheme
MHZ Méga Hertz
MIMO Multiple In Multiple Out
ML Machine Learning
vi
MLWDF Maximum-Largest Weighted Delay First
MME Mobility Management Entity
MSC Mobile Switching Center
MTN Mobile Telephone Networks
NaN Not a Number
NE Network Element
NLOS Non-Line Of Sight-propagation
OFDM Orthogonal Frequency Division Multiple
OFDMA Orthogonal Frequency Division Multiple

Access
OSI Open System Interconnection
PCRF Policy Control and Charging Rule Functions
PDCP Packet Data Convergence Protocol
PDU Protocol Data Unit
PF Proportional Fair
PGW Packet Data Gateway
PRB Physical Resource Block
PSO Particle Swarm Optimization
QAM Quadrature Amplitude Modulation
QoS Quality of Service
vii
QPSK Quadrature Phase Shift Keying
RAN Radio Access Network
RB Resource Block
ReLu Rectified Exponential Linear Unit
RLC Radio Link Control
RNC Radio Network Controller
RNN Recurrent Neural Networks
RNS Radio Network Subsystem
RR Round Robin
RRC Radio Resource Control
RRM Radio Resource Management
SC-FDMA Single Carrier Frequency Division Multiple

Access
SGW Serving GateWay
SLAA Sequential Linear Approximation Algorithm
SVM Support Vector Machine
SVR Support Vector Regressor
TDD Time Division Duplex
TDMA Time Division Multiple Access
TNT Télévision Numérique Terrestre
viii
TTI Transmission Time Interval
UE User Equipement
UML Unified Modeling Language
UTRAN Universal Terrestrial Radio Access Network
VoIP Voice over IP
WCDMA Widely Code Division Multiple Access
WiMax Worldwide Interoperability for Microwave

Access
WLAN Wireless Local Area Network
ix
LISTE DES FIGURES

Figure 1:nombre de connexion en LTE dans le monde (en milliards) [3]............................................... 1
Figure 2: prévision du nombre de connexions par technologie en 2025 [4] ........................................... 2
Figure 3: organigramme de CAMTEL .................................................................................................... 6
Figure 4: organigramme des tâches effectuées ........................................................................................ 7
Figure 5:réseau 3G/4G de CAMTEL[7].................................................................................................. 7
Figure 6: le réseau d'accès 2G (GERAN) ................................................................................................ 8
Figure 7: le réseau d'accès 3G (UTRAN) ................................................................................................ 9
Figure 8: Architecture E-UTRAN ........................................................................................................... 9
Figure 9:Architecture du réseau 4G [12] ............................................................................................... 12
Figure 10: Architecture E-UTRAN 4G [14] ........................................................................................ 13
Figure 11: Architecture de l'EPC [16] ................................................................................................... 13
Figure 12:Pile de protocoles en LTE [17] ............................................................................................. 15
Figure 13: Modulation adaptative [18] .................................................................................................. 19
Figure 14: Modulation QAM [18] ......................................................................................................... 20
Figure 15: Structure d'une trame LTE [19] ........................................................................................... 22
Figure 16: fonctionnement de l’algorithme d’apprentissage automatique [22]..................................... 25
Figure 17: Apprentissage supervise [23] ............................................................................................... 26
Figure 18: Apprentissage non supervisé [23] ........................................................................................ 27
Figure 19: Apprentissage par renforcement [24] .................................................................................. 27
Figure 20: Fonctionnement d’un réseau neuronal et de l'apprentissage profond [25] ........................... 28
Figure 21: Les algorithmes de prédiction .............................................................................................. 31
Figure 22: Serveur U2020 MBB pour les opérations d’exploitation et de maintenance ....................... 33
Figure 23:plateforme U2020 MBB ....................................................................................................... 33
Figure 24: schéma simplifié de notre modèle de prédiction .................................................................. 41
Figure 25: schéma détaillé du modèle de prédiction ............................................................................. 42
Figure 26: plateforme iMaster U2020 MBB ........................................................................................ 43
Figure 27: collecte des données............................................................................................................. 44
Figure 28: Quelques KPIs de la 4G ....................................................................................................... 48
Figure 29: fonction dropna pour la suppression des lignes indésirables ............................................... 49
Figure 30: jeu de données avec 38 colonnes ......................................................................................... 49
Figure 31: fonction drop pour la suppression des colonnes indésirables. ............................................. 49
Figure 32: jeu de données après traitement 1 ........................................................................................ 50
Figure 33: fonction drop pour la suppression des colonnes indésirables du fichier 2 ........................... 50
Figure 34: jeu de données après traitement ........................................................................................... 50
Figure 35: Concaténation des deux fichiers .......................................................................................... 51
Figure 36: Dataset final ......................................................................................................................... 51
Figure 37: Lignes/Colonnes du Dataset final ........................................................................................ 52
Figure 38: Algorithme de régression linéaire ........................................................................................ 53
Figure 39: Architecture du réseau de neurones [43].............................................................................. 54
Figure 40: Esquisse du fonctionnement d'un réseau de neurones [42] ................................................. 55
Figure 41: Schéma détaillé du fonctionnement d'un réseau neuronal [43]............................................ 56
Figure 42: Les différentes fonction d'activation [44] ............................................................................ 57
Figure 43: Récapitulatif des algorithmes utilisés .................................................................................. 59
Figure 44: Plateforme google colab pour l'entrainement du modèle ..................................................... 59
Figure 45: Séparation des données ........................................................................................................ 60
Figure 46: Normalisation des données .................................................................................................. 60
x
Figure 47: Données normalisées ........................................................................................................... 60

Figure 48: Recherche des dépendances entre les variables ................................................................... 61
Figure 49: Diagramme de cas d'utilisation ............................................................................................ 63
Figure 50: courbe de pertes obtenue avec le modèle linéaire ................................................................ 69
Figure 51: courbe de pertes obtenue avec le modèle CNN ................................................................... 70
Figure 52:Courbe de pertes obtenue avec le LSTM .............................................................................. 70
Figure 53: Courbe de test training sur le LTE Traffic User Max avec le modèle linéaire .................... 71
Figure 54: Courbe de test training sur le LTE Traffic User Max avec le modèle CNN ........................ 71
Figure 55: Courbe de test training sur le LTE Traffic User Max avec le modèle LSTM..................... 72
Figure 56: MAE modèle linéaire ........................................................................................................... 73
Figure 57: MAE modèle convolutif ...................................................................................................... 73
Figure 58: MAE modèle LSTM ............................................................................................................ 73
Figure 59: Précision LSTM ................................................................................................................... 74
Figure 60: Statistiques de performances des différents modèles utilisés. ............................................. 74
Figure 61: Valeurs prédites par le modèle ............................................................................................. 75
Figure 62: Plage de valeurs obtenues après prédiction.......................................................................... 75
Figure 63: Solution d’entreprise ............................................................................................................ 77
Figure 64: Interface de connexion ......................................................................................................... 78
Figure 65: Tableau de bord ................................................................................................................... 78
Figure 66: Interface de visualisation du trafic ....................................................................................... 79
Figure 67: Interface de visualisation du trafic ....................................................................................... 79
Figure 68: Interface de prédictions ........................................................................................................ 80
Figure 69: Code source pour créer l’interface de visualisation des courbes de trafic ........................... xv
Figure 70: Note d’admission au CRARY .............................................................................................. xv
Figure 71: Code source d’entrainement du modèle linéaire ................................................................. xvi
Figure 72: Code source d’entrainement de l’algorithme LSTM .......................................................... xvi
Figure 73: Code source de prédiction................................................................................................... xvi
xi
LISTE DES TABLEAUX

Tableau 1: Résumé des différentes technologies d'accès radio ............................................................. 10
Tableau 2: Nombre de PRBs suivant la bande passante ........................................................................ 22
Tableau 3: Champs des KPIs 4G LTE .................................................................................................. 44
Tableau 4: PRBs Juillet 2022 ................................................................................................................ 45
Tableau 5: Description des champs KPIs .............................................................................................. 46
Tableau 6: Description des champs de PRBs ........................................................................................ 47
Tableau 7: Features retenus pour l'entrainement du modèle ................................................................. 50
xii
RESUME
Les réseaux mobiles et sans fil ont connu un essor sans précédent au cours de ces
dernières années. Il s'agit du déploiement de plusieurs générations successives de réseaux de
télécommunications, tout d’abord essentiellement dédiés à la téléphonie (2ème Génération,
GSM), puis plus orientés vers le multimédia (3ème Génération, UMTS), ensuite la génération
des réseaux mobiles suivante dite de quatrième génération (4G) apporte un véritable tournant
dans le foisonnement et la disparité des solutions existantes. De ce fait, le nombre d’utilisateurs
des services de ce réseau ne cesse de croitre d’années en années, ce qui en fait aujourd’hui le
réseau de télécommunications sans fil prédominant dans le monde. Cet accroissement a pour
conséquence l’augmentation de la demande en ressources pour l’admission des abonnés dans
les cellules par les eNodeB en vue de leur permettre de pouvoir trafiquer à tout moment avec
une meilleure qualité de service. Or ces dernières étant rares et limitées, il se pose le problème
de leur sous-utilisation (utilisation non optimale des ressources au niveau des eNodeB) due à
l’allocation statique (configuration manuelle des ressources). Notre projet a donc pour objectif
de concevoir un modèle efficace de machine learning qui va prendre en entrée les données de
trafic des eNodeB à chaque heure et prédire avec précision le nombre de ressources qu’on va
allouer dynamiquement à ces derniers afin d’éviter les pertes de trafic chez l’opérateur
CAMTEL. Nous avons pour cela étudié trois algorithmes d’apprentissage automatique
(Régression linéaire, les réseaux de neurones convolutifs et les LSTM) pour pouvoir former
trois modèles puis à l’aide des performances obtenues avec chacun d’eux après les avoir
évalués, le modèle entrainé avec l’algorithme LSTM a donné les meilleures performances et a
donc été implémenté dans notre solution. Ce travail débute avec une étude des notions liées à
notre domaine d’étude notamment les réseaux de télécommunications de quatrième génération
et les techniques d’apprentissage automatique. Ensuite, une présentation de la méthodologie de
travail sera faite pour dérouler le processus mis en place pour atteindre notre objectif, pour
terminer avec un exposé des résultats de nos différents travaux notamment les résultats de
l’exécution des modèles d’apprentissage automatique et d’allocation des ressources et
l’application développée qui implémente le modèle retenu.
Mots Clés : 4G, Machine learning, Modèle, eNodeB, Ressources RRC.
xiii
ABSTRACT
Mobile and wireless networks have experienced an unprecedented boom in recent years.
Several successive generations of telecommunication networks have been deployed, first
essentially dedicated to telephony (2nd generation, GSM), then more oriented towards
multimedia (3rd generation, UMTS), and then the next generation of mobile networks, known
as fourth generation (4G), brings a real turning point in the proliferation and disparity of existing
solutions. As a result, the number of users of the network's services has grown steadily over the
years, making it the world's leading wireless telecommunications network. This growth has
resulted in an increased demand for resources for the admission of subscribers into cells by
eNodeBs to enable them to operate at any time with a better quality of service. However, as
these resources are scarce and limited, there is the problem of their under-utilisation (non-
optimal use of resources at the eNodeB level) due to static allocation (manual configuration of
resources). The objective of our project is therefore to design an efficient machine learning
model that will take as input the traffic data of the eNodeBs at each hour and accurately predict
the number of resources that will be dynamically allocated to the eNodeBs in order to avoid
traffic losses at CAMTEL. We studied three machine learning algorithms (linear regression,
convolutional neural networks and LSTM) in order to train three models and then, using the
performance obtained with each of them after evaluating them, the model trained with the
LSTM algorithm gave the best performance and was therefore implemented in our solution.
This work starts with a study of the notions related to our field of study, in particular fourth
generation telecommunications networks and machine learning techniques. Then, a
presentation of the work methodology will be made to unfold the process set up to reach our
objective, to finish with a presentation of the results of our various works, in particular the
results of the execution of the machine learning and resource allocation models and the
developed application which implements the selected model.
Keywords: 4G, Machine learning, Model, eNodeB, RRC resources.
xiv
INTRODUCTION GENERALE
Depuis l'apparition de la téléphonie mobile, les générations des réseaux n'ont cessé
d'évoluer pour proposer une qualité de service toujours plus satisfaisante. La technologie
radio utilisée vise à partager un spectre hertzien en plusieurs fréquences entre de multiples
usagers, eux-mêmes répartis dans différentes cellules radio en fonction de leur situation
spatiale. Ainsi, pour communiquer depuis un téléphone portable, il faut se trouver à portée
d'une antenne-relais investie par son opérateur mobile de sorte à réceptionner un signal radio
suffisamment puissant. Au fil des années, la demande mondiale de services de données mobiles
a connu une croissance phénoménale, générant ainsi une lourde charge de signalisation dans les
réseaux. Cela consomme une quantité disproportionnée des ressources réseau, compromettant
le débit et l'efficacité du réseau et, dans des cas extrêmes, provoquant le crash des réseaux
cellulaires 3G ou 4G. Pour résoudre le problème de l'explosion du trafic de données mobiles,
de nombreuses idées sont proposées, y compris l'approche par petites cellules, la
communication D2D, etc.[1] Cependant, nous notons que de tels efforts se concentrent
principalement sur la façon de gérer les ressources radio. Plusieurs générations de réseaux se
sont succédées, avec à chaque fois une amélioration des performances dans le but de satisfaire
les exigences des utilisateurs.
On peut également noter que, la 4e génération, malgré la présence d’une génération de
réseau (5G) avec une technologie plus avancée et plus performante en termes de débit, reste la
technologie dominante dans la majorité des pays du monde de nos jours. En effet, la technologie
LTE domine toujours les télécommunications mobiles mondiales avec 806 opérateurs avec des
réseaux d’accès sans fil fixes à large bande ou mobiles lancés commercialement (GSA : NTS
Database December 2020). Il y avait 5,95 milliards d’abonnements LTE à l’échelle mondiale à
la fin du troisième trimestre de 2020 (source : Omdia, décembre 2020). La technologie LTE
représente environ 62,1 % des abonnements mobiles sur le plan international et cette
technologie restera prédominante pour plusieurs années encore.[2]
Les figures ci-dessous illustrent certains des propos susmentionnés :
Figure 1:nombre de connexion en LTE dans le monde (en milliards) [3]
1
Figure 2: prévision du nombre de connexions par technologie en 2025 [4]

L’évolution des technologies de télécommunications mobiles et plus particulièrement
la 4G a été profitable à plusieurs pays à l’instar du Cameroun dont les opérateurs de
télécommunications ont su tirer profit afin de pouvoir fournir aux utilisateurs un accès haut
débit à de nombreux services. En effet, la quatrième génération des réseaux de
Télécommunications est implantée au Cameroun depuis plusieurs années déjà avec les
opérateurs tels que CAMTEL, MTN Cameroon et Orange CM. Depuis cette implantation, le
nombre d’utilisateurs ne cesse de croître au fil des années avec un taux d’utilisation d’Internet
de plus de 25% en 2018 contre seulement 21% en 2016.[5]
La génération de données complexes en grandes quantités chez les opérateurs de

télécommunications et en particulier chez CAMTEL devient difficile à gérer. Nous sommes
donc amenés à fortement nous intéresser aux techniques d’apprentissage automatique et de voir
comment les combiner aux télécommunications afin d’en bénéficier des avantages énormes
qu’ils offrent à l’instar de l’optimisation du fonctionnement des réseaux, malgré le nombre
d’abonnés qui ne cesse de croitre. L’opérateur CAMTEL, structure dans laquelle nous avons
effectué notre stage dispose dans ses infrastructures d’un réseau d’accès (E-UTRAN) LTE et
supervisé par la plateforme U2020 dotée de plusieurs fonctions, notamment de gestion des
ressources allouées aux eNodeB de son réseau d’accès. Chaque eNodeB par configuration
recevra le nombre de ressources RRC (Radio Resource Control) pour pouvoir assurer les
demandes d’admission des utilisateurs dans chacune des cellules qu’il gère. Le réseau va donc
fonctionner telle que la configuration a été faite, or il peut arriver qu’à une période de
fonctionnement du réseau certains eNodeB ne disposent pas de ressources pour pouvoir
continuer à satisfaire les demandes des utilisateurs ; c’est dans ce sens que nous allons mener
notre étude portant sur l’allocation dynamique des ressources radio dans un réseau 4G, cas de
la LTE de CAMTEL pour pouvoir limiter les pertes de trafic observées. Nous avons opté pour
les méthodes d’intelligence artificielle car disposent de grandes capacités de traitement et
d’adaptation.
Pour pouvoir atteindre notre objectif et afin de rendre un travail intéressant, nous avons
subdivisé le travail en trois chapitres comme suit :
2
● Chapitre I : Cadre général du mémoire, qui présentera les généralités sur les
réseaux mobiles et le machine learning puis énoncera le problème traité et les
résultats attendus ;
● Chapitre II : la méthodologie qui consistera à donner la démarche utilisée pour
résoudre le problème énoncé ;
● Chapitre III : Résultats et commentaires, consistera à présenter les résultats que
nous avons obtenus.
Nous clôturerons ce travail par une conclusion générale.
3
CHAPITRE I : CADRE
GENERAL DU MEMOIRE
4
Introduction
Ce chapitre est consacré à la présentation des éléments indispensables à la
compréhension et à la réalisation de ce mémoire. Nous allons tout d’abord présenter le cadre de
travail en rapport avec notre étude, puis la revue de littérature sur les réseaux de quatrième
génération et la technologie de machine learning, ensuite nous ferons un état de l’art des travaux
existants et pour terminer nous allons présenter la problématique et les objectifs de notre étude.
I.1. Présentation du cadre de travail

