Redes Neuronales y la Gestión de Localización en Sistemas de Comunicaciones Móviles

Resumen

El presente trabajo tiene como objetivo introducir una aproximación al concepto de Redes Neuronales y su utilización en técnicas de localización aplicadas a redes móviles. En primer lugar serán revisados los aspectos biológicos que inspiran el desarrollo de las Redes Neuronales Artificiales (RNA), y a continuación los principios de Gestión de Movilidad y Gestión de Localización en redes móviles. Por último, se presentan algunas publicaciones que desarrollan técnicas al respecto, exponiendo tres casos de estudio [15][18][20]. Las tecnologías móviles estudiadas corresponden a las versiones GSM/UMTS, las cuales son además las tecnologías utilizadas por los operadores en Chile, lo que hace de este estudio un aporte a una visión futura del desarrollo de estos modelos y sus posibles aplicaciones.

Abstract: This paper aims at introducing an approach to concept of Neural Networks and their use in localization techniques applied to mobile networks. First, will be reviewed the biological aspects that inspire the development of the Artificial Networks Neuronales (ANN), and later, the principles of Mobility Management and Localization Management in mobile networks. Finally, I present some publications that develop technologies in the matter, exposing three cases of study [15][18][20]. Mobile technologies versions studied correspond to GSM/UMTS, which are also the technologies used by operators in Chile, which makes this study a contribution to a future vision for the development of these models and their potential application.

Palabras Clave: Redes neuronales, comunicaciones móviles, gestión de movilidad, gestión de localización

Introducción: inspiración biológica

El Cerebro

El cerebro es un órgano del sistema nervioso central, que conforma la mayor parte del encéfalo. Se divide en dos hemisferios (izquierdo y derecho) y se caracteriza por su superficie con pliegues irregulares llamados circunvoluciones o giros cerebrales, más acentuados en los humanos que en cualquier otro animal (exceptuando casos particulares como el de los delfines), y entre ellos líneas irregulares llamadas cisuras. El cerebro, como todas las partes del sistema nervioso central esta compuesto por una sustancia blanca (fibras nerviosas compuestas por axones) y una sustancia gris (fibras nerviosas compuestas por dendritas y cuerpos neuronales) que componen la corteza cerebral.

La Corteza Cerebral (Cortex)

La corteza cerebral es el manto de tejido nervioso que cubre la superficie de los hemisferios cerebrales, alcanzando su máximo desarrollo en los primates. Es aquí donde ocurre la percepción, la imaginación, el pensamiento, el juicio y la decisión. Es ante todo una delgada capa de materia gris – normalmente de 6 neuronas de espesor – por encima de una amplia colección de vías de materia blanca. La delgada capa está fuertemente circunvolucionada, por lo que si se la extendiese, ocuparía unos 2.500 cm2. Esta capa incluye unos 10.000 millones de neuronas, con cerca de 50 trillones de sinapsis.

Neuronas

La neurona es la célula fundamental y básica del sistema nervioso especializada en conducir impulsos nerviosos. Se estima que el cerebro humano contiene más de cien mil millones de neuronas [4] cada una con un promedio de 7.000 conexiones sinápticas con otras neuronas.

En las neuronas se pueden distinguir tres partes fundamentales:

Soma o cuerpo celular. Corresponde a la parte más voluminosa de la neurona. Aquí se puede observar una estructura esférica llamada núcleo, el cual contiene la información que dirige la actividad de la neurona.

Dendritas. Son prolongaciones cortas que se originan desde el soma neuronal. Su función es recibir impulsos de otras neuronas y transportarlos hasta el soma de la propia neurona.

Axón. Es una prolongación única y alargada. En algunas ocasiones, puede medir hasta un metro de longitud. Su función es tomar el impulso desde el soma neuronal y conducirlo hasta otro lugar del sistema.

Fig. 1. Esquema básico de una neurona

Características

• Las neuronas reciben y transportan impulsos nerviosos de naturaleza electroquímica.

• La neurona en reposo esta polarizada, y tiene un potencial de -70mV, mientras que una neurona que recibe un estímulo esta despolarizada y llega a tener un potencial de +30mV.

• El estímulo deja ingresar sodio, y para estabilizarse deja salir potasio.

