Enhancement of vehicular ad hoc networks using machine learning-based prediction methods

Abstract

Society is aware that the ecological predation of the planet is due to human activity. Therefore, it is necessary to carry out actions to reverse this damage. Besides, the trend of population growth in big cities and the uncontrolled volume of traffic cause serious problems such as traffic delays, traffic jams, increased CO2 emissions, and traffic accidents. In this sense, so-called smart cities are motivated to create a greener and safer environment where both efficient mobility and public services seek to mitigate those problems. These initiatives are supported by smart technologies such as the Internet of Things (IoT) and information and communication technology (ICT), that provide the basis for creating and implementing smart city projects. In this context, modern vehicles today are equipped with a variety of sensors that enable them to detect and share information. This detected information can not only be useful for other vehicles but also to collect relevant data related to traffic management. This data can help to generate smart mobility solutions and help to improve city services. Vehicle ad hoc networks (VANET) enable communication between vehicles (V2I) and also between vehicles and the city's fixed infrastructure (V2I). Also, VANET routing protocols minimize the use of fixed infrastructure as they employ multi-hop V2V communication to reach the road side units (RSUs) of the city.This thesis aims to contribute to the design of VANET routing protocols for urban environments. We have started our research work analyzing some important aspects of the hop-by-hop forwarding routing based on the evaluation of node metrics. We have analyzed different weighting strategies to compute a multimetric score to arrange the candidate nodes to be as the next node to forward the packet. As a result, we have proposed a weighted power mean function (W-PMF) to improve the selection of the best forwarding candidate. We have shown that the best way to combine several metrics is by implementing the geometric mean function. Then, we have improved the selection of forwarding nodes by accurately estimating their current position at the moment of forwarding messages, instead of using the position information received in the last beacon.Nowadays, many applications and services are based on big data because valuable information can be extracted when the data is properly processed. In this sense, historical data about vehicular network conditions can provide us useful information to design new routing strategies based on predictions, A large number of simulations under different representative scenarios has been conducted to the collect the routing metrics and the related binary output (successfully delivered or not at destination). A statistical model to each metric has been obtained and used to design a new routing protocol. We have proposed a probability-based multimetric routing protocol (ProMRP), which selects the candidate nodes based on the highest probability to deliver the packet at the destination. Also, the accurate estimation of the node's position has been included to obtain an enhanced version called (EProMRP).The last contribution is focused on the applications of machine learning techniques to enhance routing decisions. To this end, a new data set has been collected from five routing metrics and have used to generate two different machine learning models: (i) a decision tree and an (ii) artificial neural network. Our proposals are called (i) multimetric predictive ML-based routing protocol (MPML) and (ii) multimetric predictive ANN-based routing protocol (MPANN). Different VANET scenarios and different city maps have been considered to evaluate each proposal. We have also assessed the level of flexibility of our proposals to adapt to new network conditions. For this purpose, MPANN (which has shown to be the best proposal) has been tested to different city scenarios, different from the city map used to train the model