I.1.1. Historique et missions de CAMTEL
CAMTEL est née en 1998 de la transformation de la direction des télécommunications
(actuel Ministère des postes et télécommunications) en société anonyme à laquelle s’ajoutera
l’entreprise publique Intelcam, alors responsable des communications téléphoniques
internationales.[6]
Les principales missions de CAMTEL Cameroun sont les suivantes :
▪ L’étude, l’installation, l’exploitation et l’entretien de toutes les infrastructures
nécessaires à la fourniture des services de télécommunications sur l’ensemble du
territoire national, ainsi que la connexion des réseaux nationaux aux réseaux étrangers ;
▪ L’échange des comptes avec les autres opérateurs nationaux et internationaux des
télécommunications ;
▪ La réalisation des opérations commerciales ;
I.1.2. Services offerts
CAMTEL offre de nombreux services tels que :

▪ La téléphonie fixe et mobile du type CDMA et GSM ;
▪ L’accès à Internet;
▪ Un service cloud;
▪ Offre une infrastructure pour le déploiement des services des autres opérateurs.
I.1.3. Organisation
La fourniture des services susmentionnés par l’opérateur CAMTEL s’opère de manière

saine grâce à une organisation hiérarchique claire et structurée comme suit :
▪ Des Services rattachés à la Direction Générale composés de Conseillers Techniques, du
Service Spécial, de la Division de l’Audit et du Contrôle, de la Division de la Stratégie
et de la Prospective, du Cabinet, de la Cellule de la Communication, de la Cellule de la
Traduction, de la Cellule des Affaires Juridiques et du Contentieux et de l’Attaché de
Direction ;
▪ Une Administration Centrale composée de la Direction Commerciale et Marketing, de
la Direction des Projets, de la Direction des Infrastructures, de la Direction des Systèmes
d’Information et des Réseaux IP, de la Direction des Finances et du Budget, de la
Direction des Ressources Humaines, de la Direction des Approvisionnements et de la
logistique ;
5
▪ Des Services Extérieurs composés de la direction régionale du Littoral, de la direction

régionale du Centre et des Représentations Régionales de toutes les dix régions dont
sont exclus les Départements du Mfoundi (Centre) et du Wouri (Littoral).
➢ Les Représentations Régionales :
Il s’agit de :
• La représentation Régionale de l’Adamaoua (RPA) avec pour siège Ngaoundéré ;
• La représentation Régionale de l’Est (RPE) avec pour siège Bertoua ;
• La représentation Régionale de l’Extrême Nord (RPEN) avec pour siège Maroua ;
• La représentation Régionale du Nord (RPN) avec pour siège Garoua ;
• La représentation Régionale de l’Ouest (RPO) avec pour siège Bafoussam ;
• La représentation Régionale du Nord-Ouest (RPNO) avec pour siège Bamenda ;
• La représentation Régionale du Sud (RPS) avec pour siège Ebolawa ;
• La représentation Régionale du Sud-ouest (RPSO) avec pour siège Buea.
➢ Les agences commerciales
Placées sous l’autorité des Directions et Représentations Régionales, les agences

commerciales servent de points de contact entre CAMTEL et sa clientèle.
La figure suivante présente l’organigramme de CAMTEL :
Figure 3: organigramme de CAMTEL
6
I.1.4. Présentation du lieu de déroulement du stage
Placées sous l’autorité de M. Bruno GNEMAKE, chef du centre des réseaux d’accès
radio 2G/3G/4G (CRARY), nos différentes activités peuvent se résumer suivant
l’organigramme ci-dessous :
Figure 4: organigramme des tâches effectuées

L’architecture du réseau de paquet 3G/4G de CAMTEL est la suivante :
Figure 5:réseau 3G/4G de CAMTEL[7]

Nous allons poursuivre ce travail en étayant plus le contexte de l’étude, et pour cela
nous allons mettre en exergue les technologies des réseaux d’accès radio.
7
I.2. Les architectures des réseaux d’accès cellulaires

Au fur et à mesure que les technologies des réseaux cellulaires évoluaient, les
architectures changeaient eux aussi. Cette section présente toutes ces évolutions en partant des
réseaux de deuxième génération jusqu’à la quatrième génération.
I.2.1. Le réseau d’accès 2G (GERAN)
GERAN signifie GSM-EDGE Radio Access Network, c’est le nom de la partie radio
des réseaux de 2e génération que sont le GSM, le GPRS et l’EDGE. Il se compose
essentiellement d’un ou de plusieurs sous-systèmes radio formés des BTS (Base Transceiver
Station) reliées à un contrôleur central ou BSC (Base Station Controller) et formant le BSS
(Base Station Subsytem).[8]
Figure 6: le réseau d'accès 2G (GERAN)
I.2.2. Le réseau d’accès UTRAN
UTRAN qui signifie Universal Terrestrial Radio Access Network, est la partie accès
des réseaux UMTS, WCDMA, HSDPA, HSUPA et HSPA de 3e génération. Différents types
de trafic peuvent être transportés en mode circuit (voix) ou en mode paquet (données) en
utilisant le protocole IP. Fondamentalement, il se compose d’un NodeB équivalent à la BTS et
d’un RNC (Radio Network Controller) équivalent à la BSC. Ce dernier peut contrôler environ
100 nœuds de transmission radio. La fonction principale du réseau UTRAN illustrée à la Figure
7 est le transfert des données générées par les utilisateurs mobiles à travers les interfaces radio
Uu (entre le terminal mobile et le nodeB) et Iub (entre le nodeB et le RNC). Ces deux unités
sont reliées l'une à l'autre et forment le RNS (Radio Network Subsystem).[9]
8
Figure 7: le réseau d'accès 3G (UTRAN)
I.2.3. Le réseau d’accès E-UTRAN
E-UTRAN qui désigne evolved UTRAN, est le réseau d’accès radio 4G. Contrairement
aux réseaux d’accès 2G et 3G, il est composé d’une seule entité, l’eNodeB. Il transporte
différents types de trafic en mode paquet en utilisant exclusivement le protocole IP. On a deux
types d’interfaces normalisées entre les entités du réseau eUTRAN : l’interface S1 qui est
utilisée pour la connexion entre l’eNodeB et le réseau cœur et l’interface X2 qui relie les
eNodeB entre eux et qui permet ainsi d’assurer les fonctionnalités de contrôle
traditionnellement implémentées dans le RNC dans le réseau UMTS ou la BSC dans le réseau
GSM. Grâce à la simplification du réseau et à l’utilisation des liaisons optiques vers le cœur du
réseau, l’eUTRAN a permis d'améliorer considérablement les performances du réseau en
termes de débit et latence.[10]
Figure 8: Architecture E-UTRAN
9
Le tableau ci-dessous va résumer les différents aspects des technologies des réseaux d’accès
radio :
Tableau 1: Résumé des différentes technologies d'accès radio
Paramètres GERAN UTRAN E-UTRAN
Technique d’accès FDMA/TDMA CDMA OFDMA
Largeur de bande 200 Khz 5 Mhz 1.5, 3, 5, 10, 15,20

Mhz
Débit 9.6 à 384 Kbps 384 Kbps à 42 Mbps Jusqu’à 300 Mbps
Latence 700-180ms 220-110ms < 100ms (plan

contrôle)
<5ms (plan
utilisateur)
Mobilité (Km/h) 100 120 350
Services Commutation de Commutation de Commutation de

circuits et de paquets circuits et de paquets paquets
I.3. Présentation de la 4G et de la technologie LTE

La LTE (Long Term Evolution) est la technologie de téléphonie mobile de quatrième
génération. L'idée de projet de développement de la technologie LTE est portée par un
organisme de normalisation, la 3GPP [11] qui regroupe plusieurs pays et qui vise à rédiger les
normes techniques de la quatrième génération de téléphonie mobile. Cette technologie est
destinée à permettre une transmission de données à haut débit, avec une large portée, un nombre
élevé d'appels par cellule (la zone où l'émetteur mobile peut contacter le terminal) et une faible
latence tout comme la 3G représentait une augmentation de débit par rapport aux premiers
appareils GSM de la 2G à l'époque. Pour les opérateurs de télécommunications (avec des
10
éléments importants pour prendre en charge cette technologie), la LTE implique la modification
du cœur de réseau et de l'émetteur radio. Il est également nécessaire de développer des appareils
mobiles adaptés à cette technologie. Elle fut standardisée dans la release 8. En réalité, cette
norme est considérée comme la 3.9G, la véritable 4G étant la LTE-Advanced standardisée dans
la release 9 et 10.
I.3.1. Objectifs de la 4G
La 4G a pour but d’améliorer l’efficacité spectrale et à augmenter la capacité de

gestion du nombre de mobiles dans une même cellule. Elle permet aussi d’offrir des
débits élevés en situation de mobilité et d’offrir une mobilité totale à l’utilisateur en
établissant l’interopérabilité entre différentes technologies existantes. Elle vise à rendre
le passage entre les réseaux transparents pour l’utilisateur, à éviter l’interruption des
services durant le transfert intercellulaire, et à basculer l’utilisation vers le tout IP.
Cette génération de réseaux a principalement pour objectifs de :
➢ Augmenter les débits de données ;
➢ Réduire les délais et le trafic de signalisation ;
➢ Assurer la continuité de la session en cours ;
➢ Fournir une meilleure qualité de service ;
➢ Optimiser l’utilisation des ressources ;
➢ Réduire la gigue et la perte de paquets ;
➢ Minimiser le cout de signalisation.
I.3.2. Architecture d’un réseau 4G
L’architecture d’un réseau mobile inclut trois entités fonctionnelles que sont :
✓ Le terminal mobile, appelé aussi équipement utilisateur, abrégé en UE (user
equipment) ;
✓ Le réseau d’accès ou RAN (radio access network) ;
✓ Le réseau cœur ou CN (core network).
Le réseau LTE est constitué de milliers de cellules radio qui utilisent les mêmes fréquences
hertziennes. La figure ci-dessous représente l’architecture du réseau 4G :
11
Figure 9:Architecture du réseau 4G [12]
I.3.2.1. La partie réseau d’accès radio de la 4G (E-UTRAN)
La partie radio du réseau 4G, appelée « eUTRAN (Evolved Universal Terrestrial Radio
Access Network) », est simplifiée comparée à celles des réseaux 2G ou 3G. Elle se compose
donc des eNodeB ayant pour fonction principale d’acheminer les flux de données de l’UE vers
l’EPC (Evolved PacketCore Network) au moyen des fonctions comme le RRM (Radio
Ressource Management) et le CAC (Call Admission Control), d’antennes locales ou distantes,
de liaisons en fibres optiques vers les antennes distantes et des liaisons IP reliant les eNodeB
entre eux (liens X2) et avec le cœur de réseau (liens S1 ). Cette partie est responsable du
management des ressources radio, la compression, la sécurité, et la connectivité vers le réseau
cœur évolué [13]. La figure 10 détaille l’architecture de la partie radio de l’architecture d’un
réseau LTE :
12
Figure 10: Architecture E-UTRAN 4G [14]
Les interfaces reliant les équipements sont :

• Interface Uu : définie entre L’eNodeB et le UE.
● L’interface X2 : c’est une interface logique. Elle est introduite dans le but de
permettre aux eNodeBs d’échanger des informations de signalisation durant le
Handover ou la signalisation, sans faire intervenir le réseau cœur.
● L’interface S1 : c’est l’interface intermédiaire entre le réseau d’accès et le réseau
cœur. Elle peut être divisée en deux interfaces élémentaires : Cette dernière consiste
en S1-U (S1- Usager) entre l'eNodeB et le SGW et S1-C (S1-Contrôle) entre l'eNodeB
et le MME.
I.3.2.2. La partie cœur de la 4G (EPC)
Le core network (CN) ou cœur de réseau appelé « EPC (Evolved Packet Core) » utilise
des technologies « full IP », c'est-à-dire basées sur les protocoles Internet pour la signalisation,
le transport de la voix et des données. Ce cœur de réseau permet l’interconnexion via
des routeurs avec les eNodeB distants, les réseaux des autres opérateurs mobiles, les réseaux de
téléphonie fixe et le réseau Internet [15].
Figure 11: Architecture de l'EPC [16]
L’EPC d’un opérateur LTE est principalement constitué de :
● Serving Gateway (SGW) est défini pour gérer les ”données utilisateur” et il
est impliqué dans le routage et la transmission de paquets de données (trafic de
données) entre les eNodeB et le réseau cœur. L´échange des paquets est
acheminé par le SGW au PDN-GW via l’interface S5. Le SGW est connecté à
l’eUTRAN via l’interface S1- U qui sert de relai entre l’utilisateur et l’EPC ;
13
● Mobility Management Entity (MMEs,) qui gèrent la signalisation (plan de

contrôle) et donnent l’accès aux bases de données (HSS / HLR) contenant les
identifiants et les droits des abonnés ; Cette entité est responsable de la gestion
de la mobilité et l’authentification des utilisateurs. Elle est responsable aussi du
Paging lorsque l’utilisateur est en état inactif. Il fait la mise à jour des paramètres
de localisation de l’UE se retrouvant dans une zone qui n’est pas prise en charge
par le MME ;
● Un (ou plusieurs) Packet-Switch Gateway (PGW) qui servent de passerelles

vers le réseau Internet ; le PGW a aussi pour rôle d’attribuer les adresses IP aux
terminaux LTE ;
● Home Suscriber Service (HSS) est une base de données similaire au HLR en
GSM / qui contient les informations de souscription pour les abonnés GSM,
GPRS, 3G et LTE ;
● Policy and Charging Rules Function (PCRF), qui permet la gestion

dynamique de la facturation et de la police de qualité de service des flux ;
● ePDG (Evolved Packet Data Gateway) : un élément réseau qui permet

l’interopérabilité avec le réseau WLAN en fournissant des fonctions de routage
des paquets, de Tunneling, d’authentification, d’autorisation et d’encapsulation
/ décapsulation des paquets.
• L’IMS (IP Multimedia Subsystem) : est un ensemble d’éléments permettant

d’offrir des services multimédias sur les réseaux IP et donc entre autres sur le
réseau mobile. L’IMS permet des services interpersonnels multimédia riches :
voix sur IP, conférence vidéo, agenda enrichi, messagerie instantanée, sonnerie
sur plusieurs terminaux, etc. L’objectif de l’IMS n’est pas seulement de permettre
de nouveaux services, existants ou futurs, proposés sur Internet, les utilisateurs
doivent aussi être capables d’utiliser ces services aussi bien en déplacement
(situation de roaming) que depuis chez eux. Pour cela, l’IMS utilise les protocoles
standards IP.
14
I.3.3. La pile de protocoles LTE
Tout comme en UMTS, la pile protocolaire en LTE est représentée dans deux plans
distincts : le plan usager et le plan de contrôle, ces piles correspondent aux deux premières
couches du modèle OSI (la couche physique et la couche liaison de données).
Figure 12:Pile de protocoles en LTE [17]
La couche L1 (Physique)
La couche 1, aussi appelée Layer 1 (L1) ou couche PHY a comme rôle d’assurer la
transmission des données sous une forme capable de se propager dans l’air et de résister aux
différentes perturbations inhérentes au canal radio mobile et offre un service de transport sur
l’interface air à la couche MAC. Les fonctions réalisées par la couche physique sont :
➢ Codage de canal : Protège les bits d’information contre les erreurs de transmission ;
➢ Traitements spatiaux MIMO : pré-codage des symboles de modulation afin de les

transmettre de plusieurs antennes ;
➢ Modulation multi-porteuse : Utilisation de l’OFDM pour la voie descendante ;
➢ Mesure radio : Estimation du canal, la qualité du signal de la cellule servante et les

niveaux de puissance reçus d’une autre cellule ou d’un autre système radio ;
➢ Synchronisation : Acquérir et maintenir la synchronisation en temps et en fréquence

avec la porteuse de l’émetteur ;
➢ Détection de cellule : Afin de s’y connecter dans le cas de l’allumage de l’UE ou pour
effectuer un Handover ;
15
➢ Signalisation d’informations de contrôle : entre eNodeB et UE.
La couche L2 (Liaison de données)
Elle comprend trois sous-couches :
➢ PDCP : Compression d’entête, chiffrement des données de signalisation RRC,

protection de l’intégrité de la signalisation RRC, détection et suppression des doublons
PDCP ;
➢ RLC : détection et retransmission des PDU manquantes, utilisation de fenêtres

d’émission et de réception pour l’optimisation de la transmission IP ;
➢ MAC : Multiplexage/démultiplexage, ordonnancement des canaux radio sur les liens

montants et descendants, maintien de la synchronisation et priorisation des flux.
La couche RRC
La couche RRC est utilisée sur l’interface radio des technologies 3G et 4G et a pour but
d’échanger les informations entre l’UE et l’eNodeB afin d’établir une connexion entre eux
(configurer et de contrôler l’interface radio) et est connectée aux quatre autres couches (L1 :
PHY et L2 : MAC, RLC, PDCP) via des points d’accès de contrôle et qui a pour objectif et
assure essentiellement les fonctions suivantes :
➢ La gestion de la connexion RRC ;
➢ Le contrôle des porteuses radios associées à des services ou à la signalisation ;
➢ La mobilité en mode connecté ;
➢ Le contrôle de la mobilité en mode veille.
I.3.4. Les caractéristiques fondamentales de la 4G
Le débit
Chaque nouvelle technologie de réseaux mobiles augmente les débits et suscite
une attente de débits supérieurs. Au-delà des limitations capacitaires, le débit fourni à
un utilisateur dépend de ses conditions radio, liées en particulier à sa position dans la
cellule, des techniques de transmission employées et de la ressource spectrale
disponible. Les objectifs de débit maximal définis pour le LTE sont les suivants :
16
● 100 Mbit/s en voie descendante pour une largeur de bande allouée de 20