• El período refractario corresponde al momento en que la neurona no puede volver a ser estimulada.

• El umbral de excitación es la cantidad de estímulo necesario para despolarizar la neurona.

• El impulso es independiente del estímulo.

• Al encontrarse dos impulsos, éstos son anulados entre sí.

Sinapsis

La sinapsis es el proceso esencial en la comunicación neuronal y constituye el lenguaje básico del sistema nervioso, corresponde a un hecho comunicativo entre dos neuronas, una presináptica y otra postsináptica. 

En estos contactos se lleva a cabo la transmisión del impulso nervioso. Éste se inicia con una descarga química que origina una corriente eléctrica en la membrana de la célula presináptica (célula emisora). Una vez que este impulso nervioso alcanza el extremo del axón, la propia neurona segrega un tipo de proteínas (neurotransmisores) que se depositan en el espacio sináptico, espacio intermedio entre esta neurona transmisora y la neurona postsináptica (receptora). Estos neurotransmisores (noradrenalina y acetilcolina) son los encargados de excitar o inhibir la acción de la otra neurona.

Red Neuronal

Una red neuronal se define como una población de neuronas físicamente interconectadas, o un grupo de neuronas aisladas que reciben señales que procesan a la manera de un circuito reconocible.

La comunicación entre neuronas, que implica un proceso electroquímico, implica que, una vez que una neurona es excitada a partir de cierto umbral, ésta se despolariza transmitiendo a través de su axón una señal que excita a neuronas aledañas, y así sucesivamente.

El sustento de la capacidad del sistema nervioso, por tanto, radica en dichas conexiones. En oposición a la red neuronal, se habla de circuito neuronal cuando se hace mención a neuronas que se controlan dando lugar a una retroalimentación (feedback).

Redes neuronales artificiales

Las Redes Neuronales Artificiales, RNA o ANN por sus siglas en inglés (Artificial Neural Network), son un paradigma de aprendizaje y procesamiento automático inspirado en la forma en que funciona el sistema nervioso de los animales, compuesto por redes de neuronas biológicas, con baja capacidad de procesamiento, pero con una alta conectividad, permitiendo sustentar toda su capacidad cognitiva. En resumen, se trata de un sistema de interconexión de neuronas en red que colabora en paralelo para producir un estímulo de salida a partir de una serie de entradas.

Las redes neuronales artificiales, por lo tanto, consisten en una simulación de las propiedades observadas en los sistemas biológicos a través de modelos matemáticos simplificados recreados mediante mecanismos artificiales (circuitos integrados, software, etc). Desde la perspectiva de la ingeniería, puede ser considerado como una extensión de las técnicas convencionales de procesamiento de datos [5]. El objetivo es conseguir que las máquinas den respuestas similares a las que es capaz de dar el cerebro, caracterizadas por su generalización y su robustez.

Funcionamiento y Modelado Neuronal

Las redes neuronales están formadas por un conjunto de neuronas artificiales interconectadas. Las neuronas de la red se encuentran distribuidas en diferentes capas, de manera que las neuronas de una capa están conectadas con las neuronas de la capa siguiente, a las que pueden enviar información. La arquitectura más usada de una red neuronal consiste en:

• Una primera capa de entradas que recibe información del exterior.

• Una serie de capas intermedias (ocultas) encargadas de realizar el trabajo de la red.

• Una capa de salida que proporciona el resultado del trabajo de la red al exterior.

Fig. 2. Red Neuronal Artificial

El número de capas intermedias y el número de neuronas de cada capa dependerá del tipo de aplicación a la que se vaya a destinar la red neuronal. 

Una red neuronal artificial tiene aptitudes en común con las redes neuronales biológicas:

• El procesamiento de información ocurre en muchos elementos simples llamados neuronas

• Las señales son transferidas entre neuronas a través de enlaces de conexión.

• Cada conexión tiene un peso asociado, el cual, típicamente, multiplica a la señal transmitida.

• Cada neurona aplica una función de activación (usualmente no lineal) a su entrada de red (suma del peso de sus entradas) para determinar su salida.

Esta salida viene dada por tres funciones:

Una función de propagación. También conocida como función de excitación, que por lo general consiste en la sumatoria de cada entrada multiplicada por el peso de su interconexión. Si el peso es positivo, la conexión se denomina excitatoria; si es negativo, se denomina inhibitoria.

