Titre :	Optimisation du débit et réduction de la consommation d’énergie dans les réseaux mob iles 4G LTE/5G multi-bandes de stations de base à petites cellu les : Concept d’Intelligence Artificielle (IA).
Type de document :	texte imprimé
Auteurs :	Ndolane Diouf, Auteur
Editeur :	Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Physique, Chimie, Sciences de la Terre, de l'Univers et de l'Ingénieur
Année de publication :	2026
Importance :	1vol.(169p.)
Présentation :	30cm.
Format :	PDF
Langues :	Français (fre)
Mots-clés :	Débit  Réseau mobile 4G LTE/5G multi-bandes  Réseau mobile  4G  5G  Réseau mobile multi-bandes  Consommation d’énergie  Consommation  Energie  Intelligence artificielle  Machine learning  Deep learning  Consommation énergétique  Réseau mobile hétérogène  Télécommunication  Intelligence Artificielle
Résumé :	La croissance rapide du trafic dans les réseaux mobiles 4G LTE et 5G s’accentue davantage par une augmentation continue des besoins en débit, en qualité de service (QoS) et en efficacité énergétique. Avec le déploiement massif des stations de base et l’exploitation de multiples bandes de fréquences, les opérateurs font face à un défi majeur : améliorer les performances du réseau tout en maîtrisant la consommation énergétique du réseau d’accès radio (RAN). Cette thèse propose des mécanismes intelligents permettant d’optimiser le débit perçu par les utilisateurs tout en réduisant la consommation d’énergie dans les réseaux mobiles hétérogènes 4G LTE/5G multi-bandes. Les travaux reposent sur l’analyse de données réelles issues de réseaux opérationnels d’Orange Sénégal et de SFR de la France, ce qui renforce la pertinence industrielle des résultats obtenus. Dans un premier temps, une étude des relations entre les indicateurs clés de performance (KPI) met en évidence le rôle déterminant de l’indicateur de qualité du canal (CQI) dans la prédiction du débit descendant. Des modèles de Machine Learning, notamment le Random Forest, permettent d’obtenir des prédictions plus précises du débit. Dans un second temps, la thèse aborde la prédiction de la qualité du canal dans les réseaux à petites cellules à l’aide de modèles de Deep Learning. Les architectures des réseaux neuronaux profonds (DNN) et les mémoires à court et long terme (LSTM) sont étudiées afin de capturer les dynamiques temporelles du canal radio, les résultats montrant que le modèle LSTM offre les meilleures performances. Enfin, un algorithme prédictif basé sur le LSTM est proposé pour estimer dynamiquement le nombre optimal de bandes de fréquences actives selon la charge de trafic. Cette approche permet de réduire la consommation énergétique de 8 % à 21 % sans dégradation notable de la QoS.
Permalink :	https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3728

Optimisation du débit et réduction de la consommation d’énergie dans les réseaux mob iles 4G LTE/5G multi-bandes de stations de base à petites cellu les : Concept d’Intelligence Artificielle (IA). [texte imprimé] / Ndolane Diouf, Auteur . - Dakar : Université Cheikh Anta Diop de Dakar : Ecole Doctorale Physique, Chimie, Sciences de la Terre, de l'Univers et de l'Ingénieur, 2026 . - 1vol.(169p.) : 30cm. ; PDF.
Langues : Français (fre)

Mots-clés :	Débit  Réseau mobile 4G LTE/5G multi-bandes  Réseau mobile  4G  5G  Réseau mobile multi-bandes  Consommation d’énergie  Consommation  Energie  Intelligence artificielle  Machine learning  Deep learning  Consommation énergétique  Réseau mobile hétérogène  Télécommunication  Intelligence Artificielle
Résumé :	La croissance rapide du trafic dans les réseaux mobiles 4G LTE et 5G s’accentue davantage par une augmentation continue des besoins en débit, en qualité de service (QoS) et en efficacité énergétique. Avec le déploiement massif des stations de base et l’exploitation de multiples bandes de fréquences, les opérateurs font face à un défi majeur : améliorer les performances du réseau tout en maîtrisant la consommation énergétique du réseau d’accès radio (RAN). Cette thèse propose des mécanismes intelligents permettant d’optimiser le débit perçu par les utilisateurs tout en réduisant la consommation d’énergie dans les réseaux mobiles hétérogènes 4G LTE/5G multi-bandes. Les travaux reposent sur l’analyse de données réelles issues de réseaux opérationnels d’Orange Sénégal et de SFR de la France, ce qui renforce la pertinence industrielle des résultats obtenus. Dans un premier temps, une étude des relations entre les indicateurs clés de performance (KPI) met en évidence le rôle déterminant de l’indicateur de qualité du canal (CQI) dans la prédiction du débit descendant. Des modèles de Machine Learning, notamment le Random Forest, permettent d’obtenir des prédictions plus précises du débit. Dans un second temps, la thèse aborde la prédiction de la qualité du canal dans les réseaux à petites cellules à l’aide de modèles de Deep Learning. Les architectures des réseaux neuronaux profonds (DNN) et les mémoires à court et long terme (LSTM) sont étudiées afin de capturer les dynamiques temporelles du canal radio, les résultats montrant que le modèle LSTM offre les meilleures performances. Enfin, un algorithme prédictif basé sur le LSTM est proposé pour estimer dynamiquement le nombre optimal de bandes de fréquences actives selon la charge de trafic. Cette approche permet de réduire la consommation énergétique de 8 % à 21 % sans dégradation notable de la QoS.
Permalink :	https://bibliothequefst.ucad.sn/index.php?lvl=notice_display&id=3728