MHz, soit une efficacité spectrale crête de 5 bps/Hz ;
● 50 Mbit/s en voie montante pour une largeur de bande allouée de 20 MHz,
soit une efficacité spectrale crête de 2,5 bps/Hz.
La latence
La latence du système se traduit concrètement par sa capacité à réagir rapidement à des
demandes d’utilisateurs ou de services. Une latence forte limite l’interactivité du système et
s’avère pénalisante pour l’usage de certains services de données. Elle se décline en latence du
plan de contrôle et latence du plan usager : .
● Latence du plan de contrôle : L’objectif fixé pour la LTE est d’améliorer la latence
du plan de contrôle par rapport à l’UMTS, via un temps de transition inférieur à 100
ms (millisecondes) entre un état de veille de l’UE (User Equipment) et un état actif
autorisant l’établissement du plan usager.
● Latence du plan usager : La latence du plan usager est définie par le temps de
transmission d’un paquet entre la couche IP de l’UE et la couche IP d’un nœud du
réseau d’accès ou inversement. En d’autres termes, la latence du plan usager
correspond au délai de transmission d’un paquet IP au sein du réseau d’accès. Le
LTE vise une latence du plan usager inférieure à 5 ms dans des conditions de faible
charge du réseau et pour des paquets IP de petite taille.
Le multiplexage
Il existe deux modes de multiplexage de fréquences. Les spécifications LTE
prévoient le fonctionnement en mode dual : multiplexage de fréquences (FDD) et
multiplexage temporel (TDD). En mode FDD (Frequency Division Duplexing), l’émission
et la réception se font à des fréquences différentes. En mode TDD (Time Division
Duplexing), l’émission et la réception transitent sur une même fréquence, mais à des
instants différents. C’est le FDD qui est actuellement mis en œuvre dans les équipements
de télécommunications et déployé dans la plupart des premiers réseaux 4G. Le deuxième
mode (TDD) fonctionne sur des bandes de fréquences distinctes qui feront l’objet
d’attributions ultérieures.
La capacité
Le terme capacité est attribué à n'importe quelle cellule d'un réseau cellulaire et fait
référence au trafic maximal (nombre d’appels simultanés ou transmissions de données par
17
plusieurs utilisateurs en simultanée) que la cellule peut transporter pendant une période
donnée dans des conditions de charge élevée. Sur la LTE, on s'attend à ce qu’au moins 200
utilisateurs simultanés par cellule soient pris en charge en état actif avec une bande passante
de 5 MHz et qu’au moins 400 utilisateurs simultanés soient pris en charge par cellule à l’état
actif pour une bande passante supérieure à 5 MHz.
La mobilité
Le LTE vise à rester fonctionnel de façon optimale pour des UE se déplaçant à des
vitesses trop élevées (jusqu’à 350 km/h et même 500 km/h) et même à des vitesses trop
faibles (de 0 km/h à 15 km/h). En LTE, il est attendu que :
• Les services temps-réel comme le service voix, soient au moins en même niveau de
qualité que ceux offerts par les systèmes UMTS ;
• L’effet du Handover intra-système entre deux cellules LTE sur la qualité vocale
doit être moindre qu’en GSM, ou équivalent ;
• Des mécanismes optimisant les délais et minimisant la perte de paquets lors d’un
Handover intra-système soient intégrés ;
• Une coexistence avec les autres technologies 3GPP à savoir GSM/GPRS et UMTS,
doit être maintenue lors d’un Handover inter-système (le temps d’interruption de
service doit rester inférieur à 300 ms pour les services temps-réel et inférieur à 500
ms pour les autres services).
Allocation des fréquences
Chaque pays gère l’exploitation du spectre électromagnétique à l’aide d’une licence ;
un certain nombre de licences sont attribuées par pays, les opérateurs intéressés par une certaine
gamme de fréquence doivent acheter à l’état un droit d’exploitation pour pouvoir utiliser ces
fréquences. En général, les bandes de fréquence utilisées en 4G sont :
● La bande 800 MHz : la fréquence en or

La bande 800 MHz est souvent présentée comme la fréquence en or. Pourquoi ? La fréquence
des 800 MHz présente l’avantage de porter plus loin, limitant en théorie le nombre de relais
pour le déploiement. Elle pénètre également mieux à l’intérieur des bâtiments. En effet, une
antenne émettant sur la fréquence basse des 800 MHz couvrira davantage de superficie qu’une
antenne émettant sur la fréquence des 2600 MHz : il faudra 6 antennes émettant en 2600 MHz
pour couvrir la même zone qu’une seule antenne émettant en 800 MHz. L’avantage que les
opérateurs peuvent tirer du développement de l’implantation d’antennes émettant en 800 MHz
18
est saillant : ils pourront développer plus rapidement la couverture du territoire. Comme
désavantage, elle fait mauvais ménage avec la TNT (Télévision Numérique Terrestre) dont les
fréquences 790 MHz sont très proches. La fréquence des 800 MHz est parfaitement adaptée
aux zones rurales.
● La bande 2600 MHz : idéale pour les villes et les zones urbaines
La fréquence 2600 MHz présente des caractéristiques opposées au 800 MHz. Elle couvre une
surface réduite et traverse moins facilement les murs. Ses caractéristiques font qu’elle est plus
adaptée pour une utilisation en ville où elle est plus à même d’encaisser une utilisation intensive
du réseau. Mais pour parvenir à encaisser le choc, il faut avoir une largeur de bande importante.
C’est pour cela que tous les opérateurs ont pris plus de blocs de fréquences en 2600 MHz qu’en
800 MHz. Et de cela peut découler de meilleures performances si les cellules ne sont pas
saturées.
● La bande 1800 MHz : le meilleur des deux mondes

Cette fameuse fréquence déjà utilisée par CAMTEL a permis à l’opérateur d’accélérer
significativement le déploiement de son réseau 4G. En ce qui concerne les caractéristiques
techniques, la 1800 MHz présente des caractéristiques à mi-chemin entre la 800 MHz et la 2600
MHz : cela pénètre mieux que la 2600 MHz mais porte moins loin que du 800 MHz.
La modulation
La modulation utilisée dans le LTE est une modulation adaptative qui varie en fonction de la
distance qui sépare l’abonné de l’eNodeB. Chaque sous-porteuse est modulée à l'aide de
différents niveaux de modulation : QPSK (Quadrature Phase Shift Keying) (4QAM), 16-QAM
et 64-QAM (Quadrature Amplitude Modulation).
Figure 13: Modulation adaptative [18]
19
Par exemple, si les modulations disponibles sont le QPSK et le 16-QAM, dans le cas où
le canal est marqué comme bon, on utilisera la modulation 16-QAM, qui offre un meilleur débit
mais une plus faible robustesse. Par contre, si le canal est marqué comme dégradé, on utilisera
la modulation QPSK, permettant un débit plus faible, mais plus robuste (moins sensible aux
interférences). La modulation d’amplitude en quadrature (QAM) permet de doubler l’efficacité
de la modulation d’impulsion en amplitude en modulant les amplitudes des composants sinus
et cosinus de la porteuse.
Figure 14: Modulation QAM [18]
Techniques d’accès
La modulation en LTE est basée essentiellement sur l’utilisation de la technologie OFDM
et des technologies d'accès associés, OFDMA/SC-FDMA.
● OFDM (Orthogonal Frequency-Division Multiplexing):

Le multiplexage OFDM est une technique qui consiste à subdiviser la bande de transmission en
N sous canaux, conduisant à une augmentation de la durée symbole. C’est une technique de
modulation multi-porteuses à base de transformée de Fourier rapide qui permet de diviser le
flux de données à transmettre en N sous flux de données parallèles, qui seront transmis sur des
sous bandes orthogonales différentes. Cette technique permet d’offrir une grande efficacité au
niveau de l’utilisation du spectre et de la puissance grâce à l’utilisation de N sous-porteuses
orthogonales et très proche l’une de l’autre. De plus, l’augmentation de la durée symbole accroit
la robustesse de l’OFDM face au temps de propagation dû aux trajets multiples (NLOS : Non-
Line-of-Sight-propagation). D’autre part, une grande immunité contre les interférences inter-
symboles créée par la propagation NLOS est apportée par l’insertion d’un temps de garde
appelé aussi préfixe cyclique (CP : Cyclic Prefix). En effet, le symbole OFDM est allongé avec
ce préfixe qui doit être plus grand que le plus grand des retards qui apparaissent dans le canal.
20
Si un symbole d’une transmission précédente arrive en retard à cause de la propagation multi-

trajets, il entre en collision avec le CP du symbole actuel, et comme la taille du CP est suffisante,
cette collision ne peut pas affecter le reste du symbole, où il y a les informations utiles.
● OFDMA (Orthogonal Frequency Division Multiplexing Access):

Toujours côté radio, la 4G introduit, dans le sens descendant une nouvelle modulation,
l'OFDMA appelée également 'multi-carrier' (multi-opérateurs), déjà notamment utilisée en Wi-
Fi, en WiMax (Worlwide Interoperability for Microwave Access) et en xDSL. Elle offre une
meilleure efficacité spectrale, un faible temps de latence et résiste mieux aux interférences C’est
une technique hybride de l’OFDM, TDMA (Time Division Multiple Access) et FDMA
(Frequency Division Multiple Access). Elle permet d’augmenter le débit vu la diversité
fréquentielle et la robustesse multi-trajet. Cette technique de multiplexage d’accès consiste à la
répartition du signal sur des porteuses orthogonales pour transmettre le signal indépendamment
et à des fréquences différentes. LTE utilise la technique OFDMA en voie descendante car elle
nécessite une alimentation importante de l’amplificateur. Ceci ne pose pas de problème pour
une station de base fixe, mais cela n’est pas adapté à un émetteur alimenté par une batterie (cas
d’un terminal mobile). Pour cela, la LTE utilise en voie montante SC-FDMA qui est très
similaire à OFDMA, mais plus efficace en consommation d’énergie.
● SC-FDMA (Single Carrier- Frequency Division Multiple Access):

Le SC-FDMA offre des performances et une complexité globale similaires à l’OFDMA mais
utilise une technique de multiplexage fréquentiel à une seule porteuse.
La structure d’une trame LTE

Les trames LTE sont de 10 ms. Elles sont divisées en 10 sous- trames, chaque sous-
trame de longueur 1,0 ms. Chaque sous-trame est divisée en deux slots, chacun de 0,5 ms.
Un slot est composé de 6 ou 7symboles OFDM, selon que le préfixe cyclique normal ou
étendu est employé. Une sous-trame constitue un TTI (Transmission Time Interval) qui est
la durée minimale à allouer à un utilisateur. Dans le domaine fréquentiel, la plus petite unité
de ressource fréquentielle pouvant être allouée est appelée PRB (Physical Ressource Block)
qui correspond à 12 porteuses, soit 180KHz. Un nœud dans le réseau peut utiliser un certain
nombre de blocs de ressources [19].
21
Figure 15: Structure d'une trame LTE [19]
Les RBs sont alloués par paire consécutive. Une paire de RB dure à cet effet 1ms. Le
motif formé toutes les ms par une paire de RB s’appelle une sous-trame. Les données à
transmettre sont découpées en bloc de transport, qui seront transmis chacun sur une seule sous-
trame. La taille de ces blocs dépend du nombre de RB qui ont été alloués sur la sous-trame pour
cette transmission. Elle dépend également de la modulation, ou plus exactement du schéma de
modulation et de codage noté MCS (modulation and coding scheme). La sous-trame constitue
un TTI (transmission time interval), c’est-à-dire l’intervalle de temps de transmission
élémentaire pouvant être alloué à un UE. L’assemblage de dix sous-trames constitue une trame
radio.
Le spectre en LTE est flexible. Cette flexibilité est due à la modulation OFDM.
Le nombre total de PRBs par largeur de bande du canal dépend de la largeur de cette
dernière et le tableau ci-dessous résume ces données :
Tableau 2: Nombre de PRBs suivant la bande passante
Bande passante (Mhz) Nombre de PRBs
1.4 6
3.0 15
22
5.0 30
10 50
15 75
20 100
La plupart des réseaux sans fil sont utilisés dans des milieux ouverts provoquant ainsi
la réflexion du signal sur de nombreux obstacles (immeubles, montagne ...). L'ensemble de ces
réflexions provoque une multiplication des canaux de transmission qu'on appelle également
diversité spatiale. Cette diversité spatiale entraîne des interférences et donc des dégradations au
niveau du signal, et, une baisse de la portée de celui-ci. La technologie MIMO permet de régler
ce problème.
Le contrôle de la qualité de service

Le contrôle de la qualité de service est essentiel pour l’opérateur afin de garantir une
expérience satisfaisante à l’utilisateur. La technologie LTE offre des mécanismes dits de qualité
de service différenciée afin de faciliter la prise en compte des contraintes de services différents.
Les services mobiles peuvent être distingués selon deux critères principaux, souvent
intimement liés. Le service est-il temps-réel ou non temps-réel ? Le service tolère-t-il des
erreurs de transmission ? Ces caractéristiques de service impliquent une prise en charge
différenciée de la part du réseau. On comprend aisément que le traitement d’un appel voix
n’imposera pas les mêmes contraintes que le téléchargement d’un fichier. D’une manière
générale, les services temps-réel (par exemple, un appel voix ou un appel de streaming vidéo)
requièrent des délais de transmission courts mais peuvent tolérer des erreurs de transmission.
En revanche, les services non temps-réel (par exemple, un téléchargement de courrier
électronique ou de fichier) revêtent des contraintes de délais relâchées mais ne tolèrent pas
d’erreurs de transmission. La LTE a ainsi été conçue pour distinguer les services nécessitant un
débit garanti ou GBR (Guaranteed Bit Rate), des services ne requérant pas de débit garanti (non
GBR). La qualité de service en réseau dépend des facteurs suivants [20] :
● Débit (Throughput) : Vitesse à laquelle les paquets traversent le réseau. Le taux
maximum est toujours préféré ;
23
● Retard (Delay) : est le temps que prend un paquet pour voyager d'un bout à l'autre. Le
délai minimum est toujours préféré ;
● Taux de perte de paquets : Vitesse à laquelle un paquet est perdu. Cela devrait
également être aussi minimal que possible ;
● Taux d'erreur de paquet : Ce sont les erreurs qui sont présentes dans un paquet en
raison de bits corrompus. Cela devrait être aussi minimal que possible;
● Fiabilité : La disponibilité d'une connexion.
Lorsqu’on parle de qualité de service, il faut directement penser aux indicateurs de celle-
ci. Un indicateur est alors une valeur basée sur un ou plusieurs compteurs et qui est représentatif
des performances du réseau. Les indicateurs de qualité de service ont pour objectifs de :
● A partir de l’analyse des indicateurs identifier les défauts dans les éléments du sous-
système cœur et d'établir les actions correctives pour gérer la qualité de service ;
● Détecter et identifier les problèmes d’une cellule et aider les équipes d'optimisation à
analyser la situation et à définir les actions correctives (changement de fréquence,
ajustement d'un paramètre, ajout de carte de service. . .) ;
● Suivre des changements du sous-système cœur ;
● Prévoir le comportement du réseau selon l'évolution du trafic.
Ainsi, chaque type de réseau possède ses indicateurs clés de performance (Key
Performance Indicator). Ces indicateurs permettent d’évaluer la QoS des réseaux mobiles. Les
indicateurs clés de performance correspondent aux mesures donnant une information sur les
performances du réseau ou d'un processus. Les KPIs évaluent essentiellement le maintien de
l'appel, le volume de trafic, la qualité du service sur l'ensemble du réseau. Les KPIs permettent,
ainsi, de détecter les cellules en faute, les heures de pointe.
I.4. Le machine learning

Le machine learning (ou apprentissage automatique) est une application
de l'intelligence artificielle (IA) qui permet aux systèmes d'apprendre automatiquement et de
s'améliorer à partir de l'expérience sans être explicitement programmés. L'apprentissage
machine se concentre sur le développement de programmes informatiques qui peuvent accéder
aux données et les utiliser pour apprendre par eux-mêmes. Le processus d'apprentissage
commence par des observations ou des données, telles que des exemples, des expériences
directes ou des instructions, afin de rechercher des tendances dans les données et de prendre de
24
meilleures décisions dans l'avenir en fonction des exemples que nous fournissons. L'objectif
premier est de permettre aux ordinateurs d'apprendre automatiquement sans intervention ou
assistance humaine et d'ajuster les actions en conséquence. [21]
L'apprentissage automatique comporte généralement deux phases :
❖ La phase d’entraînement : généralement réalisée préalablement à l'utilisation pratique

du modèle, elle consiste à estimer un modèle à partir de données, appelées observations,
qui sont disponibles et en nombre fini, lors de la phase de conception du système.
L'estimation du modèle consiste à résoudre une tâche pratique, telle que traduire un
discours, estimer une densité de probabilité, reconnaître la présence d'un chat dans une
photographie ou participer à la conduite d'un véhicule autonome.
❖ La seconde phase correspond à la mise en production : le modèle étant déterminé,
de nouvelles données peuvent alors être soumises afin d'obtenir le résultat correspondant
à la tâche souhaitée. En pratique, certains systèmes peuvent poursuivre leur
apprentissage une fois en production, pour peu qu'ils aient un moyen d'obtenir un retour
sur la qualité des résultats produits.
Figure 16: fonctionnement de l’algorithme d’apprentissage automatique [22]
Les algorithmes d’apprentissage reposent sur des modèles qui peuvent être de nature
différente. Chaque algorithme d’apprentissage a ses propres spécificités et est plus ou moins
efficace selon la nature des tâches qu’il doit accomplir. Au-delà des types de modèles utilisés,
Il existe divers modes d’apprentissage en fonction des données dont on dispose pour entrainer
l’intelligence artificielle et de la réponse souhaitée ainsi que des usages envisagés, notamment
:
• L’apprentissage supervisé :
Les algorithmes d’apprentissage supervisé peuvent appliquer ce qui a été appris dans le passé à
de nouvelles données en utilisant des exemples étiquetés pour prédire les événements futurs. A
partir de l'analyse d'un ensemble de données connu, l'algorithme d'apprentissage produit une
fonction inférée pour faire des prédictions sur les valeurs de sortie. Le système est en mesure
25
de fournir des cibles pour toute nouvelle entrée après un entrainement suffisant. L'algorithme
d'apprentissage peut également comparer sa sortie avec la sortie correcte prévue et trouver des
erreurs afin de modifier le modèle en conséquence. On peut par exemple, créer une application
d'apprentissage automatique capable de faire la distinction entre plusieurs millions d'animaux,
en se basant sur des images et des descriptions écrites.[23]
Figure 17: Apprentissage supervise [23]
• L'apprentissage non supervisé :
En revanche, les algorithmes d’apprentissage automatique non supervisés sont utilisés lorsque
les informations ayant servi pour l’entraînement ne sont ni classées ni étiquetées.
L’apprentissage non supervisé étudie comment les systèmes peuvent déduire une fonction pour
décrire une structure cachée à partir de données non étiquetées. Le système ne trouve pas la
bonne sortie, mais il explore les données et peut tirer des inférences à partir d’ensembles de
données pour décrire des structures cachées à partir de données non étiquetées. Par exemple, à
partir d’images de visages de différentes personnes, l’algorithme construira un modèle
permettant de classer les visages dans différents groupes selon des critères qu’il aura lui-même
établi.
26
Figure 18: Apprentissage non supervisé [23]
• L’apprentissage par renforcement