Una función de activación. Modifica a la anterior y puede no existir, siendo en este caso la salida la misma función de propagación.

Una función de transferencia. Se aplica al valor devuelto por la función de activación. Se utiliza para acotar la salida de la neurona y generalmente viene dada por la interpretación que queramos darle a dichas salidas. Algunas de las más utilizadas son la función sigmoidea (para obtener valores en el intervalo [0,1]) y la tangente hiperbólica (para obtener valores en el intervalo [-1,1]).

Características

Capacidad de aprendizaje a partir de la experiencia (entrenamiento). Normalmente para la elaboración de un programa informático es necesario un estudio detallado de la tarea a realizar para después codificarla en un lenguaje de programación. Las redes neuronales en cambio, pueden ser entrenadas para realizar una determinada tarea sin necesidad de estudiarla a fondo ni programarla usando algún lenguaje. Además, las redes neuronales pueden volver a entrenarse para ajustarse a nuevas necesidades sin tener que reescribir o revisar el código (cosa frecuente en los programas tradicionales)

Velocidad de respuesta. Una vez concluido el entrenamiento se comportan de manera similar a como lo hace el cerebro.

Robustez. El conocimiento adquirido se encuentra repartido por toda la red, de forma que si se lesiona una parte se continuarán generando cierto número de respuestas correctas.

Unidad de Procesamiento Elemental

El modelo abstracto y simple de una neurona artificial fue concebido por McCulloch and Pitts en 1943 [6] y corresponde al elemento básico de procesamiento en una red neuronal artificial.

Fig. 3. Esquema básico de una neurona artificial

Este modelo se conoce como perceptrón de McCulloch-Pitts, y es la base de la mayor parte de la arquitectura de las RNA que se interconectan entre sí. Las neuronas emplean funciones de activación diferentes según la aplicación. De acuerdo a la función de propagación, los pesos pueden ser positivos (excitación) o negativos (inhibición).

Aprendizaje

La propiedad más importante de las redes neuronales artificiales es su capacidad de aprender a partir de un conjunto de patrones de entrenamiento [7], es decir, es capaz de encontrar un modelo que ajuste los datos a partir de un algoritmo de aprendizaje. Estos algoritmos están formados por un conjunto de reglas que permiten a la red neuronal aprender mediante la modificación de los pesos sinápticos de las conexiones entre las neuronas y sus valores umbrales.

Los tipos de aprendizaje pueden dividirse básicamente en tres:

Aprendizaje supervisado. Se introducen unos valores de entrada a la red, y los valores de salida generados por esta se comparan con los valores de salida correctos. Si hay diferencias, se ajusta la red en consecuencia.

Aprendizaje de refuerzo. Se introducen valores de entrada, y lo único que se le indica a la red es si las salidas que ha generado son correctas o incorrectas.

Aprendizaje no supervisado. No existe ningún tipo de guía. De esta manera lo único que puede hacer la red es reconocer patrones en los datos de entrada y crear categorías a partir de estos patrones. De esta manera, cuando algún dato ingresa, después del entrenamiento, la red será capaz de clasificarlo e indicar en que categoría lo ha clasificado.

Redes móviles

Una red GSM o UMTS, como todas las redes celulares, es una red de radio que da cobertura a partir de un conjunto de pequeñas regiones de cobertura denominadas celdas, cada una con su propio transmisor, denominado estación base (BTS o Nodo B respectivamente). Cada estación cubre un espacio geográfico reducido, por lo tanto, es mediante la integración de la cobertura de cada una de estas estaciones de base que una red celular es capaz de proporcionar una cobertura sobre un área mucho más amplia. 

Fig. 5. Esquema básico celular

Arquitectura de Red

Durante la fase de diseño del modelo actual de la tecnología UMTS, un objetivo importante para lograr una migración sin problemas desde 2G a 3G, fue que ambos tipos de redes debían integrarse lo más posible, en lugar de utilizar la operación de dos redes dedicadas, totalmente separadas una de otra. Esto implicaba que los terminales UMTS también debían funcionar en una red GSM/EDGE y que la interoperabilidad, por ejemplo, la autenticación, la entrega, y gestión de la movilidad, fuera permitida en y entre ambos sistemas.  

