SCD-Universite de Rennes 1 Machine learning to infer user behavior in 5G autonomic networks Apprentissage automatique pour déduire le comportement des utilisateurs dans les réseaux autonomes 5G Réseaux autonomes 5G LTE5GDeep learningIndoor/Outdoor detection (IOD)Mobility Speed Profile (MSP) DetectionUser behavior Technologie 5G Apprentissage automatique L'idée développée dans cette thèse est d’utiliser le Machine Learning Deep Learning et l’analyse de données radio 3GPP pour estimer et prédire le comportement d'un utilisateur, en termes d'habitudes et de préférence d'usage des services mobiles d’un réseau 5G. Le caractère multidimensionnel du comportement de l'utilisateur rend son estimation complexe et reste actuellement un défi. On a donc étudié son estimation sous une approche innovante au regard de l'état de l'art. On a proposé de la réaliser au sein d'un système unifié qui estime en parallèle chaque dimension du comportement. En utilisant des méthodes basées sur l’apprentissage approfondi (deep learning) supervisé et hybride/semi-supervisé, on propose une solution pour la détection de l’environnement (Indoor/ Outdoor Detection (IOD)) et jusqu'à 8 classes d'environnement d’un utilisateur de téléphone portable. Nous proposons ensuite une solution permettant de détecter la catégorie de mobilité (Mobility Speed Profile (MSP) Detection) jusqu'à 8 profils de vitesses. Enfin, une solution innovante basée sur des algorithmes d’apprentissage profond dans une architecture multitâches permet d'estimer conjointement à la fois l'environnement et le profil de mobilité. La comparaison avec l'état de l'art a montré l'efficacité des méthodes proposées. Ce qui permet d'envisager leur utilisation par des opérateurs mobiles au sein de leurs futurs. The main idea of this thesis is to use machine learning/deep learning techniques to estimate and predict user behavior by analyzing 3GPP radio signals. The user behavior is defined in terms of habits and preferences while consuming 5G services. The estimation of user behavior is complex and remains a challenge due to its multidimensional nature. We therefore studied an innovative approach for the user behavior estimation: we use a unified system which jointly as well as parallelly estimates each dimension of behavior. Using methods based on supervised and hybrid / semi-supervised deep-learning, we propose a solution for the detection of the user environment (from Indoor/ Outdoor Detection (IOD) to up to 8 classes). We then propose a solution to detect the mobility categories (Mobility Speed Profile (MSP) Detection) up to 8 speed profiles. Finally, an innovative solution jointly estimates both the environment and the mobility profile using deep learning algorithms and a multitasking architecture. The comparison with the state of the art shows the effectiveness of the proposed methods. This allows to consider its deployment by operators in future. Electronic Thesis or DissertationText en application/pdf1 : 7602 Kohttps://ged.univ-rennes1.fr/nuxeo/site/esupversions/dab6341c-b752-48bc-a26b-16716dd3f0db Saffar Illyyne 1990-04-08 TN 252936388 saffar.illyyne@gmail.com 2020REN1S039 http://www.theses.fr/2020REN1S039 2020-11-10 Informatique Universite de Rennes 1thesis.degree.grantor_1 02778715X Doctorat non ouiVihoCésarintervenant_1075989603Alberi-MorelMarie Lineintervenant_2121392791SinghKamal Deepintervenant_3110412133 MATHSTICecoleDoctorale_1 204770424 ddc:004 VihoCésarAlberi-MorelMarie LineSinghKamal DeepUniversite de Rennes 1Sciences et technologie, medecine, pharmacie, odontologie, droit, economie, gestion, philosophieMATHSTICÉcole doctorale Mathématiques et sciences et technologies de l'information et de la communication (Rennes) ASCII PDF 7783946