L'apprentissage par renforcement est un modèle d'apprentissage comportemental. L'algorithme
reçoit un feedback de l'analyse des données et guide l'utilisateur vers le meilleur résultat.
L'apprentissage par renforcement diffère des autres types d'apprentissage, car le système n'est
pas formé avec un ensemble de données exemple. Au lieu de cela, le système apprend plutôt
par le biais d'une méthode d'essais et d'erreurs. Par conséquent, une séquence de décisions
fructueuses aboutit au renforcement du processus, car c'est lui qui résout le plus efficacement
le problème posé. [24]
Figure 19: Apprentissage par renforcement [24]
27
• Le deep learning et les réseaux de neurones

Cette méthode est spécifique à l'apprentissage automatique dans le sens où elle incorpore des
réseaux neuronaux en couches successives afin d'apprendre notamment à partir de données non
structurées de manière itérative. Les réseaux neuronaux complexes sont conçus pour émuler le
fonctionnement du cerveau humain (par exemple, la reconnaissance de différents visages) afin
de permettre aux ordinateurs de traiter des problèmes mal définis. Comme le montre la figure
20, un réseau neuronal se compose d'au moins trois couches : une couche d'entrée, une ou
plusieurs couches cachées en fonction de la complexité du problème et une couche de sortie.
Les données sont insérées dans la couche d'entrée, modifiées par la ou les couches cachées et
envoyées en fonction des pondérations appliquées sur la couche de sortie.[25]
Figure 20: Fonctionnement d’un réseau neuronal et de l'apprentissage profond [25]
En d'autres termes, l'apprentissage profond est une technique d'apprentissage automatique

qui utilise des réseaux de neurones hiérarchiques pour apprendre à partir d'une combinaison
d'algorithmes supervisés et non supervisés utilisant des données non étiquetées et non
structurées, et il est souvent appelé "une sous-discipline de l'apprentissage automatique".
I.4.1. Les algorithmes prédictifs
Les algorithmes prédictifs sont des modèles mathématiques conçus pour anticiper les
résultats futurs les plus sûrs en tenant compte des résultats survenus. Ils permettent d’obtenir
des scores prédictifs traduisant la probabilité de répondre favorablement à une requête. Pour
parvenir à nos fins, nous allons faire usage des modèles prédictifs.
Pour effectuer une prédiction, l’algorithme combine :
• Un modèle mathématique ;
28
• Une grande quantité de données qui permet au modèle d’apprendre du passé pour faire
des prédictions sur le futur.
Les prédictions se font sous forme de scores prédictifs traduisant soit une quantité attendue
soit une probabilité de survenance. Le calcul de ces scores se fait en tenant compte des
différents types de données.
I.4.2. Champs d’application des algorithmes prédictifs
• Dans l’univers de la santé :
En exploitant les informations médicales, il est plus facile d’établir un diagnostic de

l’état de santé d’un patient et de faire une anticipation des risques éventuels.
• La vente et le marketing :
Le marketing prédictif connaît un développement majeur ces dernières années. Les

recommandations faites aux clients sur Internet sont réalisées par des algorithmes prédictifs.
Durant la navigation, une collecte de données sur l’internaute est réalisée, particulièrement
son historique d’achats et de recherches. Selon ces informations, l’algorithme
pourra identifier les besoins de ce dernier et lui proposer des produits susceptibles de
l’intéresser. Les plateformes de diffusion de films utilisent cette technologie pour faire
des recommandations à chacun de leurs utilisateurs, en tenant compte de leur historique de
visionnage et de leurs goûts. Cela permet de personnaliser le service proposé en considérant
les spécificités de chaque client.
• La détection des fraudes:
Les algorithmes prédictifs sont également utiles dans un contexte de détection des fraudes.
L’utilisation de ces algorithmes rendant possible l’analyse de volumes de données importants
permet de mieux détecter des fraudes que ce soit sur des données historiques ou bien en temps
réel.[26]
I.4.3. Catégories d’algorithmes prédictifs
• La classification
Dans l’apprentissage automatique et les statistiques, la classification est le problème qui

consiste à identifier à quel groupe de catégories (sous-populations) une nouvelle observation
appartient, à partir d’un ensemble d’apprentissages contenant des données (ou instances) dont
29
l’appartenance à une catégorie est connue. Par exemple, attribuer un courrier électronique
donné à la classe "spam" ou "non-spam" et attribuer un diagnostic à un patient donné en fonction
des caractéristiques observées du patient (sexe, pression artérielle, présence ou non de certains
symptômes, etc.). La classification est considérée comme un exemple d’apprentissage supervisé
et de reconnaissance de formes, c’est-à-dire un apprentissage dans lequel un ensemble de
formations d’observations correctement identifiées est disponible. La procédure non supervisée
correspondante est connue sous le nom de clustering. Elle consiste à regrouper des données en
catégories en fonction d’une mesure de la similarité inhérente ou de la distance. Nous avons par
exemple les algorithmes SVM, naives bayes, KNN, etc.
• La régression
L’analyse de régression est largement utilisée pour la prévision, pour comprendre quelles
variables indépendantes sont liées à la variable dépendante et pour explorer les formes de ces
relations. Dans des circonstances restreintes, une analyse de régression peut être utilisée pour
déduire des relations de cause à effet entre les variables indépendantes et dépendantes. On
distingue entre autres des algorithmes tels que : SVR, arbres de décision, la régression linéaire,
les réseaux de neurones artificiels (ANN), etc.
• Le clustering ou regroupement
En clustering, la catégorie de l’objet est inconnue. Cependant, nous connaissons la règle à

classer (généralement basée sur la distance) et nous connaissons également les caractéristiques
(variables indépendantes) pouvant décrire la classification de l’objet. Il n’y a pas d’exemple de
formation pour examiner si la classification est correcte ou non. Ainsi, les objets sont assignés
à des groupes simplement basés sur la règle donnée. C’est le cas des algorithmes tels que : K-
means, FLAME, chaines de Markov, etc.
• Algorithmes de réseaux neuronaux artificiels
Ces algorithmes appliquent des algorithmes de régression et et de classification d'une manière

similaire aux réseaux neuronaux biologiques humains. Les exemples suivants sont des
exemples d'algorithmes de réseaux neuronaux artificiels : rétropropagation, réseau Hopfield,
perceptron, réseau à fonction de base radiale.[27]
30
Figure 21: Les algorithmes de prédiction
I.4.5. Apport de l’intelligence artificielle dans les réseaux de télécommunications
Les algorithmes d’apprentissage automatique sont d’une manière générale

particulièrement efficaces pour représenter et analyser des situations complexes lorsqu’une
quantité d’informations importante est disponible. Les réseaux de télécommunications sont des
objets complexes comprenant de nombreux composants avec de nombreux paramètres sur
lesquels il est possible d’agir, ce qui rend leur modélisation en vue de leur optimisation
complexe. Les réseaux de télécommunications génèrent également une quantité très importante
de données sur leur fonctionnement (notamment les données télémétrie, indicateurs de qualité
de service, taux de disponibilité…) permettant à leurs exploitants d’avoir une image précise de
leurs performances. Cette complexité et cette abondance de données ont naturellement conduit
les opérateurs et les équipementiers à s’intéresser aux techniques d’apprentissage automatique
pour optimiser le fonctionnement des réseaux.[28]
31
I.4.6. Choix des algorithmes utilisés
Le choix d’un algorithme pour l’entrainement d’un modèle prédictif ne se fait pas au
hasard. Tout dépend d’abord de la nature des données dont nous avons à disposition et de
l’objectif visé. Une analyse exploratoire est donc effectuée avant la création de tout modèle
pour décider quel algorithme utiliser. De plus, choisir un seul algorithme que ce soit en
apprentissage supervisé ou non supervisé peut produire des résultats imprécis car n’ayant pas
testé d’autres algorithmes qui pourraient être plus efficaces pour l’entrainement du modèle.
Pour avoir des résultats plus précis, nous allons utiliser 3 (trois) algorithmes de machine
learning d’apprentissage supervisé à l’instar de la régression linéaire, les réseaux de neurones
récurrents (LSTM) et les réseaux de neurones convolutifs. Pour l’implémentation de notre
solution, nous allons choisir le modèle le plus performant parmi ceux qui seront entrainés. Nous
nous attendons donc à un modèle efficace car se basant sur les données réelles extraites
directement du fonctionnement du réseau de l’opérateur CAMTEL.
I.5. Etude de l’existant

Les ressources RRC Connected sont des ressources qui permettent aux abonnés d’être
admis dans une cellule LTE afin de pouvoir passer en mode trafic. Elles sont ajoutées par
configuration manuelle aux licences qui sont installées dans chaque eNodeB à l’aide d’un
fichier excel qui contient le nombre qu’il faut allouer à chacun des eNodeB. Lorsqu’on ajoute
la licence pour un eNodeB, on ajoute également les ressources RRC dans la licence puis on les
installe dans le Network Element (NE). Quant à la quantité qu’il faut ajouter à un eNodeB, cela
dépend des cas :
• Si l’eNodeB est en cours de mise en service, l’équipe de planification doit faire
quelques études et analyses pour savoir quelle quantité allouer à l’eNodeB, par
exemple étudier la couverture, le débit, la latence, etc.
• Si l’eNodeB existe déjà et est en service, le client CAMTEL étudiera l’utilisation de
la licence par ses clients et quand le nombre de ressources est presque épuisé, il
passera un accord avec Huawei pour étendre sa licence et devra payer une somme
conséquente au nombre de licences qu’il souhaite obtenir.
C’est l’équipe de planification de Huawei qui est chargée de déterminer la quantité à
ajouter en plus. L’équipe de livraison quant à elle se chargera de gérer les configurations
nécessaires pour l’activation des licences RRC Connected sur les eNodeB. Pour cela, elle
utilise l’outil ESDL (propre à Huawei).
32
Le client CAMTEL peut donc exploiter ces ressources via la plateforme U2020 MBB
qui est la plateforme utilisée pour la supervision des réseaux 2G, 3G et 4G de CAMTEL. Elle
décrit l’architecture, la gestion des fonctions et les éléments réseaux supportés. Elle permet de
centraliser les opérations du centre d’exploitation et de maintenance et fournit un accès aux
éléments du réseau à travers le LMT (Local Maintenance Technical). La figure suivante
présente cette façon de faire :
Figure 22: Serveur U2020 MBB pour les opérations d’exploitation et de maintenance
Figure 23:plateforme U2020 MBB
I.6. Problématique
L’apprentissage automatique est un concept assez large et son implémentation complète
exige de comprendre bon nombre d’outils et de relever ses nombreux défis techniques. Cette
33
pratique est au centre de résolution de nombreux problèmes. L’objet de cette rubrique est donc
d’identifier le problème central ayant abouti à ce travail et la question qui en découle.
• Problème
L’opérateur CAMTEL pour avoir une vue globale du fonctionnement de son réseau utilise la
plateforme U2020, qui assure la supervision et la gestion centralisée de son réseau et permet
notamment d’effectuer des taches configuration sur les équipements pour le fonctionnement de
l’ensemble du réseau. Une des tâches effectuées l’allocation des ressources (RRC) aux eNodeB
du réseau. Les RRC étant donc sous licence de HUAWEI, l’opérateur CAMTEL se retrouve
buté par la licence où un nombre limité de licences est donné par HUAWEI sachant qu’il faut
les allouer à l’ensemble des eNodeB du réseau. On se retrouve donc à faire une allocation
statique c’est-à-dire que l’ingénieur alloue un nombre de ressources fixe à chaque eNodeB et il
devra fonctionner tel quelle. Avec l’allocation statique, un eNodeB peut être surchargé
(épuisement de ressources) à un niveau moins qu’un autre (20% contre 90% par exemple) ; une
entité a donc des ressources qu’elle n’utilise pas (sous-utilisation des ressources). Avec
l’augmentation de la charge dans les cellules, il s’en suit des saturations et on a des problèmes
au niveau de certains eNodeB. Premièrement l’accès aux ressources de communication est
restreint à certaines périodes car il n’y a plus de ressources disponibles pour satisfaire les
nouvelles demandes, deuxièmement le trafic est perdu ce qui traduit des pertes financières pour
l’opérateur, ce qui aurait pu être évité si on avait utilisé l’apprentissage pour voir le
comportement que le système peut avoir de telle sorte qu’un algorithme d’allocation basé sur
le temps, peut décider qu’à chaque heure fait une allocation.
• Question de recherche
Des problèmes susmentionnés, nous pouvons nous poser la question de savoir :
<<comment optimiser l’utilisation des ressources disponibles dans le réseau de
l’opérateur ?>> autrement dit, comment utiliser les avantages de l’intelligence artificielle pour
prédire exactement le nombre de ressources à allouer dynamiquement à un eNodeB ?
I.7. Objectifs
Pour répondre à la question soulevée précédemment, nous avons pour objectif principal
de mettre en place un modèle efficace de machine learning qui va prendre en entrée les données
de trafic des eNodeB et va prédire avec précision le nombre de RRC à allouer à chacun d’eux
à chaque heure pour assurer une allocation dynamique des ressources.
Objectifs spécifiques
34
Pour atteindre cet objectif nous allons :

➢ Étudier les algorithmes d’apprentissage automatique pour l’allocation de ressources ;
➢ Implémenter quelques algorithmes de Machine Learning, qui, en tenant compte d’un
certain nombre de paramètres (volume de données consommées, le user number,
nombre de PRBs, etc.) nous permettront de faire des prédictions, et par la suite d’assurer
une allocation des ressources de façon précise ;
➢ Et enfin développer une application web pour la visualisation des différents résultats.
I.8. Résultats attendus

Au terme de ce travail, nous nous attendons à pouvoir évaluer les performances
d’utilisation du modèle qu’on aura choisi pour l’allocation dynamique des ressources en LTE
chez l’opérateur CAMTEL par rapport aux autres modèles qu’on aura également implémenté.
Nous nous attendons également à des résultats d’allocation précis pour une utilisation
optimale des ressources.
I.9. Etat de l’art

Présenter l’état de l’art dans un domaine consiste à rechercher toutes les informations
existantes concernant le domaine mis en évidence et à en faire une synthèse. La problématique
sur l’allocation dynamique des ressources en LTE suscite beaucoup d’intérêt auprès
d’universitaires et de professionnels exerçant dans le domaine. Cette partie répond à la question
qu’est ce qui a déjà été fait. La littérature est assez vaste et variée. Nous avons pu recenser
quelques documents traitant des questions relatives à l’allocation des ressources dans un réseau
LTE et regorgeant les travaux suivants :
➢ Allocation de ressources inter-couches basée sur des algorithmes génétiques pour

les réseaux OFDM sans fil avec un trafic hétérogène (Nan Zhou, Xu Zhu and Yi
Huang, 2009) :
Deux méthodes proposées dans [29] sont l’algorithme génétique (GA) et l’algorithme
d’approximation linéaire séquentiel (SLAA), tous deux basés sur l’allocation de ressources
inter-couches (CLRA) pour la programmation multiutilisateur en liaison descendante pour trois
types de trafic : VoIP, débit binaire variable (VBR) vidéo et meilleur effort (BE). La technique
cross-layer implique l’information QoS qui est transférée du contrôleur de trafic à la sous
porteuse et l’allocation de puissance et les résultats sont alimentés pour le processus de
planification. La méthode GA maximise les capacités pondérées de somme du trafic hétérogène
à la couche PHY où les poids sont obtenus à partir de la couche MAC. GA offre une solution
35
globale optimale et SLAA ne génère que des solutions locales optimales. Le GA CLRA
surpasse le SLAA CLRA en termes de capacité du système, de débit total du trafic BE et de
retard moyen du trafic pour les services vidéo VBR et VoIP.
➢ Downlink MIMO with frequency-domain packet scheduling for 3GPP LTE (S.
Lee, S. Choudhury, A. Khoshnevis, S. Xu, S. Lu, 2009)
Le problème de la programmation des paquets dans le domaine fréquentiel a été analysé en [30]
où le système inclut le multiplexage par division spatiale (SDM) avec des techniques MIMO.
On propose ici deux méthodes avec des rétroactions full et half-channel (toutes deux avec SDM-
PF). La méthode avec rétroaction partielle de canal a des performances comparables à la
méthode de rétroaction complète de canal en termes de débit du système, mais la surcharge de
signalisation est réduite de 50%.
➢ Un schéma d’allocation de ressources inter-couches pour ICIC dans

LTEAdvanced (Z. Lu, Y. Yang, X. Wen, Y. Ju, W. Zheng, 2010)
La LTE-A introduit des caractéristiques importantes telles que la coordination entre les
eNBs (station de base LTE-A), la radio cognitive, la capacité et l’amélioration de la couverture.
Une méthode d’allocation de ressources inter-couches pour la coordination des interférences
inter-cellules (CIIC) dans LTE-A est analysée dans [31]. La coordination inter-eNB pour ICIC
utilise la théorie des jeux évolutionnaires pour éviter l’interférence des stratégies d’allocation
des ressources des cellules. L’optimisation de l’essaim de particules (PSO) est utilisée pour
trouver le meilleur schéma d’ordonnancement pour chaque bloc de ressources dans le cas
multicellules. Les résultats sont comparés avec les schémas de programmation RR, PF, max C/I
et MLWDF. L’allocation croisée des ressources améliore le débit du système de façon
remarquable et l’équité est garantie. La complexité temporelle de cette nouvelle approche est
déterminée par le prix de la solution anarchique. Avec ce paramètre, le schéma cross-layer basé
sur des jeux potentiels et l’algorithme PSO ne trouve la solution optimale qu’après 2 ou 3
itérations.
➢ Fairness Aware Downlink Scheduling Algorithm for LTE Networks (Bahreyni,