Fig. 6. Arquitectura de red GSM/UMTS

En la Fig.6 la primera parte  corresponde fundamentalmente a la red GSM de acceso original, e incorpora la interfaz red aérea convencional, así como su versión extendida EDGE. La contrapartida de un BSC en UMTS se denomina Radio Network Controller (RNC), y la estación base (BTS) es llamada Nodo B, por lo tanto, las diferencias fundamentales sólo se establecen en los diferentes diseños de la interfaz de aire de ambos sistemas [8]

Gestión de Movilidad

Para realizar y recibir llamadas, la ubicación del móvil debe que ser conocida por la red, pero al estar esta dividida en celdas, se introduce el problema de localizar a un usuario antes de poder establecer comunicación con él.

La gestión de movilidad es el mecanismo que la red utiliza para llevar un registro dinámico de la ubicación de todos los móviles activos en la red. En este contexto, la ubicación no se refiere específicamente a la localización geográfica, sino más bien su ubicación con respecto a un área mayor predefinida a nivel de la red móvil y denominada Location Area (LA)

Location Area

Una Location Area es un conjunto de celdas vecinas controladas por un único Mobile Switch Center (MSC), el cual a su vez puede controlar varios Location Area [9], y son identificadas por un número único llamado Location Area Code (LAC). Estas Location Areas son diseñadas buscando un equilibrio en su tamaño a fin de controlar el tráfico de señalización. Si son muy grandes, habrá muchos móviles funcionando bajo ella simultáneamente, y cada solicitud de llamada (Paging) deberá ser transmitida a cada estación base contenida en la Location Area. Si por el contrario, son muy pequeñas, el móvil deberá requerir muy seguido a la red debido a sus constantes cambios de de localización.

Fig. 7. Location Areas

Gestión de Localización

La gestión de localización comprende todas las funciones necesarias para localizar el móvil en la red celular, se utiliza el término con diferencia a la posición, entendida como la determinación de la ubicación de un móvil con respecto la red. Para entender la gestión de localización, es necesario considerar las operaciones que tienen lugar entre la red y el móvil, así como dentro de la red misma.

Existen dos aspectos fundamentales para comprender la forma que una red puede realizar el seguimiento de un móvil. En primer lugar, el móvil informa de su ubicación actual a la red mediante un proceso de actualización denominado Location Update (LU), para el cual existen 3 tipos principales [10]: Location Update que se realiza al encender y apagar un móvil (IMSI attach / IMSI detach), Location Update que se realiza cada vez que el móvil cruza de un Location Area a otro, y por último, un Location Update que el móvil realiza cada cierto intervalo de tiempo predefinido (Periodic Location Update). En segundo lugar, es la red quien busca al móvil en todas las celdas que componen un Location Area, realizando un procedimiento conocido como Paging.

Localización de Móviles

Las nuevas posibilidades técnicas para el seguimiento y localización de moviles a través de las redes celulares ha permitido pensar en nuevos servicios para diversos fines que van desde los servicios de emergencia hasta la lucha contra la delincuencia.

Los servicios de emergencia representan una aplicación obvia y razonable para el despliegue de la tecnología de localización. En muchos casos, las personas al realizar una llamada de emergencia a la policía, bomberos, etc. son incapaces de indicar su actual ubicación o simplemente no la conocen. Para hacer frente a este problema, la Federal Communications Commission  (FCC) de los Estados Unidos, aprobó un mandato en 1996, también conocido como Enhanced 911 (E-911) [11], que obligaba a los operadores móviles a localizar las llamadas de emergencia y a entregar su posición geográfica al denominado Public Safety Answering Point (PSAP). El mandato también definía un estándar de precisión que iba mucho más más allá de lo que era posible con los usuales mecanismos de gestión de movilidad, por lo que requirió la mejora de infraestructuras de red existentes y el desarrollo de diversas técnicas de análisis y modelamiento que permitieran cumplir con estas condiciones. La introducción del mandato E-911 se llevo a cabo en dos fases:

Fase I. En la primera fase del E-911, los operadores estaban obligados a obtener la ubicación de una persona que llama dentro las coordenadas de la celda de origen. 

