Résumé:
Ce mémoire explore l’usage de l’apprentissage profond pour prédire la couverture
dans les réseaux mobiles. Avec l’évolution rapide des technologies de communication (de la 2G
à la 5G), anticiper les performances réseau devient crucial. La première partie présente les bases
des réseaux cellulaires, l’évolution des générations et l’importance des paramètres radio (RSRP,
SINR, RSRQ, RSSI) pour évaluer la qualité du service. Une attention particulière est portée à
l’architecture 4G LTE. La deuxième partie introduit l’apprentissage automatique et profond, en
détaillant le fonctionnement des réseaux de neurones, notamment les CNN, adaptés au traitement
d’images. La dernière partie décrit l’implémentation d’un modèle hybride combinant un CNN
pour les images satellitaires et un MLP pour les données numériques (coordonnées GPS,
distance, indicateurs binaires). Le modèle est entraîné sur une base de données réelle collectée à
la DTU, intégrant mesures radio, géolocalisation et images satellite. Les résultats sont
prometteurs pour le RSRP, mais plus limités pour le SINR, révélant la complexité des
environnements urbains.