M. S., Naeini, V. S., 2014)
(Bahreyni, 2014) a proposé un nouvel algorithme de programmation pour les réseaux LTE qui
prend en charge les variations rapides des canaux et vise à augmenter la capacité du système
tout en maintenant l’équité lorsque le nombre d’utilisateurs actifs est supérieur au nombre de
36
RB existants. Cet algorithme a amélioré la performance des utilisateurs de bord de cellule en

fonction des préférences des utilisateurs qui ont moins de bande passante. Au cours de la
simulation, l’algorithme a comparé avec, Round Robin, Best CQI et Proportional Fair. Les
résultats montrent un bon niveau d’équité avec peu de diminution du débit de l’utilisateur et du
débit total du système, ce qui indique que cet algorithme est dédié à assurer un bon niveau
d’équité entre les utilisateurs, même si nous atteindrons le niveau minimum de QoS.
➢ Downlink Scheduler for a Carrier Aggregation LTE Advance Network with

Efficient Carrier Power Control (Chaudhuri, S., Baig, I., Das, D., 2016)
(Chaudhuri, 2016) a proposé un nouvel algorithme de programmation d’agrégation
d’entreprises fondé sur plusieurs objectifs pour le réseau LTE-A. L’objectif principal de
l’algorithme est d’obtenir une qualité de service optimale pour l’utilisateur et un meilleur niveau
d’équité en répartissant efficacement la puissance de transmission nécessaire aux transporteurs
de composants en fonction de la demande de qualité de service de l’utilisateur. Pour atteindre
cet objectif, l’algorithme proposé définit deux fonctions objectives : maximiser le débit des
cellules pour tous les utilisateurs toutes les millisecondes et minimiser l’allocation de puissance,
et tenter de résoudre ce problème d’optimisation en utilisant le principe min-max [34]. Les
résultats de la simulation révèlent que l’algorithme proposé donne un plus faible gain de débit
cellulaire de deux fois comparativement à Round Robin (RR), Cross-CC User Migration
(CUM) [35], Efficient Packet Scheduling (EPS) [36], il permet également d’obtenir la meilleure
efficacité énergétique en matière d’utilisation et de planification du PRB par rapport au RR.
➢ A Q-learning-based Scheduler Technique for LTE and LTE-Advanced Network

(Souhir Feki, Faouzi Zarai1 and Aymen Belghith, 2017)
Souhir, Faouzi et Aymen proposent un nouvel algorithme de programmation dynamique basé
sur le « Q -learning» (QLSA) pour la transmission en liaison descendante dans le réseau
cellulaire LTE et LTE-A basé sur l’algorithme d’apprentissage Q et adaptable aux variations
des conditions de canal. L’objectif principal de l’algorithme proposé est de faire un bon
compromis entre l’équité et le débit et de fournir une garantie de qualité de service (QoS) aux
services de débit garanti (GBR). Les performances de QLSA sont comparées aux algorithmes
de planification existants et les résultats de simulation montrent que QLSA proposé offre le
meilleur compromis en termes d’équité/de débit. Chacune des méthodes d’ordonnancement
susmentionnées est utilisée tout au long de la transmission. Chaque transmission contient un
nombre fini de TTI. Par conséquent, la performance de l’ordonnancement dépend fortement de
37
la règle d’ordonnancement exploitée et des mesures de rendement adoptées. Et puis apparaît

naturellement la question suivante : Peuton utiliser des règles différentes au lieu d’une règle
adoptée sur l’ensemble de la transmission ? La réponse est « oui » et chaque règle doit
correspondre aux meilleures conditions. Il est nécessaire d’adopter une politique de
programmation par laquelle chaque TTI peut travailler avec des règles simples.
➢ Les auteurs dans Habaebi et al. ont présenté une comparaison de trois algorithmes
d'ordonnancement à savoir : RR, best CQI et PF schedulers. Les performances des
algorithmes d'ordonnancement sur la liaison descendante ont été mesurées en termes de
débit et de taux d'erreur sur les blocs (BER) à l'aide d'un simulateur de niveau système
basé sur MATLAB. Les résultats ont indiqué que l’algorithme Best CQI fonctionnait
mieux que les autres en termes de niveaux de débit, mais au détriment de l'équité envers
les autres utilisateurs souffrant de mauvaises conditions de canal.
➢ Dans Capozzi et al. (2013), les auteurs ont fourni une étude approfondie des stratégies
d'allocation de paquets de liaison descendante pour les réseaux LTE. La tâche de gestion
des ressources radio (RRM) a été effectuée par le planificateur de paquets, qui distribue
les ressources radio entre les utilisateurs de manière efficace en tenant compte des
conditions de canal variables. Le document a comparé les algorithmes de planification
avec un accent particulier sur la fourniture de QoS.
I.10. Contribution du mémoire

A l’issue de la présentation de l’état de l’art, nous avons remarqué qu’aucun des travaux
précédents ne traite réellement de l’allocation dynamique des ressources aux eNodeB en LTE.
Toutes les taches d’allocation se concentrent sur l’utilisateur final (UE) et ne se contentent que
de leur allouer les ressources en fonction de l’état du canal radio tout en leur permettant
d’accéder aux différents services avec une meilleure QoS. Pour aller dans le même sens que le
contexte évoqué au début de notre travail où le nombre d’abonnés au réseau 4G ne cesse de
croitre, notre solution, contrairement aux approches évoquées dans l’état de l’art vise à prédire
et à allouer dynamiquement les ressources aux eNodeB en utilisant un algorithme d’allocation
intelligent. L’algorithme d’intelligence artificielle va utiliser les données réelles extraites du
fonctionnement du réseau de l’opérateur pour pouvoir prédire plus précisément le nombre de
ressources qu’il faut allouer à chaque eNodeB pendant une période horaire afin qu’il puisse
38
assurer les demandes d’accès aux ressources de communication par les utilisateurs dans les
cellules, en vue également de réduire les de pertes de trafic observées.
Conclusion
Dans ce chapitre, nous avons présenté, le contexte technologique dans lequel s’inscrit
ce mémoire, les différentes technologies des réseaux d’accès radio, le réseau 4G et la
technologie LTE et le machine learning. Nous avons également présenté le problème à résoudre
à travers ce thème, les résultats attendus qui se résument en la mise en place d’un modèle de
machine learning pour l’allocation dynamique des ressources en LTE et enfin l’état de l’art des
travaux existants. Dans le chapitre suivant, il sera question pour nous de présenter la
méthodologie de travail qui sera adoptée pour la mise en place de notre solution.
39
CHAPITRE II :
METHODOLOGIE
40
Introduction
Dans ce chapitre, nous allons décrire la manière dont la combinaison de plusieurs

algorithmes que nous aurons choisis sera étudiée pour prédire avec précision le nombre de
ressources à allouer à nos eNodeB à chaque heure. Plus précisément, nous allons présenter les
algorithmes utilisés, les modèles y afférents, l’implémentation de ces algorithmes étape par
étape, les critères d'évaluation qui nous permettront de déterminer la précision et l'exactitude
du modèle et en enfin les outils et technologies utilisés pour leur mise en œuvre.
II.1. Conception du modèle

Il s’agit ici de comprendre le problème que nous voulons résoudre. L’objectif principal
est de mettre en place un modèle capable de prédire avec précision le nombre de ressources qui
vont être allouées dynamiquement aux eNodeB du réseau à chaque heure de leur
fonctionnement. Pour cela, nous allons utiliser les données obtenues à partir du fonctionnement
de ces mêmes eNodeB et effectuer les traitements nécessaires avant d’entrainer notre modèle
afin d’obtenir des meilleures prédictions. Étant donné que ces données sont étiquetées, nous
avons affaire à une tâche d’apprentissage supervisé. Les étapes ci-dessous résument le
processus.
Figure 24: schéma simplifié de notre modèle de prédiction
Pour la modélisation de notre solution, nous avons subdivisé le travail en 3 grandes étapes à
savoir :
• Prétraitement : Cette étape a pour but de pouvoir convertir les données brutes
recueillies du réseau en format exploitable par nos algorithmes ;
41
• Entrainement et évaluation : cette étape va consister à former notre modèle pour qu’il
s’adapte aux données d’entrée et également évaluer ses performances ;
• La prédiction : Après avoir entrainé notre modèle, nous allons l’utiliser pour prédire
les valeurs des ressources qu’il va falloir allouer à chaque eNodeB.
Ci-dessous nous expliquons en profondeur, à travers la figure, notre modèle d’allocation

des ressources (RRC). A l'étape de prétraitement, nous avons les données d'entrée qui
s’intègrent ; elles sont ensuite utilisées par le modèle pour l’entrainement qui comprend le choix
du modèle et le paramétrage. Ce processus est d’abord descriptif pour générer de la
connaissance, en expliquant pourquoi les choses se sont passées. Il devient ensuite prédictif en
expliquant ce qui va se passer, puis prescriptif en permettant d’optimiser une situation future.
Après le prétraitement, les données d'entrée prétraitées sont divisées en trois groupes : un
groupe est utilisé pour la formation, un autre pour la validation et l'autre groupe est utilisé pour
tester l'exactitude du modèle qui distinguera les étiquettes des valeurs prédites.
Figure 25: schéma détaillé du modèle de prédiction
42
II.2. Collecte et préparation des données

II.2.1. Collecte des données
Pour travailler avec des projets d'apprentissage automatique, nous avons besoin d'une
importante quantité de données, car, sans les données, on ne peut pas former de modèles
ML/AI. La collecte et la préparation de l'ensemble de données sont l'une des parties les plus
importantes lors de la création d'un projet ML/AI.
Pour ce qui est de la collecte, il est à signaler que notre modèle analyse les données des
KPIs issus du fonctionnement des eNodeB du réseau de CAMTEL. Toutes les données générées
par les eNodeB sont ensuite envoyées dans la plateforme iMaster U2020 (figure 26) chargée
de recueillir et visualiser les différents indicateurs de performance (KPIs) des différentes
technologies des réseaux mises en place par l’opérateur, notamment ceux de la LTE, en ce qui
nous concerne. Pour notre étude, nous avons obtenu deux fichiers de KPIs dont l’un avec 91719
lignes et l’autre de 83478 lignes. Ces deux fichiers constituent ce que l’on appelle couramment
dataset (jeu de données en français). En vue de développer notre modèle dans un
environnement meilleur, nous avons obtenu une dérogation spéciale pour pouvoir accéder aux
données du réseau de l’opérateur CAMTEL.
Figure 26: plateforme iMaster U2020 MBB
La figure ci-dessous montre comment les données générées sont récupérées pour être
exploitées :
43
Figure 27: collecte des données
II.2.2. La préparation des données
Il s’agit ici de comprendre, d’analyser et de retenir les données qui seront utilisées pour
la construction de notre modèle de prédiction basé sur les algorithmes de régression linéaire, de
réseaux de neurones convolutifs (CNN) et de LSTM. La technologie appliquée derrière tout
projet d’apprentissage automatique ne peut pas fonctionner correctement si l'ensemble de
données n'est pas bien préparé et prétraité.
✓ Description des données :

Les données des KPIs du réseau 4G que nous avons prélevées sont sous format .csv (séparateur
point-virgule) ; nous avons deux fichiers dont le 1er contient les KPIs du mois de Juillet 2022
et avec les champs suivants :
Tableau 3: Champs des KPIs 4G LTE
‘Time’ ‘L.Traffic.ActiveUser.Avg’
‘eNodeB Name’ ‘L.Traffic.ActiveUser.Max’
‘Integrity’ ‘L.Traffic.User.Avg’
‘4G/LTE DL Traffic Volume (GB)’ ‘L.Traffic.User.Max’
‘4G/LTE UL Traffic Volume (GB)’ ‘Call Drop Rate (All) (%)’
‘4G Data Volume (Gbit)’ ‘Service Drop Call Times’
44
‘4G/LTE DL traffic Volume (GB)’ ‘Service Drop Rate (All)’
‘Ave 4G/LTE DL User Thrput (ALL) ‘Handover In Success Rate (%)’
(kpbs)’
‘Inter-frequency Handover Out
‘Ave 4G/LTE UL User Thrput (ALL) Success Rate (%)’
(kpbs)’
‘Intra-frequency Handover Out
‘Cell Traffic Volume DL (Gbit)’ Success Rate (%)’
‘Cell Traffic Volume_UL (Gbit)’ ‘Call Setup Success Rate (VoIP)’
‘DL Traffic Volume’ ‘RRC Setup Success Rate (%)’
‘PS Traffic (kbit)’ ‘Service Setup Success Rate (ALL)’
‘Total Traffic (kbit)’ ‘Avg_Active_Users’
‘UL Traffic Volume’ ‘CSFB Success Rate (%)’
‘Traffic Volume (GB)’ ‘E-RAB Setup Success Rate (%)’
‘#4G/LTE Average Reported CQI (%)’ ‘Radio Network Availability Rate (%)’
‘#4G/LTE Call Setup Success Rate (%)’ ‘Inter-Frequency HOSR (%)’
‘L.Traffic.eNodeB.FDD.User.Max’ ‘Intra-Frequency HOSR (%)’
Le deuxième fichier quant à lui contient les données des Physical Resource Block
(PRBs) toujours du mois de juillet 2022 qui, quant à eux traduisent l’utilisation du trafic voix
dans la 4G. Le tableau ci-dessous présente les différents champs présents.
Tableau 4: PRBs Juillet 2022
‘Time’
‘eNodeB Name’
45
‘Integrity’
‘L.ChMeas.PRB.UL.Used.Avg’
‘L.ChMeas.PRB.DL.Used.Avg’
La description des différents champs se trouve dans les tableaux suivants :
Tableau 5: Description des champs KPIs
Élément Description
Time Date de génération du KPI
ENodeB Name Nom de l’eNodeB (site)
4G/LTE DL Traffic Volume (GB) Volume de trafic LTE en GigaOctets

généré par les utilisateurs en Downlink
4G/LTE UL Traffic Volume (GB) Volume de trafic LTE en GigaOctets

généré par les utilisateurs en Uplink
‘4G Data Volume (Gbit)’ Volume de données 4G total
Ave 4G/LTE DL User Thrput (ALL) Moyenne de debit obtenu par tous les
(kpbs) utilisateurs 4G en kilobits/sec en

Downlink
Ave 4G/LTE UL User Thrput (ALL) Moyenne de debit obtenu par tous les
(kpbs)’ utilisateurs 4G en kilobits/sec en Uplink
46
Cell Traffic Volume DL (Gbit) Volume de trafic généré par une cellule en
Gigabits en downlink
Cell Traffic Volume DL (Gbit) Volume de trafic généré par une cellule en
Gigabits en Uplink
RRC Setup Success Rate (%) Taux d’établissement avec succès des
RRC (KPI) d’accessibilité au réseau
Avg_Active_Users’ Nombre moyen d’utilisateurs actifs dans la

cellule
L.Traffic.ActiveUser.Max Nombre maximal d’utilisateurs actif en

mode trafic
L.Traffic.User.Max Nombre d’utilisateurs connectés en

simultané
Tableau 6: Description des champs de PRBs
Élément Signification
Time Date de génération de la donnée
ENodeB Name Nom de l’enodeB associé
Integrity Taux d’intégrité de la donnée
47
L.ChMeas.PRB.UL.Used.Avg Nombre moyen de Physical Resources

Block utilisés en Uplink
L.ChMeas.PRB.DL.Used.Avg Nombre moyen de Physical Resources

Block utilisés en Downlink
✓ Exploration des données

Ici, il s’agit parcourir les données telles qu’elles ont été collectées et de présenter les relations
entre les différents champs présents. La figure ci-dessous présente quelques-uns des champs de
notre jeu de données :
Figure 28: Quelques KPIs de la 4G
✓ Sélection des caractéristiques (features)