Fase II. La segunda fase determinó que los operadores pudieran localizar una persona que llama con una precisión de 50 a 100 mts. en el 67% de los casos, y de 150 a 300 mts. en el 95% de todas las llamadas de emergencia, dependiendo de la tecnología de localización utilizada. 

Parámetros

La meta de la localización de un móvil es posicionar al mismo en el plano con cierto grado de precisión para saber con exactitud dónde se ubica. A la hora de aplicar diversos métodos sobre la red hemos de tener en cuenta que la precisión de las mediciones esta determinada por el radio de cobertura de las celdas que intentan localizar el terminal móvil.

La señal recibida por las estaciones es enviadas a la central de procesamiento (MSC) en donde se selecciona la estación base que tomará la llamada. En cada estación base es posible determinar algunos parámetros que permiten obtener información sobre la localización del móvil como son: el ángulo de arribo de la señal, la distancia recorrida, el tiempo arribo de la señal, la potencia de la señal de arribo, etc.

TA (Timing Advance).  Es un parámetro concebido para evitar superposición de transmisión de varios móviles en una misma celda. Para propósitos de posicionamiento, indica una estimación de la distancia absoluta entre el móvil y la estación base. Para ello se miden los retardos de propagación de las señales radioeléctricas que intervienen en la comunicación entre la estación base y el móvil. Sabiendo que dichas señales viajan a una velocidad cercana a la de la luz podemos estimar dicha distancia, para trazar una arco o circunferencia sobre la cual estaría ubicado el móvil.

TDOA (Time Difference Of Arrival). Método para estimar la diferencia entre los tiempos de llegada de una señal, ya sea en downlink como en uplink. No es necesario en este caso conocer los tiempos de llegada; tan sólo basta con conocer la diferencia de dichos tiempos. Para calcular dichas diferencias de tiempo, una de las técnicas aplicables consiste en medir las diferencias de fase de la señal en cada una de las antenas receptoras.

TOA (Time Of Arrival). Magnitud que representa el tiempo absoluto que tarda en llegar una señal de radio de un origen a su destino

AoA (Angle of Arrival). Método para determinar el ángulo de llegada de una señal a una antena receptora. Se basa en mediciones TDOA capturadas en diversas antenas.

 Posicionamiento en Redes GSM [12]

CID (Cell ID). La posición del móvil corresponde a las coordenadas de la estación base que le presta servicio, La precisión de la localización es tan grande como el radio de cobertura de la celda

CID-TA (Cell ID-Timing Advance). Combina la información de Cell ID con la información de distancia estimada con el Timing Advance.

Fig. 8. Timing Advance en antenas sectorizadas y ominidireccionales

E-OTD (Enhanced Observed Time Difference). Este método utiliza lateración circular o hiperbólica basada en una señal piloto que viaja en el enlace descendente (downlink), y requiere la utilización de los parámetros de TOA o TDOA calculado por el móvil desde las estaciones base a su alrededor.

Fig. 9. Lateración hiperbólica

U-TDoA (Uplink Time Difference of Arrival). Este método utiliza igualmente lateración hiperbólica, pero es realizado en el enlace ascendente (uplink), es decir, la señal piloto es emitida por el móvil hacia la red, donde la posición es calculada. 

Fig. 10. Configuración U-TDoA

A-GPS (Assisted Global Positioning System). Este tipo de posicionamiento utiliza el principio D-GPS. Los terminales deben estar equipados con un receptor GPS, el cual es asistido con información desde la red, disminuyendo así el tiempo de adquisición y aumentando la exactitud de la localización. 

Fig. 11. Infraestructura A-GPS

Cabe mencionar que los métodos basados en GPS se pueden considerar inadecuados para el mandato E-911 debido a que el proceso de las señales GPS puede resultar demasiado lento para casos de la emergencia, consumen demasiada energía, y pueden llegar a ser demasiado costosos. Además, no trabajaban en el interior de edificios o en ambientes cubiertos.

Posicionamiento en redes UMTS [12]

Cell-based Method. En su forma más simple, la posición del móvil corresponde a las coordenadas de una estación base cercana, es decir, un Nodo B. Si es necesario, los datos de posición pueden ser precisados, teniendo en cuenta la distancia entre terminal y la estación base, la cual se puede obtener a partir del parámetro RTT (Round Trip Time), el AoA desde el móvil a la estación base, o ambos.

