This thesis explores the application of a neural network approach to cell tower localization using crowdsourced measurements. The deployment of cell tower infrastructure has been increasing exponentially in recent times as it is a crucial element of mobile communications. Location information is key to the quality of 4G LTE and 5G wireless service, establishing accurate coverage maps and different connectivity studies. Mobile carriers do not usually disclose the location of their cell towers due to security concerns, regulatory requirements, or market competition. In addition, open-source datasets on cell tower localization available online are often incomplete, inaccurate, or non-existent. Crowdsourcing enables the collection of large amounts of signal measurements from several mobile devices. By labeling these measurements with ground truth locations of base stations, we can address this challenge, employing a machine learning framework to predict the geographical locations of cell towers. The methodology followed in this project involves data preprocessing and feature engineering of a crowdsourced dataset along with the implementation and tuning of a multi-layer perceptron (MLP) neural network model. The cell tower approximations obtained with this method excelled other state-of-the-art localization algorithms and provide a better estimation of telecommunication infrastructure deployments than open-source datasets. Overall, this thesis discusses the feasibility of employing a neural network model for predicting cell tower locations, while addressing some limitations and possible improvements for the localization problem. / Denna avhandling utforskar tillämpningen av ett neuralt nätverkstilvägagångssätt för lokalisering av mobiltelefonmaster med hjälp av crowdsourcade mätningar. Utbyggnaden av infrastrukturen för mobiltelefonmaster har ökat exponentiellt på senare tid eftersom den är en avgörande del av mobil kommunikation. Platsinformation är nyckeln till kvaliteten på 4G LTE och 5G trådlös tjänst, att etablera precisa täckningskartor och olika anslutningsstudier. Mobiloperatörer avslöjar vanligtvis inte platsen för sina mobiltelefonmaster på grund av säkerhetshänsyn, regulatoriska krav eller marknadskonkurrens. Dessutom är öppna datakällor för lokalisering av mobiltelefonmaster som finns tillgängliga online ofta ofullständiga, felaktiga eller icke-existerande. Crowdsourcing möjliggör insamling av stora mängder signalmätningar från flera mobila enheter. Genom att märka dessa mätningar med de faktiska platserna för basstationer kan vi ta itu med denna utmaning, genom att använda ett ramverk för maskininlärning för att förutsäga de geografiska platserna för mobiltelefonmaster. Metodiken som följdes i detta projekt involverar datapreprocessering och egenskapsingenjörskonst av en crowdsourcad datamängd tillsammans med implementering och justering av en flerlagers perceptron (MLP) neuralt nätverksmodell. Mobiltelefonmästarnas approximationer som erhållits med denna metod överträffade andra toppmoderna lokaliseringsalgoritmer och ger en bättre uppskattning av telekommunikationsinfrastrukturutplaceringar än öppna datakällor. Sammantaget diskuterar denna avhandling genomförbarheten av att använda en neuralt nätverksmodell för att förutsäga platser för mobiltelefonmaster, samtidigt som den tar upp vissa begränsningar och möjliga förbättringar för lokaliseringsproblemet.
| Identifer | oai:union.ndltd.org:UPSALLA1/oai:DiVA.org:kth-335220 |
| Date | January 2023 |
| Creators | Escandón Álvarez, Carlos |
| Publisher | KTH, Skolan för elektroteknik och datavetenskap (EECS), Stockholm : KTH Royal Institute of Technology |
| Source Sets | DiVA Archive at Upsalla University |
| Language | English |
| Detected Language | Swedish |
| Type | Student thesis, info:eu-repo/semantics/bachelorThesis, text |
| Format | application/pdf |
| Rights | info:eu-repo/semantics/openAccess |
| Relation | TRITA-EECS-EX ; 2023:590 |
Page generated in 0.0153 seconds