C’est un processus de préparation des données brutes et de leur adaptation à un modèle
d'apprentissage automatique. C'est la première étape cruciale lors de la création d'un modèle
d'apprentissage automatique. Nous allons donc :
• Supprimer les valeurs manquantes dans certaines colonnes : nous avons supprimé les
lignes avec les valeurs NaN dans notre dataset avec la fonction dropna comme le
montre la figure suivante :
48
Figure 29: fonction dropna pour la suppression des lignes indésirables
Le deuxième fichier n’avait pas de valeur NaN, donc pas d’opération à ce niveau. Nous
obtenons suite à ce traitement un jeu de données de 38 colonnes et 83411 lignes.
Figure 30: jeu de données avec 38 colonnes
• Sélectionner ensuite les colonnes mettant en évidence l’utilisation des ressources par les
abonnés et la consommation des données par ces derniers. Pour cela, nous avons
supprimé toutes les colonnes qui ne nous seront pas utiles pour l’entrainement de notre
modèle à l’aide de la fonction python drop, disponible avec la bibliothèque pandas :
Figure 31: fonction drop pour la suppression des colonnes indésirables.
À l’issu de ce traitement, nous avons obtenu un jeu de données de dix (10) colonnes.
49
Figure 32: jeu de données après traitement 1
Pour le deuxième fichier, nous avons supprimé trois colonnes et gardé les deux colonnes
utiles pour l’entrainement de notre modèle :
Figure 33: fonction drop pour la suppression des colonnes indésirables du fichier 2
Le jeu de données obtenu est le suivant :
Figure 34: jeu de données après traitement
• Nous avons retenu un total de 12 colonnes dans les deux fichiers que nous avions. Le
tableau ci-dessous présente les features que nous avons retenus pour l’entrainement de
notre modèle :
Tableau 7: Features retenus pour l'entrainement du modèle
Time
ENodeB Name
L.Traffic.User.Max
Cell Traffic Volume DL (Gbit)
Cell Traffic Volume UL (Gbit)
Traffic Volume (GB)
50
#4G/LTE DL Traffic Volume (GBytes)(GB)
#4G/LTE UL Traffic Volume (GBytes)(GB)
PS Traffic
L.ChMeas.PRB.DL.Used.Avg
L.ChMeas.PRB.UL.Used.Avg
• Pour terminer, nous avons fusionné les deux jeux de données pour obtenir nos 12
features ainsi qu’il suit :
Figure 35: Concaténation des deux fichiers
La figure suivante montre un aperçu du dataset final :
Figure 36: Dataset final
Nous obtenons un fichier exploitable de 12 colonnes et 75706 lignes pour entrainer notre
modèle.
51
Figure 37: Lignes/Colonnes du Dataset final
II.2.3. Présentation des algorithmes et modèles utilisés
II.2.3.1. Le modèle linéaire
La modélisation linéaire par le modèle le plus élémentaire est la régression linéaire où une
variable X est expliquée, modélisée par une fonction affine d’une autre variable y. La finalité
d’un tel modèle est multiple et dépend donc du contexte et surtout des questions sous-jacentes.
Cela peut-être juste une approche exploratoire ou alors la recherche d’une réponse à une
question du type : une variable quantitative X (par exemple la concentration d’une molécule)
a-t-elle une influence sur la variable quantitative Y (par exemple une culture bactérie ?) Ou
enfin la recherche d’un modèle de prévision de Y en fonction de X. On distingue la régression
linéaire simple, dans laquelle une seule variable indépendante/prédictive (X) est utilisée pour
modéliser la variable de réponse (Y) ; mais il peut y avoir divers cas dans lesquels la variable
de réponse est affectée par plus d'une variable prédictive ; dans de tels cas, l'algorithme de
régression linéaire multiple est utilisé. De plus, la régression linéaire multiple est une extension
de la régression linéaire simple car il faut plus d'une variable prédictive pour prédire la variable
de réponse.[41]
• Notation simple ou scalaire : considérons le modèle pour un individu 𝑖, pour chaque

individu, la variable expliquée 𝑦𝑖 s’écrit comme combinaison linéaire des variables
explicatives 𝑥𝑖,𝑗
𝑦𝑖 = 𝛽0 + 𝛽1 𝑥𝑖,1 + ⋯ + 𝛽𝐾 𝑥𝑖,𝐾 + 𝜖𝑖 (1)

𝑜ù 𝑦𝑖 𝑒𝑡 𝑙𝑒𝑠 𝑥𝑖,𝑗 𝑠𝑜𝑛𝑡 𝑓𝑖𝑥𝑒𝑠 𝑒𝑡 𝜖𝑖 𝑟𝑒𝑝𝑟é𝑠𝑒𝑛𝑡𝑒 𝑙′𝑒𝑟𝑟𝑒𝑢𝑟
• Notation vectorielle : elle est pratique lorsqu’il y’a un grand nombre de variables
explicatives. On définit 𝛽 le vecteur des paramètres du modèle (𝛽0 , … , 𝛽𝐾 ) et 𝑥𝑖 le
vecteur des variables explicatives pour l’individu 𝑖. Le modèle se réécrit alors de la
manière suivante :
𝑦𝑖 = 𝑥𝑖′ 𝛽⃗ + 𝜖𝑖 (2)
52
➢ L’algorithme de régression linéaire
La méthode de régression linéaire consiste à représenter une série sous forme d’une droite.
Elle est basée sur le principe de nuage de points plus ou moins rectiligne. Ainsi, trouver la droite
d’équation qui minimise les distances qui séparent les points revient à déterminer deux
paramètres principaux qui caractérisent cette droite. Ces paramètres sont la pente et l’ordonnée
à l’origine de la droite. Ainsi, on peut l’exprimer par l’équation de la droite suivante :
𝑌 = 𝑎𝑋 + 𝑏 (3)
𝐶𝑜𝑣(𝑋,𝑌)
• Avec pente de la droite : 𝑎 = (4)
𝑉𝑎𝑟(𝑋)
∑𝑛 𝑋𝑖 .𝑌𝑖
• 𝐶𝑜𝑣(𝑋, 𝑌) = 𝑖=1
− 𝑋. 𝑌 (5)
𝑛
∑𝑛 𝑋𝑖2
• 𝑉𝑎𝑟(𝑋) = 𝑖=1
− 𝑋2 (6)
𝑛
Avec 𝑋 𝑒𝑡 𝑌 𝑙𝑒𝑠 𝑚𝑜𝑦𝑒𝑛𝑛𝑒𝑠 𝑟𝑒𝑠𝑝𝑒𝑐𝑡𝑖𝑣𝑒𝑠 𝑑𝑒 𝑋 𝑒𝑡 𝑑𝑒 𝑌

• 𝑏 = 𝑌 − 𝑎𝑋 (7)
Figure 38: Algorithme de régression linéaire
II.2.3.2. Le modèle neuronal
Un réseau de neurones, ou réseau neuronal artificiel, est un système dont la conception

est à l'origine schématiquement inspirée du fonctionnement des neurones biologiques, et qui
53
par la suite s'est rapprochée des méthodes statistiques. C’est aussi un ensemble de neurones
formels interconnectés permettant la résolution de problèmes complexes tels que la
reconnaissance des formes ou le traitement du langage naturel, grâce à l'ajustement des
coefficients de pondération dans une phase d'apprentissage [42].
a. Architecture du réseau neuronal
Un réseau neuronal communément appelés des réseaux de neurones artificiels est

une imitation simple des fonctions d’un neurone dans le cerveau humain pour résoudre des
problématiques d’apprentissage machine (Machine Learning). Il s’inspire du fonctionnement
des neurones biologiques et prend corps dans un ordinateur sous forme d'un algorithme. Le
réseau neuronal peut se modifier lui-même en fonction des résultats de ses actions, ce qui
permet l'apprentissage et la résolution de problèmes. Au sein du réseau, les neurones sont
structurés par couches. Il n'y a pas de connexion entre les neurones d'une même couche et les
connexions ne se font qu'avec les neurones de la couche suivante comme sur la figure ci-dessous
:
Figure 39: Architecture du réseau de neurones [43]
● Unité de la couche d’entrée : La première couche est appelée couche d'entrée. Elle
recevra les données source que l'on veut utiliser pour l'analyse. Dans le cas de l'aide au
diagnostic médical, cette couche recevra les symptômes. Sa taille est donc directement
déterminée par le nombre de variables d'entrées.
● Unité de la couche cachée : La seconde couche est une couche cachée, en ce sens
qu'elle n'a qu'une utilité intrinsèque pour le réseau de neurones et n'a pas de contact
direct avec l'extérieur. Les fonctions d'activations sont en général non linéaires sur cette
couche mais il n'y a pas de règle à respecter. Le choix de sa taille n'est pas implicite et
54
doit être ajusté. En général, on peut commencer par une taille moyenne des couches
d'entrée et de sortie mais ce n'est pas toujours le meilleur choix. Il sera souvent
préférable pour obtenir de bons résultats, d'essayer le plus de tailles possibles.
L'activation de chaque neurone se fait selon le calcul suivant :
𝑎𝑗 = ∑𝑝𝑖=1 (𝑊𝑗𝑖 𝑥𝑖 ) (8)
Avec p désignant le nombre de neurones de la couche précédente, xi étant l’ensemble
formé à l’entrée, et wji étant le poids et enfin aj étant la valeur de sortie.
● Unité de la couche de sortie : La troisième couche est appelée couche de sortie. Elle
donne le résultat obtenu après compilation par le réseau des données en entrée dans la
première couche. Dans le cas de l'aide au diagnostic médical, cette couche donne le
diagnostic. Sa taille est directement déterminée par le nombre de variables qu'on veut
en sortie [42].
b. Le fonctionnement du réseau neuronal
Le concept de réseau de neurones repose sur trois étapes principales :

● Pour chaque neurone dans une couche, multiplier la valeur d’entrée par le poids.
● Ensuite, pour chaque couche, additionner toutes les pondérations des neurones et ajouter
un biais.
● Enfin, appliquer la fonction d’activation sur cette valeur pour calculer une nouvelle
sortie.
Figure 40: Esquisse du fonctionnement d'un réseau de neurones [42]
55
Soit X1, X2, …, Xn les n neurones de la couche d’entrée, Z1, …, Zm les m neurones de
la couche cachée et Y1, ..., Yp les p neurones de la couche de sortie. Soit 1 la valeur de biais
des couches d’entrée et caché. Et soit Wij et Vij les poids synaptiques, respectivement entre la
couche d’entrée et la couche cachée, et entre la couche cachée et celle de sortie.
Chacun des neurones Xn de la couche d’entrée (ainsi que le biais) entre dans chacun des m
neurones de la couche cachée et pareil pour la couche suivante (voir schéma ci-dessus). Pour
obtenir une valeur de sortie d’un neurone, le processus est le suivant :
● Chaque neurone est associé à un poids synaptique. Lorsqu’une donnée d’entrée entre
dans un neurone, le poids sur le neurone est multiplié par sa valeur d’entrée ;
● Ainsi on calcule la somme des poids multipliés par les valeurs d’entrée à laquelle on
ajoute le biais ;
● Enfin, une fonction d’activation (voir ci-dessous) est appliquée à cette somme pondérée.
Cette valeur de sortie d’un neurone peut ensuite être renvoyée aux neurones de la couche
suivante.
Comme son nom l’indique, la fonction d’activation est une formule mathématique
(algorithme) activée dans certaines circonstances. Lorsque les neurones calculent la somme
pondérée des valeurs d’entrée + le biais, elles sont transmises à la fonction d’activation, qui
vérifie si la valeur calculée est supérieure au seuil requis.
Si la valeur calculée est supérieure au seuil requis, la fonction d’activation est activée et une
valeur de sortie est calculée.
Cette valeur de sortie est ensuite transmise aux couches suivantes ou précédentes (en
fonction de la complexité du réseau), ce qui peut aider les réseaux de neurones à modifier le
poids de leurs neurones.
Figure 41: Schéma détaillé du fonctionnement d'un réseau neuronal [43]
56
c. Les différents types de fonctions d’activation
Il existe un grand nombre de fonctions d’activation, telles que :

● Sigmoïde : produit une courbe en forme de S. Bien que de nature non linéaire, il ne tient
toutefois pas compte des légères variations des entrées, ce qui entraîne des résultats
similaires ;
● Fonctions de tangente hyperbolique (tanh) : Il s’agit d’une fonction supérieure
comparée à Sigmoid. Cependant, elle rend moins bien compte des relations et elle est
plus lente à converger ;
● Unité linéaire rectifiée (ReLu) : Cette fonction converge plus rapidement, optimise et
produit la valeur souhaitée plus rapidement. C’est de loin la fonction d’activation la plus
populaire utilisée dans les couches cachées ;
● Softmax : utilisé dans la couche de sortie car il réduit les dimensions et peut représenter
une distribution catégorique ;
● La fonction ELU (Exponential Linear Unit) : Autre dérivée de la ReLU. Celle-ci va
approcher les valeurs moyenne proche de 0, ce qui va avoir comme impact d’améliorer
les performances d’entrainements. Elle utilise exponentiel pour la partie négative et non
plus une fonction linéaire. Elle parait plus performante en expérimentation que les autres
Relu. Pas de soucis de neurone mort.
Figure 42: Les différentes fonction d'activation [44]
Pour la construction de notre modèle, nous avons utilisé la fonction d’activation Relu à
cause des avantages qu’elle offre par rapport aux autres fonctions.
57
d. Les différents types de réseaux de neurones

On distingue différents types de réseaux de neurones. En règle générale, les Neural
Networks sont catégorisés en fonction du nombre d’épaisseurs qui séparent l’entrée de données
de la production du résultat, en fonction du nombre de nœuds cachés du modèle, ou encore du
nombre d’entrées et de sorties de chaque nœud.
En fonction du type de réseau, la propagation des informations entre les différents tiers
de neurones peut varier [45].
❖ Dans la variante la plus simple, celle du réseau de neurones dit feed-forward, les
informations passent directement de l’entrée aux nœuds de traitement puis aux
sorties ;
❖ Les réseaux de neurones récurrents, quant à eux, sauvegardent les résultats produits
par les nœuds de traitement et nourrissent le modèle à l’aide de ces résultats. Ce mode
d’apprentissage est un peu plus complexe. En raison de la capacité de modélisation
séquentielle et temporelle, le réseau neuronal récurrent (RNN) a été appliqué avec
succès à de nombreuses pratiques difficiles, telles que le traitement du langage
naturel, la prévision des trafic et prédiction de la densité des foules Cependant, le
RNN traditionnel souffre parfois de la question du gradient de disparition et
d'explosion car le RNN ne pouvant plus être entraîné correctement perd
inévitablement de ses performances .Pour régler efficacement ces paramètres dès les
premières couches , il faudrait beaucoup de temps et de ressources informatiques
coûteuses. C’est dans cette optique que s’inscrit une variante de RNN, appelée modèle
LSTM (Long short-term memory), a été conçue, qui utilise les cellules de mémoire
avec différentes portes pour conserver les informations utiles pour les dépendances à
long terme.[46]
❖ Enfin, les réseaux de neurones convolutifs qui reposent sur des filtres de
convolution (matrices numériques). Les filtres sont appliqués aux entrées avant que
celles-ci ne soient transmises aux neurones. Ils sont de plus en plus utilisés dans
différents domaines : reconnaissance faciale, numérisation de texte, traitement naturel
du langage…
Pour obtenir des résultats suffisamment précis nous avons entrainé trois modèles basés sur
trois algorithmes différents dont la régression linéaire et les réseaux de neurones à savoir les
réseaux de neurones convolutifs et les longues mémoires à court-terme (LSTM).
58
Figure 43: Récapitulatif des algorithmes utilisés
Pour juger de la fiabilité des résultats fournis par notre application, les critères
d’évaluation que nous aurons définis par la suite pourront nous dire lequel de ces modèles est
le plus adéquat pour cela.
II.3. Construction et entrainement du modèle

Il est question ici pour nous de présenter comment nous avons procédé pour mettre en
place notre modèle. Nous avons utilisé la plateforme suivante pour entrainer nos trois modèles.
En annexe, on peut retrouver le code source d’entrainement.
Figure 44: Plateforme google colab pour l'entrainement du modèle
II.3.1. Séparation du jeu de données
Après avoir nettoyé les données, la prochaine étape consiste à diviser notre jeu de
données en 3 groupes :
• 70% du jeu de données pour l’entrainement du modèle ;
• 20% pour la validation du modèle ;
• Et 10% pour le tester et le valider s’il est performant.
59
Figure 45: Séparation des données
II.3.2. Normalisation des données
C'est une technique pour normaliser les variables indépendantes de l'ensemble de

données dans une plage spécifique. Nous plaçons ainsi nos variables dans la même plage et
dans la même échelle afin qu'aucune variable ne domine l'autre variable. Nous avons fait cela
pour toutes nos variables:
Figure 46: Normalisation des données
Figure 47: Données normalisées
60
II.3.3. Recherche des dépendances entre les données
Ici nous cherchons à savoir si le user number (LTE Traffic User Max) qui est relatif
au nombre de RRC que nous cherchons à prédire dépend des paramètres tels que : le volume
de trafic, le volume de trafic par cellule, le nombre de PRBs, le volume de données
consommées en downlink, le trafic de données paquets.
Figure 48: Recherche des dépendances entre les variables
On constate que notre variable cible (user number) dépend fortement du volume
trafic en downlink, du volume de trafic total, du trafic de données paquets et du volume de
trafic par cellule. On peut donc confirmer que dès lors qu’on aura un modèle précis, les
résultats de prédiction seront également bien réels car notre cible dépend fortement des
données de trafic
II.4. Test et validation du modèle.

Cette étape permet de savoir si un modèle est performant en permettant de valider ou
non l’étape d'entraînement du modèle.
II.5. Inférence du modèle.