La Societat és conscient que la depredació ecològica del planeta es deu a l'activitat humana. Per tant, cal dur a terme accions per revertir aquest dany. A més, la tendència de creixement de la població a les grans ciutats i el volum incontrolat de trànsit causen seriosos problemes. En aquest sentit, les ciutats intel·ligents estan motivades per crear un entorn més verd i segur on tant la mobilitat eficient com els serveis públics busquen mitigar aquests problemes. Els vehicles moderns estan equipats amb una varietat de sensors que els permeten detectar i compartir informació. Aquesta informació detectada no només pot ser útil per a altres vehicles, sinó també per recopilar dades rellevants relacionats amb la gestió de l'trànsit. Aquestes dades poden ajudar a generar solucions de mobilitat intel·ligent i ajudar a millorar els serveis de la ciutat. En aquest context, les xarxes de vehicles ad hoc (VANET) permeten la comunicació entre vehicles (V2I) i també entre vehicles i la infraestructura fixa de la ciutat (V2I). A més, els protocols d'encaminament VANET minimitzen l'ús d'infraestructura fixa, ja que empren comunicació V2V de multi-salt per arribar a les unitats d'infraestructura de comunicacions de la ciutat.Aquesta tesi té com a objectiu contribuir a el disseny de protocols d'encaminament de xarxes VANET en entorns urbans. Hem iniciat la nostra tesi analitzant alguns aspectes importants de l'encaminament salt-a-salt basat en l'avaluació de mètriques dels nodes. Hem analitzat diferents estratègies de ponderació per calcular un valor multimétrica amb el qual ordenar els nodes candidats a ser elegits com a següent node encaminador de el paquet. S'ha proposat una funció de potència amb mitjana ponderada (W-PMF) per millorar la selecció del millor node d'encaminament. Hem demostrat que la millor manera de combinar diverses mètriques és implementant la funció de mitja geomètrica. A més, hem millorat la selecció de nodes encaminadors calculant la seva posició en el moment de reenviament de paquets, en lloc d'utilitzar la informació de posició rebuda en l'últim beacon.Actualment, diverses aplicacions i serveis es basen en grans volums de dades de la qual es pot extreure informació valuosa quan es processen adequadament les dades. En aquest sentit, les dades sobre les condicions de la xarxa vehicular poden proporcionar-nos informació útil per dissenyar noves estratègies d'encaminament basades en prediccions. S'ha realitzat una gran quantitat de simulacions sota diferents escenaris representatius per recopilar les mètriques de l'encaminament i de la valor binari de l'resultat entrega del paquet al destí amb èxit o no) associat. Un model estadístic per a cada mètrica es va obtenir per dissenyar el nostre protocol d'encaminament multimétrico basat en probabilitat (ProMRP), que selecciona els nodes candidats en funció de la major probabilitat que asseguri el lliurament de el paquet a destinació. A més, s'ha inclòs l'estimació de la posició de el node per obtenir una versió millorada anomenada (EProMRP).L'última contribució se centra en les aplicacions de tècniques d'aprenentatge automàtic per millorar les decisions d'encaminament. Un nou conjunt de dades es va utilitzar per generar dos models diferents d'aprenentatge automàtic: (i) protocol d'encaminament multimétrico predictiu basat en aprenentatge automàtic (MPML) i (ii) protocol d'encaminament multimétrico predictiu basat en xarxa neuronals artificial (MPANN). S'han considerat diferents escenaris de VANET i diferents mapes de ciutats per avaluar cada proposta. També hem avaluat el nivell de flexibilitat de les nostres propostes per a adaptar-se a noves condicions de xarxa. Amb aquesta finalitat, MPANN (que ha mostrat ser la millor proposta) s'ha provat en diferents ciutats amb característiques diferents a el mapa utilitzat en l'entrenament.

La Sociedad es consciente de que la depredación ecológica del planeta se debe a la actividad humana. Por lo tanto, es necesario llevar a cabo acciones para ayudar a revertir este daño. Sumado a esto, la tendencia de crecimiento de la población en las grandes ciudades y el volumen incontrolado de tráfico causan serios problemas, como demoras en el tráfico, atascos, aumento de las emisiones de CO2 y accidentes de tráfico. En este sentido, las denominadas ciudades inteligentes están motivadas para crear un entorno más verde y seguro donde tanto la movilidad eficiente como los servicios públicos buscan mitigar esos problemas. Estas iniciativas están respaldadas por tecnologías inteligentes como la Internet de las cosas (IoT) y las tecnologías de la información y las comunicaciones (TIC) que proporcionan la base para crear e implementar numerosos interesantes proyectos para ciudades inteligentes. En este contexto, los modernos vehículos de hoy en día están equipados con una variedad de sensores que les permiten detectar y compartir información. Esta información detectada no solo puede ser útil para otros vehículos, sino también para recopilar datos relevantes relacionados con la gestión del tráfico, como nivel de congestión de tráfico, uso de energía, etc. para generar soluciones de movilidad inteligente y contribuir en mejorar los servicios de la ciudad. En este contexto, las redes de vehículos ad hoc (VANET) permiten la comunicación entre vehículos (V2I) y también entre vehículos y la infraestructura _ja de la ciudad (V2I). Además, los protocolos de encaminamiento VANET minimizan el uso de infraestructura _ja, ya que emplean