Fig. 12. Métodos de posicionamiento basado en celda

OTDoA-IPDL (Observed time difference of arrival with idle period downlink). Este método de posicionamiento es básicamente el equivalente en UMTS al E-OTD en GSM y sigue los mismos principios

A-GPS (Assisted Global Positioning System). Este método también está disponible para UMTS.

Casos de estudio: uso de redes neuronales en la gestión de localización

1. Ubicación a partir de la distancia. [14]

Este trabajo, desarrolla como método propuesto la utilización de la distancia recorrida por la señal como datos de entrada para una red neuronal tipo perceptrón multicapas. Las distancias son obtenidas a partir de la información del tiempo de arribo de la señal (TOA) y el entrenamiento de la red se realiza mediante el algoritmo denominado Levenberg-Marquardt [15]

Según se indica en su desarrollo, los datos de entrenamiento fueron generados aleatoriamente dentro del área de cobertura de una celda, calculando luego las distancias respectivas a cada estación base, y formando el par entrada-salida (datos de entrenamiento) donde la entrada corresponde a las distancias respectivas a cada estación base y la salida corresponde a la posición real del móvil.

Entrenamiento

Se utilizaron 10.000 patrones de entrenamiento y 500 patrones adicionales para la validación de la red. El entrenamiento se realizó mediante la función trainlm de MatLab [16] con un máximo de 500 iteraciones.

El entrenamiento se realiza para dos arreglos de celdas, una triangular y otra lineal, con la finalidad de comprobar el efecto de la geometría en el sistema de localización propuesto.

Fig. 13. Geometría de los arreglos de celda

El entrenamiento fue realizado bajo diferentes parámetros iniciales, a fin de evaluar la estructura de la red y su capacidad. Para el caso de geometría triangular, y técnicas circular y elípticas se obtuvo una estructura de red de 3-8-2, para el resto de los casos se obtuvo 3-12-8-2.

Desempeño de las Redes Neuronales, Efecto de la Geometría.

Se comparó el desempeño del sistema basado en redes neuronales con un sistema de localización basado en series de Taylor [17], demostrándose que este último se ve seriamente afectado por la geometría del sistema. En la figura se muestran tres de los puntos críticos.

A continuación se analiza cada uno de estos tres casos.

Fig. 14. Geometrías criticas para la localización

Para el caso "a", con el móvil alineado con las tres estaciones base, el método neuronal produjo resultados con un error de hasta 2 mts. en la estimación de las distancias. El método RNA resulto es más robusto para las técnicas circular y elíptica, mientras que el método de Taylor diverge para el caso elíptico.

En el caso "b", con geometría de estaciones base alineadas y el móvil no alineado, el método de Taylor muestra no ser aplicable para las tres técnicas y no logra convergencia para la técnica elíptica. El método neuronal funcionó con las tres técnicas, mostrando mejor desempeño en la técnica hiperbólica en la cual, aún con un error de 50 mts en la estimación de las distancias, la ubicación se mantiene por debajo del máximo establecido por la norma E-911 de la FCC.

Finalmente en el caso "c", con el móvil en la línea que une dos estaciones base, en general se observa un mejor desempeño del método neuronal, siendo aplicable a todas las técnicas descritas.

Efecto del control de potencia

En los sistemas CDMA un factor crítico en la implementación de las técnicas de localización es el control de potencia empleado para evitar los problemas de interferencia "próximo-lejano", ya que en la medida que un móvil se acerca a una estación base, disminuye su potencia. Esta disminución de la potencia afecta la estimación de los parámetros de localización en las otras estaciones. Por ello, el control de potencia en los teléfonos móviles celulares es uno de los principales problemas en la implementación de las técnicas para estimar su ubicación..

La ubicación estimada por los dos métodos tiende a degradarse a medida que el móvil se acerca a la estación base. El método RNA muestra un desempeño algo mejor que el método de Taylor, el cual no mostró ser aplicable a la técnica elíptica.

A medida que el móvil se acerca a estación base 1 (BS1), el error promedio en la estimación de la ubicación aumentó, a tal punto de exceder los 125 mts.

Fig. 15. Efecto del control de potencia

2. Predicción de la Trayectoria [18]

Este trabajo propone un modelo de movilidad y la utilización de un predictor de ubicación neuronal (Predictor Neural Location, PNL) para predecir la ubicación de un móvil.