Il s’agit de l’utilisation du modèle dans une API, soit dans un serveur local, ou un
serveur en ligne. Pour notre cas, nous allons le faire dans un serveur local avec une API
61
intégré localement qui pourrait être appelé dans notre application web qui récupère les
informations sur le trafic en temps réel.
Les résultats de toutes ces étapes sont présentés dans le chapitre suivant.
II.6. Description de l’application
II.6.1. Description technique
Une application Web désigne une application qui s’exécute sur un PC, un smartphone ou
sur une tablette au moyen d’un navigateur web. Le choix d’une application web comme solution
vient du fait qu’elle peut être accessible à tout personnel à distance et ne nécessite pas d’être
installée sur une machine pour une utilisation particulière.
Cette application va intégrer notre modèle de prédiction des ressources et va permettre de

visualiser tous les résultats des prédictions qui vont être faites à chaque période en fonction des
données de trafic. Elle prendra donc en entrée les KPIs extraits des mêmes eNodeB du réseau
de l’opérateur.
II.6.2. Spécifications des besoins
La spécification des besoins est la première étape du cycle de vie de développement logiciel
durant laquelle on identifie les besoins de l’application qu’on souhaite mettre en place. Nous
avons entre autres les besoins fonctionnels qui sont les fonctionnalités attendues de notre
application et les besoins non fonctionnels qui sont les exigences qui ne concernent pas
spécifiquement le comportement du système mais plutôt identifient des contraintes internes et
externes du système. La spécification des besoins consiste également à identifier les différents
acteurs interagissant avec le système et à préciser leurs rôles respectifs.
II.6.3. Acteurs
Un acteur est une entité qui communique et interagit avec le système. Il peut être une
personne, un autre système ou une entreprise. Dans notre cas nous avons :
➢ L’utilisateur standard de l’entreprise ou encore l’expert métier : il peut charger les

données extraites de la plateforme iMaster, il peut afficher les KPIs dans une zone,
lancer des prédictions avec de nouvelles données et visualiser les résultats des
prédictions ;
62
➢ L’administrateur : en plus d’effectuer toutes les tâches d’un utilisateur standard, il gère
les comptes utilisateurs (ajout, modification, suppression, affichage).
II.6.4. Besoins fonctionnels
Ils représentent principalement les différentes exigences fonctionnelles des acteurs de notre
solution. Ces besoins fonctionnels peuvent être listés ci-dessous:
• S’authentifier : chaque utilisateur doit s’identifier avant d’accéder à la plateforme ;
• Visualiser les courbes consommation des données ;
• Lancer des prédictions ;
• Visualiser les résultats des prédictions ;
• Gérer les comptes utilisateurs ;
• Modifier les paramètres ;
• Se déconnecter.
Le diagramme de cas d’utilisation suivant illustre les différentes interactions entre les acteurs
et le système :
Figure 49: Diagramme de cas d'utilisation
63
II.6.5. Besoins non fonctionnels
Ce sont toutes les contraintes techniques, ergonomiques et esthétiques auxquelles est

soumis le système pour son bon fonctionnement. En ce qui concerne notre application, nous
avons pu dégager les besoins suivants :
● Le code doit être clair pour permettre de futures évolutions et améliorations ;
● L’ergonomie : l’application donne une interface simple et facile à utiliser ;
● La sécurité de l’accès aux informations : l’application doit respecter la
confidentialité des données ;
● La convivialité de l’interface graphique : l’application doit fournir une interface
conviviale et simple pour tout type d’utilisateur car elle présente le premier contact
de l’utilisateur avec l’application ;
● Rapidité : notre application doit avoir un degré de complexité minimal afin
d’assurer un traitement rapide ;
● Performance et fiabilité : l’application doit fonctionner dans les meilleures
conditions sans s’interrompre ;
● Garantir l’intégrité et la cohérence des données à chaque mise à jour et à chaque
insertion.
II.7. Langages, Logiciels et bibliothèques utilisés

Pour la conception de notre modèle et le développement de notre application, nous
avons utilisé les outils suivants :
II.7.1. Langages
Python
Parmi tous les langages de programmation, Python est le
langage le plus flexible et dit de très haut niveau grâce à
sa panoplie de librairies. De plus, Python est le langage
le plus populaire dans le monde de l’intelligence
artificielle. Python est orienté objet et se veut relativement facile d’accès. Il est très utilisé au
sein de la communauté scientifique et particulièrement dans le domaine de l’intelligence
artificielle. Les principaux frameworks de machine learning et deep learning sont effectivement
disponibles en Python.
64
JavaScript est un langage de programmation de scripts

principalement employé dans les pages web interactives et à ce titre
est une partie essentielle des applications web.
HTML
L’HyperText Markup Language, HTML, désigne
un type de langage informatique descriptif. Il s’agit plus
précisément d’un format de données utilisé dans l’univers
d’Internet pour la mise en forme des pages Web. Il permet, entre autres, d’écrire de l’hypertexte,
mais aussi d’introduire des ressources multimédias dans un contenu. Il nous a permis de gérer
la manière dont le contenu de nos pages Web va s’afficher sur un écran, via le navigateur.
CSS
Le CSS correspond à un langage informatique
permettant de mettre en forme des pages web (HTML ou
XML). Il nous a permis de mettre en forme nos pages web.
II.7.2. Logiciels
VS Code
VS Code est l'environnement utilisé pour
développer notre application de prédiction du nombre de
ressources RRC pour assurer une allocation dynamique
efficace.
StarUML
StarUML est un logiciel de modélisation UML
(Unified Modeling Language) open source qui peut
remplacer dans bien des situations des logiciels commerciaux et
coûteux comme (Rational Rose) ou (Together). Étant simple d’utilisation, nécessitant peu de
ressources système, supportant UML 2, ce logiciel constitue une excellente option pour une
familiarisation à la modélisation.
65
Jupyter notebook
Jupyter Notebook est une application Web open source
qui est utilisée pour le nettoyage et la transformation des données,
la simulation numérique, les modélisations statistiques,
visualisation de données, apprentissage automatique et bien plus
encore.
II.7.3. Bibliothèques
Django
Django est un cadre de développement web open
source en Python. Il a pour but de rendre le développement
d'applications web simple et basé sur la réutilisation de code.
Nous l’avons utilisé pour écrire le code de notre application.
Pandas
Pandas est une bibliothèque écrite en Python, qui
facilite la manipulation et l’analyse des données. Elle
propose en particulier des structures de données et des
opérations de manipulations de tableaux numériques et de séries chronologiques (temporelles).
Numpy
Numpy est une extension de programmation Python,
destinée à manipuler les matrices ou tableaux
multidimensionnels ainsi que des fonctions mathématiques
opérant sur ces tableaux.
Matplotlib
Matplotlib est une librairies Python pour les
graphes 2D XE "2D" \t ": 2 Dimensions" et 3D XE "3D"
\t ": 3 Dimensions" . Facile à utiliser et contrôlant tous les
éléments d’une figure.
66
TensorFlow est une bibliothèque logicielle gratuite et

open-source pour l'apprentissage automatique et
l'intelligence artificielle. Elle peut être utilisée pour toute une
série de tâches, mais se concentre plus particulièrement sur la formation et l'inférence de
réseaux neuronaux profonds. TensorFlow a été développé par l'équipe Google Brain pour une
utilisation interne de Google dans la recherche et la production. La version initiale a été publiée
sous la licence Apache 2.0 en 2015, Google a publié la version mise à jour de TensorFlow,
nommée TensorFlow 2.0, en septembre 2019.
PostgreSQL
PostgreSQL est un système de gestion de base de
données relationnelle et objet. C'est un outil libre
disponible selon les termes d'une licence de type BSD. Ce
système est comparable à d'autres systèmes de gestion de base de données, qu'ils soient libres,
ou propriétaires.
Conclusion
Tout au long de ce chapitre, nous avons présenté la méthodologie utilisée pour
construire les modèles. De nombreux détails ont été donnés sur l'ensemble de données d'entrée
utilisé pour entrainer ces modèles et également les algorithmes utilisés pour leur construction.
En outre, nous avons présenté la méthode d'évaluation de nos trois modèles. Ainsi, le prochain
chapitre traitera des résultats obtenus et de leurs validations.
67
CHAPITRE III : RESULTATS
ET EVALUATION
68
Introduction
L’objectif de ce chapitre est de présenter de manière globale les résultats de l’exécution
des trois modèles que nous avons proposés. Nous avons utilisé le même logiciel que pour
l’entrainement (Colab) pour tester notre modèle final. Nous comparons ainsi les résultats
obtenus de nos différents modèles. Ce chapitre va donc fournir l’évaluation des résultats
obtenus lors des tests ; cela comprend les calculs des mesures de performances.
III.1. Rappel des résultats attendus

Ce travail a comme résultats attendus :
• Présenter les résultats en sortie des modèles formés par les algorithmes de régression
linéaire, CNN et LSTM ;
• Evaluer les modèles pour en choisir le plus performant.
III.2. Evaluation du modèle

L’évaluation vise à vérifier le(s) modèle(s) ou les connaissances obtenues afin de
s’assurer qu’ils répondent aux objectifs formulés au début du processus. Elle contribue aussi à
la décision de déploiement du modèle ou, si besoin est, à son amélioration. A ce stade, on teste
notamment la robustesse et la précision des modèles obtenus.
Pour mieux évaluer notre modèle nous nous sommes basés sur des critères de performances tels
que :
● La courbe de pertes : c’est cette dernière qui quantifie l’écart entre les prédictions du
modèle et les observations réelles du jeu de données utilisé pendant l’apprentissage.
Ainsi, nous présentons les courbes de pertes obtenues avec chacun de nos trois modèles.
Figure 50: courbe de pertes obtenue avec le modèle linéaire
69
Figure 51: courbe de pertes obtenue avec le modèle CNN
Figure 52:Courbe de pertes obtenue avec le LSTM
Interprétation : Nous remarquons sur ces courbes que les pertes obtenues lors de la validation
(val_loss) qui nous informent sur la robustesse de notre modèle sont de 1.052 pour le modèle
linéaire, 0.72 pour le modèle entrainé avec le CNN et 0.018 pour le modèle LSTM. Le meilleur
résultat est donc obtenu avec les courtes mémoires à long-terme (LSTM) car la valeur du
val_loss tend plus vers 0, ce qui signifie qu'il y’a un bon apprentissage sur les données et donc
pourra bien effectuer des prédictions sur les données en entrées. Pour les modèles linéaire et
convolutif, il y’a un sous-apprentissage, ce qui signifie que les modèles générés s’adaptent mal
aux données d’entrainement et ne pourront non plus s’adapter aux données qu’ils ne connaissent
pas.
● Les courbes de test training : elles ont le même rôle que la courbe de perte mais elles
renseignent sur la précision (accuracy) du modèle.
70
Figure 53: Courbe de test training sur le LTE Traffic User Max avec le modèle linéaire
Figure 54: Courbe de test training sur le LTE Traffic User Max avec le modèle CNN
71
Figure 55: Courbe de test training sur le LTE Traffic User Max avec le modèle LSTM
Interprétation : lorsque nous visualisons ces courbes, nous nous rendons compte que seule la
courbe de test sur le user number (nombre d’utilisateurs simultanément connectés dans la
cellule) avec le modèle des courtes mémoires à long terme (LSTM) fournit la meilleure
précision car les points de prévisions se confondent plus aux points des valeurs réelles. On
remarque que les points de prédiction coïncident exactement avec les étiquettes, tout laisse à
croire que le modèle LSTM donnera des résultats plus précis par rapport aux autres.
● Le Mean Absolute Error (MAE) ou erreur moyenne absolue en français est une
mesure courante de l’erreur de prévision dans l’analyse des séries chronologiques. Le
MAE comme son nom l’indique est la moyenne des erreurs absolues. Elle correspond
à la différence absolue moyenne entre les valeurs ajustées par le modèle (prédiction
dans le modèle avec une étape d'avance) et les données historiques observées. Le
MAE nous indique l’ampleur moyenne que nous pouvons attendre de la prédiction. Il
s’exprime comme suit :
𝑛
1
𝑀𝐴𝐸 = ∑ |𝑥𝑛 − 𝑥 | (9)
𝑛
𝑖=1
𝐴𝑣𝑒𝑐 𝑥𝑛 é𝑡𝑎𝑛𝑡 𝑙𝑎 𝑝𝑟é𝑑𝑖𝑐𝑡𝑖𝑜𝑛, 𝑥 𝑙𝑎 𝑣𝑟𝑎𝑖𝑒 𝑣𝑎𝑙𝑒𝑢𝑟 𝑒𝑡 𝑛 𝑙𝑒 𝑛𝑜𝑚𝑏𝑟𝑒𝑑 ′ 𝑒𝑐ℎ𝑎𝑛𝑡𝑖𝑙𝑙𝑜𝑛𝑠.
Ci-dessous, nous comparons les valeurs des MAE obtenues avec chacun des modèles.
72
Figure 56: MAE modèle linéaire
Figure 57: MAE modèle convolutif
Figure 58: MAE modèle LSTM
Interprétation : en visualisant les trois graphes précédents qui traduisent l’erreur moyenne
absolue, nous nous rendons compte que le modèle LSTM est celui qui donne l’erreur minimale
avec une valeur de 0.0285 (97% de précision) obtenue lors de l’entrainement et 0.032 lors de
73
la validation du modèle. Cette performance est due au fait que nous ayons utilisé une énorme
quantité (75000) de données pour entrainer ce modèle, les autres modèles ne s’adaptant pas à
de très grandes quantités de données pour l’entrainement. Nous pouvons donc conclure avec
certitude que notre prédiction sera très précise si nous utilisons ce modèle.
Figure 59: Précision LSTM
La figure suivante résume les statistiques obtenues avec nos trois modèles :
Figure 60: Statistiques de performances des différents modèles utilisés.
Avec 97% de précision, le modèle formé avec l’algorithme LSTM l’emporte sur les autres
et est donc le plus performant. Ainsi, nous allons déployer dans notre application le modèle
LSTM.
III.3. Validation du modèle

Dans l'apprentissage automatique, la validation du modèle est le processus par lequel
un modèle formé est évalué avec un ensemble de données de test. L'objectif principal de
l'utilisation de l'ensemble de données de test est de tester la capacité de généralisation d'un
modèle entraîné. Après le test de notre modèle avec de nouvelles données, nous avons obtenu
les résultats suivants :
74
Figure 61: Valeurs prédites par le modèle

Les résultats obtenus ci-dessous sont des prédictions qui ont été faites sur vingt jours à
partir de notre jeu de données de test. On peut donc prédire le nombre de ressources qu’on
veut allouer à nos eNodeB sur un nombre de jours voulu.
Figure 62: Plage de valeurs obtenues après prédiction

La figure ci-dessus présente la plage des valeurs prédites par notre modèle. Lorsqu’on
consulte notre fichier source, on peut remarquer que ces valeurs sont dans la même plage que
les valeurs cibles. L’erreur observée dans notre modèle est la raison principale pour laquelle
ces valeurs ne sont pas identiques. À travers donc notre application, on pourra visualiser le
nombre de ressources qui ont été allouées à chacun des eNodeB.
75
III.4. Discussion
Au terme de l’évaluation des trois modèles proposés dans ce travail, et vu qu’il n y’a
presque pas de travaux effectués en termes d’allocation dynamique des ressources aux
eNodeB, nous avons décidé de discuter quant aux performances obtenues avec chacun des
modèles entrainés. Ainsi, nous avons obtenu respectivement avec les modèles linéaire,
convolutif et LSTM des précisions de 47%, 53% et 97%. Il faut également noter que ces
modèles ont été entrainés avec des données réelles issues du fonctionnement du réseau de
l’opérateur CAMTEL. Néanmoins, la différence sur les résultats obtenus a pu se faire au
niveau de la quantité de données (75000 lignes) utilisée pour l’entrainement, ce qui a permis
au modèle LSTM de l’emporter sur les autres.
III.5. Déploiement et test

Il s’agit de l’étape finale du processus. Elle consiste en une mise en production pour les
utilisateurs finaux des modèles obtenus. Son objectif est de mettre la connaissance obtenue par
la modélisation, dans une forme adaptée, et l’intégrer au processus de prise de décision. Le
déploiement peut ainsi aller, selon les objectifs, de la simple génération d’un rapport décrivant
les connaissances obtenues jusqu’à la mise en place d’une application, permettant l’utilisation
du modèle obtenu, pour la prédiction de valeurs inconnues d’un élément d’intérêt.
III.5.1 Architecture de la solution
Au cas nous devons implémenter cette solution chez l’opérateur CAMTEL,

L’architecture fonctionnelle serait constituée de trois grands blocs interconnectés pour prédire
et allouer dynamiquement les ressources nécessaires à la prise en compte des demandes
d’admission des UEs dans les cellules LTE de CAMTEL par les eNodeB en vue d’assurer une
meilleure QoS dans son réseau 4G. La figure suivante présente l’architecture de notre solution :
76
Figure 63: Solution d’entreprise
➢ Le 1er bloc représente le serveur qui contient le modèle déjà entrainé qui se chargera de
recueillir les données des KPIs via l’API U2020 et de faire des prédictions à chaque
heure et faire l’allocation dynamique à chaque heure au cas où les données de trafic
changent ;
➢ Le 2e bloc c’est le U2020 qui contient les ressources RRC Connected que nous
souhaitons allouer aux eNodeB;
➢ Le 3e bloc représente les eNodeB qui vont recevoir les ressources à chaque heure pour
assurer les admissions des utilisateurs dans les cellules LTE de CAMTEL.
III.5.2. Présentation de l’application RRC PREDICTION
C’est une application web implémentant notre modèle avec les sous-modules suivants :
Interface de connexion
77
Figure 64: Interface de connexion
Le tableau de bord
Figure 65: Tableau de bord
Le tableau de bord ici montre les différents paramètres de fonctionnement tels que le
nombre d’utilisateurs actuellement connectés dans la plateforme, le nombre d’eNodeB actifs,
et également le nombre total d’utilisateurs ayant accès à l’application.
Interface de visualisation du trafic
78
Figure 66: Interface de visualisation du trafic
Ici, nous pouvons voir l’évolution des données de trafic générées au cours du temps pour
chaque eNodeB.
Figure 67: Interface de visualisation du trafic
Ici, on voit l’évolution du trafic voix pour les sites de AHALA, Biyem-Assi et Nkomo ;
et également le nombre d’utilisateurs simultanément connectés sur chaque eNodeB.
Toutes ces informations aideraient l’opérateur à mieux prendre les décisions en ce qui
concerne l’optimisation de son réseau, aussi à voir le rendement de chaque eNodeB (en termes
de consommation de données et de ressources) et à pouvoir identifier les zones les plus
rentables.
L’interface de prédictions :
79
Figure 68: Interface de prédictions
Pour faire une nouvelle prédiction, il suffit d’importer un fichier contenant tous les
champs de consommation de données et le champ à prédire à partir de l’application ; le modèle
entrainé va directement reconnaitre les champs et renvoyer les résultats des prédictions dès
qu’on clique sur le bouton prédire tels que visibles sur le tableau.
Conclusion
Tout au long de ce chapitre, nous avons mis en évidence les résultats des trois modèles
proposés. Ces résultats ont fait l’œuvre d’une comparaison et de discussion pour en ressortir
le modèle le plus performant parmi ces trois. De plus, nous avons présenté les différentes
interfaces de l’application ainsi que l’architecture de notre solution dans le cadre de
CAMTEL.
80
CONCLUSION GENERALE
Parvenus au terme de notre analyse où notre travail portait sur l’allocation dynamique
des ressources en LTE grâce au machine learning, il en ressort que pour résoudre le problème
de sous-utilisation des ressources dû à l’allocation statique des ressources au niveau des
eNodeB, nous nous sommes fixés l’objectif mettre en place un modèle efficace prenant en
entrée les données de trafic et qui est capable de prédire avec précision le nombre de RRC à
allouer à chaque eNodeB.
Ce travail a été divisé en trois chapitres. Dans le premier, nous avons présenté le cadre
de travail, la revue de littérature sur les réseaux de 4e génération et le machine learning, la
problématique, les résultats attendus et l’état de l’art des travaux existants. Nous avons parlé
dans le deuxième chapitre de la méthodologie employée pour résoudre les problèmes posés.
Le troisième chapitre enfin nous a permis de présenter les résultats obtenus à l’issue de la
modélisation.
Dans le but d’atteindre notre objectif, nous avons étudié tour à tour les algorithmes
d’apprentissage automatique pour l’allocation des ressources, implémenté en Python quelques
algorithmes de Machine Learning qui, en tenant compte d’un certain nombre de features
(volume de données consommées, le user number, nombre de PRBs, etc.) va nous permettre
de faire des prédictions, et par la suite d’assurer une allocation des ressources de façon
précise et enfin nous avons développé une application web pour la visualisation des différents
résultats.
Les résultats obtenus à l’issue du développement de notre modèle nous révèlent que le
modèle entrainé avec les courtes mémoires à long terme (LSTM) est le plus précis parmi les
trois que nous avons proposés, avec une précision de 97% contre 47% pour le modèle linéaire
et 53% pour le modèle convolutif. Ce dernier a donc été plus performant car s’est mieux
adapté à nos données et par conséquent a été déployé dans notre application RRC Prediction.
Pour la mise en pratique de nos recherches, nous avons utilisé le langage Python pour
concevoir notre modèle, Django pour les interactions dans notre application et le HTML, CSS
et JavaScript pour développer les interfaces de l’application. Nous avons rencontré des
difficultés dans le choix des champs liés au trafic pour la prédiction du nombre de ressources.
81
Dans le but d’améliorer l’efficience de notre solution, nous prévoyons d’ajuster le

