Positioning and prediction in indoor Wi-Fi networks ; Géolocalisation et prédiction dans les réseaux Wi-Fi en intérieur
Democratization of mobile terminals and bandwidth capability allow to consider new applications, particularly context-aware applications. Such applications require service continuity and mobile terminal positioning. We propose on one hand to locate mobile terminaux and, on the other hand, mobility prediction. Navigation Satellites Systems are not working indoors. Thus we base our work on IEEE 802.11 networks. Two methods exist to locate a Wi-Fi terminal : the first one is based on a signal strength map. The other one is based on computation of distances between the mobile terminal and points whose coordinates are known. Each method having his own drawbacks, we merge both of them to improve positioning accuracy. We propose a first model, which computes distances between the terminal and the access points, based on the SS received. Terminal's location is inferred by calculation. The second model we propose restricts the positioning to an area through an SS map. Then, in this area, the first model is applied to determine the terminal's location. We tested our models and some models we studied, varying the tests conditions. Distance computation-based systems achieve an accuracy from 9 to 15 meters. The SS map-based ones reach an accuracy from 3 to 7 meters. Locations history allows a learning system to build a mobile terminals mobility model, allowing to predict further moves by comparing new moves to the model. We propose to model mobility through Markov models and bayesian networks. We add a threshold to these models to determine a mobility-related policy to the terminal. Accuracy of the models vary according to the threshold value and the order of the Markov model. However, the models reach 75\% good guesses when trying to predict a terminal's move. Such accuracy allows to consider handover anticipation by applying an adequate policy. ; La démocratisation des terminaux mobiles et l'accroissement des débits disponibles permettent d'envisager de nouvelles applications, en particulier relatives au contextes. Celles-ci nécessitent d'assurer la continuité des services et la détection de la position du terminal mobile. Nous proposons d'une part la géolocalisation des terminaux et, d'autre part, la prédiction de la mobilité. Les systèmes satellites ne fonctionnant pas à l'intérieur des bâtiments, nous basons nos travaux sur les réseaux Wi-Fi. Deux méthodologies se démarquent pour localiser un terminal Wi-Fi : l'une repose sur une cartographie des puissances, l'autre repose sur le calcul des distances entre le terminal et des points dont les coordonnées sont connues. Chaque modèle ayant ses points faibles, nous les avons combinés pour améliorer la précision finale. Nous proposons un premier modèle qui calcule les distances entre le terminal mobile et des points d'accès en se basant sur la puissance du signal reçu. Il en déduit la position du terminal par calcul. Le second modèle proposé restreint la recherche à une zone homogène grâce à la cartographie des puissances avant d'utiliser le premier modèle. Nous avons expérimenté nos modèles ainsi que les modèles fondamentaux de l'état de l'art en étendant leurs conditions d'application. Les résultats des systèmes basés sur la propagation des ondes sont de l'ordre de 9 à 15 mètres d'erreur. Les modèles basés sur une cartographie permettent quant-à-eux d'atteindre une précision de l'ordre de 3 à 7 mètres selon les conditions. L'historique des positions permet à un système d'apprentissage d'acquérir un modèle des déplacements des terminaux puis de prédire les déplacements futurs par l'étude et la comparaison du modèle obtenu à des déplacements ultérieurs. Nous avons proposé en particulier d'employer les chaînes de Markov et les réseaux bayésiens pour effectuer l'apprentissage et la prédiction de la mobilité. Nous avons enrichi ces modèles d'un seuil qui détermine le choix des politiques à appliquer en fonction des déplacements du terminal. La précision de nos modèles est variable en fonction des paramètres d'ordre et de seuil mais permet d'atteindre des taux de réussite de la prédiction de 75%. Cette précision permet d'envisager l'anticipation des handovers et l'application d'une politique appropriée.