Clima, MDT e Machine Learning per osservare il comportamento delle città

Clima, MDT e Machine Learning per osservare il comportamento delle città
 

Clima, MDT e Machine Learning per osservare il comportamento delle città

La vista privilegiata offerta dalle misure radiomobili MDT rappresenta un valore anche per lo studio degli impatti ambientali e dei relativi riflessi sui comportamenti sociali.
Il lavoro di ricerca analizza possibili correlazioni tra eventi meteo di piovosità e variazioni sia nella distribuzione delle persone sul territorio sia nelle misure radio effettuate dai terminali mobili. La ricerca è stata svolta analizzando misure MDT 2019 dell’Emilia Romagna e 2018 del Veneto, confrontando giornate e momenti climaticamente differenti. Viene mostrata una modalità di misura di entrambe le tipologie di variazioni indotte dal clima, la variazione comportamentale degli utilizzatori, attraverso la misura dell’entropia posizionale, e la variazione di parametri fisici, attraverso la misura del RSRP (4G LTE Reference Signal Received Power). Viene infine presentata l’opportunità, offerta dall’innovazione MDT, che tali tipologie di analisi proiettano sia per lo studio degli effetti dei cambiamenti climatici nelle nostre città sia per l’evoluzione del business degli Operatori.

 

Introduzione

Lo standard 3GPP MDT (Minimization of Drive Test) [1-4] offre la possibilità di raccogliere le misure radio che il terminale mobile effettua sia quando sta utilizzando una connessione (Connected Mode) sia quando si trova in uno stato di attesa (Logged Mode), il tutto abbinato alle coordinate GPS, qualora disponibili, della posizione nella quale è stata effettuata la singola misura.
La diffusione sul territorio dei telefonini e la numerosità stessa delle misure anonimizzate MDT permette di costruire una base dati di sufficiente validità statistica, aspetto rilevante per studiare l’influenza delle precipitazioni atmosferiche sulla distribuzione del traffico e sul livello di segnale ricevuto dai terminali mobili. Tipicamente si considera trascurabile l’effetto delle precipitazioni sulle comunicazioni mobili, alle usuali frequenze tra 800 MHz e 2,7 GHz, in quanto facendo riferimento all’attenuazione della pioggia essa risulta molto bassa, come riportato dalle raccomandazioni ITU [5-8]. Tuttavia, rispetto ai collegamenti punto-punto, la telefonia mobile, specie all’interno delle città, è caratterizzata dalla presenza di cammini multipli dei segnali radio [9]. Ciò influisce sulla propagazione elettromagnetica e, quando l’ambiente diventa bagnato, si alterano le caratteristiche dielettriche superficiali del suolo, delle pareti, degli edifici, dei tetti, del fogliame, delle auto ed in generale di tutte le superfici incontrate. Altri autori hanno effettuato considerazioni sull’effetto della pioggia. Ad esempio Rogers et al. [10], evidenziano come le proprietà dielettriche degli alberi variano da stagione a stagione in funzione anche della salinità dell’acqua nelle precipitazioni atmosferiche. Li et al. [11] mostra come la permettività elettrica equivalente della pioggia dipende sia della frequenza di lavoro sia dal tasso di piovosità.
S. Helhel et al. [12] riportano uno studio con misure a 900 MHz e 1800 MHz mostrando come globalmente, l’ambiente bagnato circostante formato da suolo ed alberi riduce il valore del segnale radio ricevuto di qualche dB.
La novità della ricerca presentata in questo articolo è l’utilizzo di una grande quantità di misure generate da terminali mobili. I terminali mobili sono infatti a tutti gli effetti strumenti di misura del campo elettromagnetico ed il fatto che, con MDT, si disponga di un elevato numero di misure geolocalizzate, consente poi di applicarvi analisi statistiche e modelli per isolare i singoli effetti ipotizzati ed individuare i riscontri cercati, in scenari di traffico reale.
L’articolo mostra che le condizioni meteo possono influire già alle frequenze portanti oggi utilizzate nelle reti radiomobili 2G, 3G e 4G (800-1800-2600 MHz), ma alcuni degli effetti evidenziati in questa ricerca saranno ulteriormente osservabili sulle reti 5G, quando cioè si utilizzeranno frequenze portanti superiori (onde millimetriche), frequenze maggiormente influenzate dalla presenza d’acqua. L’evoluzione verso il 5G non potrà quindi prescindere dallo sviluppo di soluzioni SON (Self-Organising Network), per rendere le infrastrutture in grado di misurare costantemente, e quindi poi adattarsi dinamicamente, alle variazioni dovute ad eventi meteorologici, il tutto al fine di mantenere al livello desiderato la qualità della rete radio.
L’articolo è suddiviso in quattro sezioni principali. Nella prima sezione si analizzano dati Meteo dell’Emilia (Bologna), in relazione al tema dell’entropia posizionale. Nella seconda sezione si analizzano dati Meteo  del Veneto (Padova) in relazione al tema [9] del livello di segnale ricevuto. Nella terza sezione si discute delle potenzialità che gli studi basati su MDT proiettano anche per le analisi sulla vita e sull’evoluzione della città. I dati MDT trattati in questo articolo sono stati collezionati tramite il sistema Geosynthesis (Nokia).  Nella quarta sezione si riflette su come l’evoluzione tecnica delle reti e gli strumenti d’analisi oggi a disposizione finiscano per influenzare il ruolo stesso dell’Operatore.