modèle pour supporter les effets saisonniers (Noel, jour de l’an, fête de travail, fête de l’unité,
…)
82
ANNEXES
ANNEXE 1 : code source de création de l’interface de visualisation du trafic
Figure 69: Code source pour créer l’interface de visualisation des courbes de trafic
ANNEXE 2 : code source de création de l’interface des prédictions
Figure 70: Note d’admission au CRARY
xv
ANNEXE 3 : Code source d’entrainement du modèle linéaire
Figure 71: Code source d’entrainement du modèle linéaire
ANNEXE 4 : Code source d’entrainement du modèle avec l’algorithme LSTM
Figure 72: Code source d’entrainement de l’algorithme LSTM
ANNEXE 5 : Code source de prédiction
Figure 73: Code source de prédiction
xvi
REFERENCES
[1] [En ligne]. Available: https://selectra.info/telecom/guides/technologies/reseaux-
mobile#9/48.8/2.3 [Accès le 11 Septembre 2022 à 11h31].
[2] [En ligne]. Available: https://www.mordorintelligence.com/fr/industry-reports/long-
term-evolution-lte-market-growth [Accès le 11 Septembre 2022 à 11h41].
[3] [En ligne]. Available:
https://www.statista.com/search/?q=number+of+LTE+connection+in+2021&Search=&qKat=
search&newSearch=true&p=1 [Accès le 11 Septembre 2022 à 11h47].
[4] [En ligne]. Available: https://www.gizchina.com/2020/09/24/number-of-global-5g-
users-doubled-in-q2-lte-market-will-decline-in-2023/ [Accès le 11 Septembre 2022 à 12h05].
[5] [En ligne]. Available: http://lemobilaukamer.com/ [Accès le 11 Septembre 2022 à
12h31].
[7] Mémoire Njomo Happy Gabriel 2.
[8] [En ligne]. Available: https://fr.readkong.com/page/architecture-et-evolution-des-

reseaux-radio-mobiles-4505524, consulté le 11/09/22 à 15h37 [Accès le 11 Septembre 2022 à
15h33].
[9] [En ligne]. Available: https://lafibre.info/free-mobile/itinerance-differences/12/ [Accès
le 11 Septembre 2022 à 15h52].
[10] [En ligne]. Available: https://www.researchgate.net/figure/E-UTRAN-
architecture_fig2_325643901 [Accès le 11 Septembre 2022 à 16h00].
[11] [En ligne]. Available: https://www.google.com/search?q=la+norme+3GPP+32.455
[Accès le 11 Septembre 2022 à 11h21].
[12] [En ligne]. Available: https://www.rcrwireless.com/20140509/evolved-packet-core-
epc/lte-network-diagram [Accès le 20 Septembre 2022 à 11h39].
[13] [En ligne]. Available: https://www.google.com/search?q=la+partie+acces+de+la+4G
[14] [En ligne]. Available: http://know-lte.blogspot.com/2016/09/e-utran-architecture.html
[15] [En ligne]. Available: https://fr.wikipedia.org/wiki/LTE_(r%C3%A9seaux_mobiles)
[16] [En ligne]. Available: http://know-lte.blogspot.com/2016/09/epc-architecture.html
[17] [En ligne]. Available: https://blogs.univ-poitiers.fr/f-launay/tag/4g/ [Accès le 23
Septembre 2022 à 9h32].
xvii
[18] [En ligne]. Available: http://know-

lte.blogspot.com/2016/09/modulationadaptative.html [Accès le 23 Septembre 2022 à 9h53].
[19] I. D. FRONTY, La-structure-generale-dune-trame-radio-ZigBee, ENSA, Éd., ENSA,
2010, p. p9. [en ligne]

https://www.google.com/search?q=la+qualit%C3%A9+de+service+en+4G [Accès le 25
Septembre 2022 à 11h1].
[21] [En ligne]. Available: https://fr.wikipedia.org/wiki/Apprentissage_automatique [Accès
[22] [En ligne]. Available: https://www.javatpoint.com/simple-linear-regression-in-
machine-learning [Accès le 29 Septembre 2022 à 00h22].
[23] [En ligne]. Available: https://www.50a.fr/0/machine-learning [Accès le 29 Septembre
2022 à 00h34].
[24] [En ligne]. Available: https://www.50a.fr/0/machine-learning, [Accès le 29 Septembre
2022 à 00h51].
[25] [En ligne]. Available: https://www.techtarget.com/searchenterpriseai/definition/deep-
learning-deep-neural-network [Accès le 30 Septembre 2022 à 17h16].
[26] [En ligne]. Available: https://kobia.fr/quest-ce-que-les-algorithmes-predictifs/ [Accès
[27] Zoungrana_uqac_0862N_10694.pdf. [En ligne].
[28] Réseaux du futur - Note n° 6 - L’intelligence Artificielle dans les réseaux de

télécommunications (14 janvier 2020) pdf. [En ligne].
[29] Nan Zhou, Xu Zhu and Yi Huang, “Genetic algorithm based cross-layer resource
allocation for wireless OFDM networks with heterogeneous traffic”, in the 17th
European Signal Processing Conference, Glasgow, August, 2009. [En ligne].
[30] S. Lee, S. Choudhury, A. Khoshnevis, S. Xu, S. Lu, “Downlink MIMO with
frequency-domain packet scheduling for 3GPP LTE”, in the IEEE INFOCOM
proceedings, 2009. [En ligne].
[31] Z. Lu, Y. Yang, X. Wen, Y. Ju, W. Zheng, “A cross-layer resource allocation
scheme for ICIC in LTE-Advanced”, in Journal of Network and Computer Applications,
December, 2010. [En ligne].
[32] Mahnaz Sotoudeh Bahreyni, Vahid Sattari-Naeini, Fairness Aware Downlink
Scheduling Algorithm for LTE Networks, Journal of mathematics and computer science 11
(2014), 53-63. [En ligne].
xviii
[33] Niyato, D., Hossain, E., 2006. A cooperative game framework for bandwidth
allocation in 4G heterogeneous wireless networks. In IEEE International Conference on
Communications, Turkey, pp: 4357-4362. [En ligne].
[34] Miao, W,. Min, G., Jiang, Y., Haozhe W, X., 2014. QoSaware resource
allocation for LTE-A systems with carrier aggregation. In Wireless Communications
and Networking Conference, Turkey, pp: 1403-1408. [En ligne].
[35] Chung, Y. L., Jang L. J., Tsai. Z., 2011. An efficient downlink packet scheduling
algorithm in LTEAdvanced systems with Carrier Aggregation. In Consumer
Communications and Networking Conference, USA, pp: 632-636. [En ligne].
[36] Agrawal, R., Berry, R., Huang, J., & Subramanian, V. (2006, October). Optimal
Scheduling for OFDMA Systems. Paper presented at the IEEE Fortieth Asilomar
Conference on Signals, Systems and Computers, Pacific Grove, CA. [En ligne].
[37] S. Chaudhuri, I. Baig, D. Das, 2016. Downlink Scheduler for a Carrier Aggregation
LTE Advance Network with Efficient Carrier Power Control. Computer Science, Business,
2016 IEEE Annual India Conference (INDICON). [En ligne].
[38] Souhir Feki, Faouzi Zarai1 and Aymen Belghith, 2017. A Q-learning-based Scheduler
Technique for LTE and LTE-Advanced Network. NTS'COM Research Unit, National School
of Electronics and Telecommunications of Sfax, Tunisia. [En ligne].
[39] Habaebi, MH, Chebil, J., Al-Sakkaf, AG et Dahawi, TH (2013). Comparaison entre les
techniques d'ordonnancement dans l'évolution à long terme. Journal d'ingénierie de l'IIUM, 14.
[En ligne].
[40] F. Capozzi, G. Piro, L.A. Grieco, G. Boggia, P. Camarda, 2013. Downlink Packet
Scheduling in LTE Cellular Networks: Key Design Issues and a Survey. IEEE Communications
Surveys & Tutorials (Volume: 15, Issue: 2, Second Quarter 2013). [En ligne].
[41] [En ligne]. Available: https://fr.wikipedia.org/wiki/Régression_linéaire, [Accès le 06

Novembre 2022 à 10h35].
[42] M. Bishop, NEURONAL MODELS, Oxford,, 2000, p. p.45. [En ligne].
[43] [En ligne]. Available: https://moncoachdata.b-cdn.net/wp-

content/uploads/2019/06/fonctions-dactivation.png [Accès le 06 Novembre 2022 à 11h21].
[44] [En ligne]. Available: https://moncoachdata.b-cdn.net/wp-
content/uploads/2019/06/fonctions-dactivation [Accès le 06 Novembre 2022 à 11h42].
https://www.google.com/search?q=les+differents+types+de+reseaux+de+neurones [Accès le
07 Novembre 2022 à 00h03].
xix
[46] Z. e. a. Yu, Using bidirectional LSTM recurrent neural networks to learn high-level
abstractions of sequential features for automated scoring of non-native spontaneous speech.,
2015. [En ligne]
xx
TABLE DES MATIERES

DEDICACE ............................................................................................................................................. ii
REMERCIEMENTS .............................................................................................................................. iii
LISTE DES SIGLES .............................................................................................................................. iv
LISTE DES FIGURES ............................................................................................................................ x
LISTE DES TABLEAUX ..................................................................................................................... xii
RESUME .............................................................................................................................................. xiii
ABSTRACT ......................................................................................................................................... xiv
INTRODUCTION GENERALE ............................................................................................................. 1
CHAPITRE I : CADRE GENERAL DU MEMOIRE ............................................................................ 4
I.1. Présentation du cadre de travail ........................................................................................................ 5
I.1.1. Historique et missions de CAMTEL .......................................................................................... 5
I.1.2. Services offerts ........................................................................................................................... 5
I.1.3. Organisation ............................................................................................................................... 5
I.1.4. Présentation du lieu de déroulement du stage ............................................................................ 7
I.2. Les architectures des réseaux d’accès cellulaires .............................................................................. 8
I.2.1. Le réseau d’accès 2G (GERAN) ................................................................................................ 8
I.2.2. Le réseau d’accès UTRAN......................................................................................................... 8
I.2.3. Le réseau d’accès E-UTRAN ..................................................................................................... 9
I.3. Présentation de la 4G et de la technologie LTE ............................................................................. 10
I.3.1. Objectifs de la 4G .................................................................................................................... 11
I.3.2. Architecture d’un réseau 4G .................................................................................................... 11
I.3.2.1. La partie réseau d’accès radio de la 4G (E-UTRAN) ....................................................... 12
I.3.2.2. La partie cœur de la 4G (EPC) .......................................................................................... 13
I.3.3. La pile de protocoles LTE ........................................................................................................ 15
I.3.4. Les caractéristiques fondamentales de la 4G ........................................................................... 16
I.4. Le machine learning ........................................................................................................................ 24
I.4.1. Les algorithmes prédictifs ........................................................................................................ 28
I.4.2. Champs d’application des algorithmes prédictifs .................................................................... 29
I.4.3. Catégories d’algorithmes prédictifs ......................................................................................... 29
I.4.5. Apport de l’intelligence artificielle dans les réseaux de télécommunications ......................... 31
I.4.6. Choix des algorithmes utilisés ................................................................................................. 32
I.5. Etude de l’existant ........................................................................................................................... 32
I.6. Problématique ................................................................................................................................. 33
I.7. Objectifs .......................................................................................................................................... 34
I.8. Résultats attendus............................................................................................................................ 35
I.9. Etat de l’art ...................................................................................................................................... 35
xxi
I.10. Contribution du mémoire .............................................................................................................. 38

CHAPITRE II : METHODOLOGIE ..................................................................................................... 40
II.1. Conception du modèle ................................................................................................................... 41
II.2. Collecte et préparation des données............................................................................................... 43
II.2.1. Collecte des données............................................................................................................... 43
II.2.2. La préparation des données..................................................................................................... 44
II.2.3. Présentation des algorithmes et modèles utilisés .................................................................... 52
II.2.3.1. Le modèle linéaire ........................................................................................................... 52
II.2.3.2. Le modèle neuronal ......................................................................................................... 53
a. Architecture du réseau neuronal ............................................................................................ 54
b. Le fonctionnement du réseau neuronal.................................................................................. 55
c. Les différents types de fonctions d’activation ....................................................................... 57
d. Les différents types de réseaux de neurones ......................................................................... 58
II.3. Construction et entrainement du modèle ....................................................................................... 59
II.3.1. Séparation du jeu de données.................................................................................................. 59
II.3.2. Normalisation des données ..................................................................................................... 60
II.3.3. Recherche des dépendances entre les données ....................................................................... 61
II.4. Test et validation du modèle. ......................................................................................................... 61
II.5. Inférence du modèle. ..................................................................................................................... 61
II.6. Description de l’application ........................................................................................................... 62
II.6.1. Description technique ............................................................................................................. 62
II.6.2. Spécifications des besoins ...................................................................................................... 62
II.6.3. Acteurs .................................................................................................................................... 62
II.6.4. Besoins fonctionnels ............................................................................................................... 63
II.6.5. Besoins non fonctionnels ........................................................................................................ 64
II.7. Langages, Logiciels et bibliothèques utilisés ................................................................................ 64
II.7.1. Langages ................................................................................................................................. 64
II.7.2. Logiciels ................................................................................................................................. 65
II.7.3. Bibliothèques .......................................................................................................................... 66
CHAPITRE III : RESULTATS ET EVALUATION ............................................................................ 68
III.1. Rappel des résultats attendus ........................................................................................................ 69
III.2. Evaluation du modèle ................................................................................................................... 69
III.3. Validation du modèle ................................................................................................................... 74
III.4. Discussion .................................................................................................................................... 76
III.5. Déploiement et test ....................................................................................................................... 76
III.5.1 Architecture de la solution...................................................................................................... 76
III.5.2. Présentation de l’application RRC PREDICTION................................................................ 77
xxii
CONCLUSION GENERALE ............................................................................................................... 81

ANNEXES ............................................................................................................................................ xv
REFERENCES .................................................................................................................................... xvii
TABLE DES MATIERES.................................................................................................................... xxi
xxiii

Mémoire Ayrton Peaty

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Mémoire Ayrton Peaty

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DU CAMEROUN REPUBLIC OF CAMEROON

Paix – Travail – Patrie Peace – Work – Fatherland

ECOLE NATIONALE SUPERIEURE DES NATIONAL ADVANCED SCHOOL OF

MÉMOIRE DE FIN D’ETUDES

ALLOCATION DYNAMIQUE DES RESSOURCES DANS UN

Ayrton Garcia BELINGA A NJERE

Rédigé et soutenu en vue de l’obtention du diplôme d’Ingénieur des

Spécialité : Services et Réseaux Radio Mobiles (SRM)

Sous l’encadrement académique de : Sous l’encadrement professionnel de :

Dr. Eric DEUSSOM M. Arsène FOUBA

A mon regretté oncle

Michel Didyme BELINGA

LISTE DES SIGLES

2G 2e génération des réseaux mobiles

3G 3e génération des réseaux mobiles

3GPP 3rd Generation Partnership Project

4G 4e génération des réseaux mobiles

5G 5e génération des réseaux mobiles

ANN Artificial Neural Networks

BTS Base Tranceiver Station

BSC Base Station Controller

BSS Base Station Subsystem

CAC Call Admission Control

CAMTEL Cameroon Telecommunications

CDMA Code Division Multiple Access

CLRA Cross-Layer Resource Allocation

CNN Convolutional Neural Network

CQI Channel Quality Indicator

CSS Cascading Style Sheet

D2D Device to Device

EDGE Enhanced Data Rates for GSM Evolution

ELU Exponential Linear Unit

ENodeB Enhanced NodeB

EPC Evolved Packet Core

ePDG evolved Packet Data Gateway

EPS Efficient Packet Scheduling

E-UTRAN Enhanced Universal Terrestrial Radio

FDD Frequency Division Duplex

FDMA Frequency Division Multiple Access

GBR Guarateed Bit Rate

GERAN GSM EDGE RAN

GPRS General Packet Radio System

GSM Global System for Mobile Communications

HLR Home Location Register

HSDPA High Speed Downlink Packet Access

HSPA High Speed Packet Access

HSS Home Subscriber Server

HSUPA High Speed Uplink Packet Access

HTML Hyper Text Markup Language

ICIC Inter-Cell Interference Coordination

IMS IP Multimedia Subsystem

KNN K-Nearest Neighbors

KPI Key Performance Indicator

LSTM Long Short-Term Memory

LTE Long Term Evolution

LTE-A Long Term Evolution-Advanced

MAC Medium Access Control

MCS Modulation and Coding Scheme

MHZ Méga Hertz

MIMO Multiple In Multiple Out

MLWDF Maximum-Largest Weighted Delay First

MME Mobility Management Entity

MSC Mobile Switching Center