Change search
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf
Stream Processing and Deep Learning for Localization in Cellular Networks
KTH, School of Information and Communication Technology (ICT).
2017 (English)Independent thesis Advanced level (degree of Master (Two Years)), 20 credits / 30 HE creditsStudent thesis
Abstract [en]

Nowadays, telecommunication operators have access to a vast amount of mobile devices that could be tracked. The location information of all their subscribers could be aggregated and used to extract useful insights through population analytics. However, currently operators are only capable of performing location on-demand for a small amount a devices. The reason for such limitation is the use of Location Servers that implement analytical location methods. Most of these methods are very demanding for the network because they require some kind of synchronization or orchestration between the network components. Furthermore, for many of those location methods, the accuracy of predictions is not satisfactory due to the noise added by the environment and measurements.

This thesis proposes a solution capable of performing location for all the devices in the operator’s network while improving the accuracy of predictions. It consists in using a passive listener for network events (GPEH in this implementation, but could be other) to gather the required data for location and use it as input for a neural network (better suited for handling noisy data) that predicts the location. It has been designed as a modular stream processing architecture that allows to easily implement new data sources and is highly scalable.

Results show that this new approach outperforms the predictions of the operator’s Location Server having a 56.86% better accuracy (mean error distance). Furthermore, thanks to its scalable design and the optimizations done, the system implemented in production is capable of processing in a small cluster the 15 minute events files produced in the whole 3G network of the operator in just 12 minutes, which means it could also be used with real time data sources.

Abstract [sv]

Nuförtiden har telekom-operatörer tillgång till en stor mängd mobila enheter som kan spåras. Positions-informationen hos alla deras abonnenter kan sammanställas och användas för att ge användbara insikter genom populationsanalys. För tillfället är dock operatörer bara kapabla till att positionsbestämma en liten mängd enheter vid behov. En anledning till dessa begränsningar är användandet av positionstjänster som använder analytiska positionsmetoder. De flesta av dessa metoder är krävande för nätverket eftersom de behöver någon slags synkronisering eller orkestrering mellan olika komponenter. Dessutom är precisionen i många av dessa metoder inte tillfredsställande på grund av felkällor i mätningar och brus från omgivningen.

Denna avhandling föreslår en lösning som kan positionsbestämma alla enheter i operatörens nätverk med bättre precision. Det består av en passiv lyssnare för händelser på nätverket (i denna implementation används GPEH, men andra metoder kan användas) för att samla in nödvändigt data och använda detta som indata till ett neuralt nätverk (som är bättre på att hantera brus) som avgör enhetens position. Det har designats med en modulär arkitektur för att processa dataströmmar som medger enkel implementation av nya datakällor och är skalbart.

Resultaten visar att denna nya metod har 56.86% bättre precision (genomsnittligt fel) än operatörens nuvarande positionstjänst. Dessutom, tack vare en skalbar design och vissa optimeringar, är systemet är i driftsmiljö på ett litet beräkningskluster kapabelt att behandla händelser för 15 minuter i operatörens hela 3G-nätverk på bara 12 minuter, vilket betyder att det också kan användas med realtidsdatakällor.

Place, publisher, year, edition, pages
2017. , p. 79
Series
TRITA-ICT-EX ; 2017:169
Keyword [en]
Deep learning, stream processing, location, GPEH, mobile networks.
Keyword [sv]
Djupt lärande, strömbehandling, plats, GPEH, mobilnät.
National Category
Computer and Information Sciences
Identifiers
URN: urn:nbn:se:kth:diva-227852OAI: oai:DiVA.org:kth-227852DiVA, id: diva2:1205372
Subject / course
Computer Science
Educational program
Master of Science - Computer Science
Examiners
Available from: 2018-05-14 Created: 2018-05-14 Last updated: 2018-05-14Bibliographically approved

Open Access in DiVA

No full text in DiVA

By organisation
School of Information and Communication Technology (ICT)
Computer and Information Sciences

Search outside of DiVA

GoogleGoogle Scholar

urn-nbn

Altmetric score

urn-nbn
Total: 10 hits
CiteExportLink to record
Permanent link

Direct link
Cite
Citation style
  • apa
  • harvard1
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Other style
More styles
Language
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Other locale
More languages
Output format
  • html
  • text
  • asciidoc
  • rtf