comunicaciones V2V de múltiples saltos para llegar a las unidades de infraestructura de comunicaciones de la ciudad. En este marco de investigación, esta tesis tiene como objetivo contribuir al diseño de protocolos de encaminamiento de redes vehiculares ad hoc (VANET) en entornos urbanos. Para este propósito, hemos iniciado nuestro trabajo de investigación analizando algunos aspectos importantes del encaminamiento salto-a-salto basado en la evaluación de métricas de encaminamiento de los nodos. Hemos analizado diferentes estrategias de ponderación de las métricas para calcular un valor multimétrica con el que ordenar los nodos candidatos (nodos vecinos del nodo que actualmente tiene el paquete) a ser elegidos como siguiente nodo encaminador del paquete hacia su destino. Como resultado, hemos propuesto una función de potencia con media ponderada (W-PMF) para mejorar la selección del mejor nodo de encaminamiento. En esta propuesta, demostramos que la mejor manera de combinar varias métricas es implementando la función de media geométrica. Adicionalmente, hemos mejorado la selección de nodos encaminadores estimando su posición en el momento de reenvío de paquetes con mayor precisión, en vez de utilizar la posición recibida en el último mensaje beacon. Actualmente, diversas aplicaciones y servicios se basan en grandes volúmenes de datos (big data) de la que se puede extraer información valiosa cuando se procesan adecuadamente los datos. Bajo esta premisa, se ha considerado relevante recopilar datos históricos sobre las condiciones de la red vehicular y relacionarlos con las prestaciones correspondientes de la VANET. Los datos recopilados nos proporcionan información útil para diseñar nuevas estrategias de encaminamiento basadas en predicciones. Con este objetivo en mente, hemos evaluado diversas métricas de encaminamiento (distancia al destino, densidad de vehículos, ancho de banda disponible) que describen las condiciones de la red cuando el vehículo que actualmente tiene el paquete necesita elegir el mejor siguiente nodo para encaminar el paquete hacia su destino, siguiendo un esquema salto-a-salto. Se ha realizado una gran cantidad de simulaciones bajo diferentes escenarios representativos para crear un conjunto de datos a partir de los valores de las métricas de encaminamiento y del valor binario del resultado (entrega con éxito o no en destino) asociado. Luego, hemos llevado a cabo un análisis del conjunto de datos generado y se obtuvo un modelo estadístico para cada métrica. Este modelo estadístico se ha utilizado para diseñar un nuevo algoritmo de encaminamiento de paquetes en VANETs. Con dicho algoritmo, hemos propuesto un protocolo de encaminamiento multimétrico basado en probabilidades (ProMRP), que selecciona los nodos candidatos en función de la mayor probabilidad que asegure la entrega del paquete en su destino. Además, se ha incluido una estimación precisa de la posición del nodo para as__ obtener una versión mejorada de nuestro protocolo denominada EProMRP. La última contribución se centra en la aplicación de técnicas de aprendizaje automático (machine learning) para mejorar las decisiones de encaminamiento. Con este fin, se ha recopilado un nuevo conjunto de datos de cinco métricas (distancia al destino, trayectoria, densidad de veh__culos, ancho de banda disponible y pérdidas a nivel MAC). El conjunto de datos recopilado se ha utilizado para generar dos modelos diferentes de aprendizaje automático: (i) un árbol de decisión con una profundidad máxima del árbol igual a 20, y (ii) una red neuronal artificial de dimensión 1/3/1 (una capa de entrada, 3 capas ocultas y una capa de salida). Nuestras propuestas se denominan (i) protocolo de encaminamiento multimétrico predictivo basado en machine learning (MPML), y (ii) protocolo de encaminamiento predictivo multimétrico basado en red neuronal artificial (MPANN), respectivamente. El objetivo es generar modelos de aprendizaje automático con la predicción exacta más alta. Las propuestas han sido evaluadas mediante métricas de rendimiento de aprendizaje automático y mediante simulaciones VANET realistas. Se han considerado diferentes escenarios VANET con diferentes tamaños de red, mapas de ciudades con diferente orografía y disposición de las calles, diversas densidades de vehículos, para evaluar cada propuesta. También hemos evaluado el nivel de flexibilidad de nuestra propuesta para adaptarse a otros escenarios de ciudades distintas al mapa urbano utilizado para entrenar los modelos. Para este propósito, MPANN (que ha mostrado ser la mejor propuesta) ha sido probado en dos áreas urbanas de distintas ciudades con características diferentes. Con esta última evolución, hemos podido medir la capacidad de nuestro modelo para adaptarse a nuevas condiciones de red.