Estos movimientos aparentemente al azar, son en realidad una función lógica de los usuarios: posición, velocidad, aceleración y dirección.

Una buena exactitud y una rápida predicción de localización pueden minimizar el tráfico de señalización requerido para mantener la calidad de servicio durante el handoff.

Cuando un usuario móvil se mueve, sus conversaciones son gestionadas entre distintas celdas para mantener una adecuada calidad de servicio (QoS). Este procedimiento de transferencia es esencial para garantizar la continuidad de una llamada.

Fig. 16. Reserva y liberación de recursos en las celdas vecinas

La figura anterior muestra un ejemplo de procedimiento de reserva de recursos de ancho de banda en las celdas durante el handoff. Los recursos son asignados a la conexión actual en la celda A, pero al mismo tiempo recursos adicionales son también reservados en todas las celdas vecinas B, 1, 2, 6, 7 y 8. Cuando el usuario se mueve desde la celda A a la celda B, los recursos reservado (y los no utilizados, si los hay) en la celda B se utilizan para dar cabida a la conexión de handoff, y los recursos reservados en las células 1, 7 y 8 (celdas que no son adyacentes a la celda B) son liberados. Al mismo tiempo, nuevos recursos son ahora reservados en las nuevas celdas vecinas A, 3, 4 y 5.

Una predicción de localización rápida y precisa puede reducir enormemente la cantidad recursos necesarios cuando un móvil se mueve en el límite de servicio de las celdas. No es necesario entonces reservar recursos en todas las celdas vecinas si un predictor de localización toma en cuenta la dirección de movimiento, y puede hacer una predicción precisa de cambio de celdas, por lo tanto, sólo es necesario reservar recursos en las celdas B, 2 y 6 (aunque sea una o dos celdas solamente), pero no en todas las celdas vecinas. 

 Cuando un movimiento de un móvil no encaja con la predicción de la localización, un Location Update se activa desde el móvil para informar a la red acerca de su ubicación real. De lo contrario, ningún tráfico de señalización es necesario, por tanto, el enfoque PNL permite ahorros en el proceso de ubicación de la actualización y el intercambio de señalización. 

Los modelos propuestos son:

Modelo de Movilidad 

Modelo de red neuronal 

No sólo el modelo transformado de movilidad, sino también el concepto de descomposición de coordenadas es muy importante en el diseño del predictor de ubicación neuronal (NLP). La descomposición nos permite dividir las tres últimas posiciones en dos pequeños grupos y Por lo tanto, la arquitectura NLP puede ser diseñada en dos grupos de redes neuronal feed-forward en lugar de solo una

Fig. 18. Red neuronal feed-forward (n=3) y arquitectura NLP propuesta (n=3).

Como puede verse, el modelo NLP utiliza menos conexiones. Cada conexión representa una multiplicación o una suma. Las entradas de ambas redes neuronales son las mismas.

La información acerca de la velocidad, aceleración, y la dirección se encuentran implícitas en las coordenadas.

La NLP sólo requiere las últimas tres posiciones. Otros predictores pueden requerir entradas más complicadas como la velocidad, aceleración y la dirección, y requerirán demasiado cálculo previo. El modelo de movilidad propuesto y el predictor NLP proporcionan una arquitectura única. 

Estructura de celda de dos niveles 

Consideremos un escenario real sobre el problema de reserva de recursos de ancho de banda. Si un móvil se ubica en una celda particular por un largo tiempo antes del handoff, los recursos se desperdician durante ese mismo tiempo

Fig. 19 Estructura celular de dos niveles

Por otra parte, la predicción de cambio de celda será menos precisa si un móvil aparece en el nivel 1 de la celda y realiza un gran cambio, por lo tanto, menor precisión en la predicción implicará mayor intercambio de señalización y mayor reserva de recursos inutilizados. Para evitar estos problemas, un segundo nivel en la estructura de celdas es adoptado.

El aumento de la propagación por distancia entre una estación base y un móvil se degrada según RSSI (Receive Signal Strength Indication) [19]. 

