[论文解读] Mobility prediction Based on Machine Learning Algorithms

Donglin Wang, Qiuheng Zhou+3 more|arXiv (Cornell University)|Nov 12, 2021

Human Mobility and Location-Based Analysis参考文献 9被引用 4

一句话总结

本论文提出了一种基于支持向量机（SVM）的高速公路场景下车辆用户移动性预测模型，利用SUMO仿真生成的轨迹数据对路径选择进行分类。在400个训练样本下，SVM在不同大小的测试集上实现了92.2%的平均预测准确率，表明其在移动网络路径预测中表现出色。

ABSTRACT

Nowadays mobile communication is growing fast in the 5G communication industry. With the increasing capacity requirements and requirements for quality of experience, mobility prediction has been widely applied to mobile communication and has becoming one of the key enablers that utilizes historical traffic information to predict future locations of traffic users, Since accurate mobility prediction can help enable efficient radio resource management, assist route planning, guide vehicle dispatching, or mitigate traffic congestion. However, mobility prediction is a challenging problem due to the complicated traffic network. In the past few years, plenty of researches have been done in this area, including Non-Machine-Learning (Non-ML)- based and Machine-Learning (ML)-based mobility prediction. In this paper, firstly we introduce the state of the art technologies for mobility prediction. Then, we selected Support Vector Machine (SVM) algorithm, the ML algorithm for practical traffic date training. Lastly, we analyse the simulation results for mobility prediction and introduce a future work plan where mobility prediction will be applied for improving mobile communication.

研究动机与目标

• 评估机器学习算法，特别是SVM，在移动网络中预测车辆用户移动性的能力。
• 基于模拟高速公路环境中的真实世界类似轨迹数据，开发一种实用的移动性预测模型。
• 评估SVM基于历史移动模式对两种未来路径选择（Route1与Route2）进行分类的性能。
• 证明SVM在5G网络和智能交通系统中实现高精度、低延迟移动性预测的可行性。

提出的方法

• 在SUMO中建模了一个具有两条路径、三条车道和单向行驶的高速公路场景，以模拟车辆移动性。
• 在100个时间步长内生成车辆轨迹，路径选择标记为'0'（直行）或'1'（右转）。
• 使用scikit-learn实现线性SVM分类器，采用线性核，基于移动性特征预测路径选择。
• 训练数据集包含400个样本，测试在10、20、...、100个样本上进行，以评估不同规模下的准确率。
• 可视化决策边界，以评估Route1与Route2预测之间的分离质量。
• 预测准确率计算为正确分类的测试样本数与总测试样本数的比值。

实验结果

研究问题

• RQ1 基于高速公路场景中的历史移动数据，SVM模型在预测车辆未来路径选择方面能达到多高的准确率？
• RQ2 测试集大小的变化对基于SVM的移动性预测模型准确率有何影响？
• RQ3 SVM模型在模拟交通环境中对两种不同移动模式（直行与右转）的分类表现如何？
• RQ4 基于SVM的预测模型能否有效应用于5G网络中的实时移动性管理？

主要发现

• SVM模型在多个测试集大小下实现了92.2%的平均预测准确率，个体准确率范围在86.07%至95%之间。
• 当测试样本为10个时，模型准确率达到90%；当测试样本为100个时，准确率达到94%。
• 模型表现出一致性，大多数测试集大小下准确率均超过90%，表明其具有鲁棒性。
• 在特征空间中，Y = -1.5处的线性决策边界有效分离了两类路径，支持可靠分类。
• 当测试数据增加时观察到错误预测，100个测试样本中有3个预测错误，证实了在高负载下存在少量误分类。
• 仿真结果证实，SVM是高速公路环境中移动性预测的可行且准确的方法，适用于集成到移动网络管理中。