Options
2001
Diploma Thesis
Titel
Erkennung von Verkehrsschwerpunkten in Mobilfunknetzen mit Hilfe des GTM-Algorithmus
Abstract
Während eines Telefonats in einem GSM-Mobilfunknetz werden die Empfangspegel der umliegenden Stationen gemessen und an den Server gemeldet. Der GSM-Standard ermöglicht es, diese Feldstärkedaten für alle Gespräche in einer Zelle an der A bis -Schnittstelle gesammelt aufzuzeichnen. Dies induziert eine topologieerhaltende Abbildung der Erdoberfläche in den hochdimensionalen Raum der Empfangspegel. Das Bild dieser Abbildung ist eine zweidimensionale Mannigfaltigkeit, die an den Verkehrsschwerpunkten konzentriert ist. Die vorliegende Arbeit hat zum Ziel, diese Mannigfaltigkeit vermittels neuronaler Karten nachzubilden und so die Verkehrsschwerpunkte zu erkennen. Als Verfahren wurde der wahrscheinlichkeitstheoretisch fundierte GTM-Algorithmus gewählt. Es wird die Implementierung des GTM-Modells in C++ beschrieben, und Methoden zum Bayesschen Lernen, zum Schätzen der Dimension der Daten, zur Initialisierung, zur Behandlung von Overfitting und zur Visualisierung der Karte werden beleuchtet. Des weiteren werden problemspezifische Anpassungen entwickelt, um Dämpfungseffekte zu modellieren und um unvollständige Datensätze nach verschiedenen Modellannahmen zu behandeln. Schließlich werden diverse Gütemaße untersucht, um den Lernerfolg in bezug auf Topologieerhaltung und Clustertrennung zu quantifizieren. Die Ergebnisse des Verfahrens für echte A bis -Meßdaten werden dargestellt und diskutiert.
;
During a call in a GSM mobile phone network the reception levels of the surrounding stations are measured and reported to the server. The GSM standard provides the A bis interface on which this reception level data can be recorded for all the calls within a cell. This induces a topology-preserving mapping of the earth's surface into the high-dimensional space of reception levels. The image of this mapping is a two-dimensional manifold which is concentrated at the traffic hot spots. This report aims at reproducing this manifold by means of neural maps, thus recognizing the traffic hot spots. The method chosen is the GTM algorithm which has a basis in probability theory. The GTM model has been implemented in C++ and trained with A bis data. Methods for bayesian learning, for estimating the dimension of the data, for initialization, for addressing overfitting and for visualization of the map are regarded. Furthermore, problem specific adaptations are developed. They model reception level decay and handle incomplete data according to various model assumptions. Finally, diverse quality measures are surveyed for quantifying the learning success with regard to topology preservation and cluster separation. The results of the method for real world data are described and discussed.
ThesisNote
Zugl.: Bonn, Univ., Dipl.-Arb., 2000