La probabilidad de handoff de un móvil aumenta cuando su distancia de la estación base aumenta. Una estructura celular de dos niveles utiliza RSSI para predecir el momento exacto en que se debe inducir el proceso de reserva de recursos antes del handoff

Un móvil con un RSSI mayor que el promedio de intensidad de la señal se encuentra ubicado en el nivel 1, de lo contrario, está en el nivel 2.

La estación base debería reservar recursos para un móvil ubicado en el nivel 2, debido a que el móvil tiene mayor probabilidad de handoff que en el nivel 1. Debido a la arquitectura en 2 niveles, RSSI es muy útil para reducir los recursos inutilizados, reducir la cantidad de tráfico de señalización y un incremento en la utilización de los recursos.

Análisis de rendimiento

Para reducir el tráfico de señalización, es necesario alcanzar una alta precisión de la predicción de la ubicación. Los modelos de movilidad de usuarios disponibles en las literatura asumen un movimiento en línea recta o velocidad constante, lo cual no refleja la realidad de uso.

El siguiente algoritmo garantiza el QoS durante el Handoff y puede hacer frente a las predicciones equivocadas que causan reservas de recursos innecesarias

Fig. 20. Mecanismo de reserva en NLP

3. Gestión inteligente de localización en redes UMTS utilizando redes neuronales difusas [20]

Este trabajo propone un modelo de aprendizaje a partir de patrones de usuarios móviles que permitiría reducir los costos de señalización en cuanto al Location Update, aumentando de inteligencia en la gestión de localización

Enfoque

En las redes móviles, la mayoría de los usuarios siguen rutinas regulares durante las horas hábiles, pasando la mayor parte del tiempo en sus lugares de trabajo. Para estos usuarios, es posible predecir su ubicación con una gran exactitud durante esas horas del día

El objetivo del modelo de aprendizaje de predicción de ubicación es aprovechar esta información para reducir los requerimientos de Location Update y Paging.

Los usuarios se podrían clasificar en tres categorías diferentes, dependiendo de la previsibilidad de su rutina diaria: los usuarios que tienen una probabilidad muy alta de estar donde el sistema espera que estén (usuarios deterministas), los usuarios que tienen una cierta probabilidad de estar donde el sistema espera que estén (usuarios cuasideterministas), y los usuarios cuya posición en un momento dado es impredecible (usuarios aleatorios). 

El diseño de estrategia de aprendizaje asocia a cada usuario una lista de Location Areas (LA) donde existen mayores probabilidades que esté ubicado dentro de un intervalo de tiempo dado.  Cuando ingresa una llamada, cada ubicación dentro de la lista es secuencialmente requerida hasta que el móvil es encontrado, por lo tanto, cuando un usuario se mueve dentro de los puntos de la lista, no se requerirá Location Update. 

Esta lista debe ser almacenada en una base de datos intermedia (ILD) asociada tanto al MSC como al móvil y la reducción de costos dependerá del comportamiento de cada tipo de usuario.  Si los usuarios móviles se clasifican en categorías, el sistema podría tratar a cada categoría de manera diferente para reducir al mínimo los costos del sistema. 

Según se indica, esta estrategia utiliza una red Neuro-Fuzzy adaptativa [21] para aprender sobre las rutinas de los usuarios. En general, los sistemas Neuro-Fuzzy son capaces de "aprender" las tendencias de un determinado conjunto de datos y el establecimiento de relaciones de input-output basado estrictamente en las "reglas" obtenidas de este conjunto de datos. Para esto, Es necesario que la "prueba" de datos que el sistema "aprende" sea lo más representativa posible, dentro de todas las posibilidades existentes. Las tendencias no vistas en los datos de prueba no serían "aprendidas" por el sistema, es decir, el sistema sólo funcionará tan bien como ha sido entrenado, aún cuando los ejemplos de entrenamiento pueden contener errores, ya que los métodos de aprendizaje ANFIS (Adaptative Neuro-Fuzzy Networks) son bastante robustos frente a ruido en los datos de entrenamiento.

Descripción del patrón de aprendizaje

La motivación principal detrás del uso de redes ANFIS es su capacidad de aprender las relaciones y la reglas de formación en conjuntos de datos complejos que no pueden ser fácilmente detectadas. Al observar el comportamiento diario del usuario móvil, se utiliza el algoritmo de ANFIS para aprender este comportamiento.