 

Meteo dell’Emilia ed Entropia posizionale

Il mese di maggio 2019 è risultato un mese climaticamente eccezionale per l’Italia, con diversi episodi di maltempo un po’ su tutta la penisola, spesso durante il fine settimana. Ed è proprio un fine settimana che viene qui esaminato, in particolare la domenica 12 Maggio 2019, caratterizzato da fenomeni meteo anche intensi che hanno interessato la regione Emilia Romagna, come si evince anche dal fotogramma di Figura 1 (elaborazione basata su un’immagine radar della Protezione Civile), in un contesto meteorologico che ha presentato rapide successioni di momenti precipitativi e momenti di pausa un po’ in tutta la regione in esame.

 

Figura 1 - Fotogramma tratto da immagini radar pubblicate dalla Protezione Civile. Poco prima delle 18:00 (16:50 UTC+2H, per ottenere l’ora Italiana) si è formato un forte nucleo temporalesco (la macchia rossa, evidenziata dalla freccia) all’incirca al confine delle province di Bologna, Ferrara e Ravenna. Quel forte nucleo temporalesco si è poi rapidamente spostato verso ponente, prima di perdere intensità.

Nelle stesse giornate risultava attiva anche una campagna di misure MDT 4G del cluster (insieme di Celle 4G LTE) di Bologna, per cui è risultato possibile studiare gli effetti di quel nucleo temporalesco sulla distribuzione del traffico telefonico nella zona. L’importanza dello studio di queste variazioni dipende dal fatto che la copertura radioelettrica di un territorio è solo idealmente considerabile uniforme in tutte le posizioni, poiché nella realtà il segnale radioelettrico ha punti di emissione specifici (le antenne) ed inoltre è ovunque sottoposto ad attenuazioni, riflessioni e rifrazioni che alterano il livello del segnale nei singoli punti di un territorio. La qualità dei servizi varia quindi anche in funzione del dove effettivamente i servizi vengono utilizzati, ed a sua volta il dove (vengono utilizzati i servizi) può essere influenzato dall’ambiente, e dalle sue variazioni.
È intuibile che in situazioni di tempo caldo e stabile uno spazio pubblico possa essere occupato con modalità differenti rispetto ad una situazione piovosa, specie se molto intensa, durante la quale l’occupazione di singoli luoghi più riparati dall’intemperie può improvvisamente diventare una posizione di utilizzo dei servizi molto più probabile di altre.
Essendo in linea teorica moltissime le possibili distribuzioni di posizioni lungo un territorio diventa rilevante individuare una modalità di misura delle distribuzioni che sia ad un tempo oggettiva, rapidamente ricavabile dai dati radio e comunque ancora indicativa dei diversi scenari (complessivi) d’utilizzo dei servizi. Viene incontro a questa esigenza riassuntiva di fenomeni complessi il concetto di entropia, concetto emerso in Fisica per rappresentare in modo sintetico lo stato di maggiore o minore ordine di un sistema composto di moltissime componenti, componenti che nel nostro caso non saranno le particelle fisiche ma lo sciame di terminali che accedono ed utilizzano servizi radiomobili.
Parleremo quindi di entropia posizionale, una rappresentazione numerica semplice di quanto lungo un territorio gli utilizzatori di servizi radiomobili tendano più ad essere “caoticamente dispersi” (in tutte le posizioni possibili) o, al contrario, tendano più ad essere “ordinatamente raccolti” intorno ad alcune posizione specifiche.
Passando ad un esempio illustrativo relativo all’area emiliana in esame viene analizzato un rettangolo (5 km di diagonale) di territorio che circonda il centro commerciale Meraville di Bologna (Viale Tito Carnacini). Questo tipo di area rappresenta infatti un luogo ad un tempo sufficientemente frequentato (nelle ore di apertura), per poter così disporre di misure statisticamente significative, ma anche un luogo molto accessibile e con pochi vincoli posizionali, essendo un centro commerciale tipicamente dotato di ampi parcheggi e di varie strade di accesso e deflusso.
Il rettangolo di territorio anzidetto è stato quindi idealmente suddiviso in 48 mattonelle identiche, a ciascuna delle quali diventa così possibile associare il numero di misure radio ivi generate, entro uno specifico intervallo temporale (scelto di 5 minuti).  Ecco quindi che la distribuzione delle misure radio nella zona può così essere trasformata (vedi Figura 2) in una sequenza di “fotografie” che rappresentano le varie mattonelle, ciascuna più o meno popolata, di momento in momento.

 

Figura 2 - Esempio di rasterizzazione delle misure nella zona del Centro Commerciale Meraville (Bologna). Ogni riquadro rappresenta un intervallo temporale di 5 minuti, ed i diversi colori la densità di misure in una mattonella (il colore più scuro indica una densità maggiore, quello più chiaro una densità minore).

La suddivisione (rasterizzazione) delle presenze entro le mattonelle può infine tramutarsi in un vettore (un elenco di numeri), ove ogni posizione del vettore rappresenta una delle varie mattonelle, ed in ciascuna mattonella (posizione del vettore) vi compare il conteggio delle misure radio in quella specifica mattonella (in quel momento). Nell’esempio in esame sono state conteggiate nelle mattonelle solo le misure radio associabili a spostamenti a bassa velocità (minore di 5 km/h), puntando ad isolare gli spostamenti di tipo pedonale (che sono più liberi di occupare qualsiasi porzione di territorio) da quelli stradali (più vincolati alle strade ed alle direzioni obbligate).
Di ciascun vettore (che rappresenta le mattonelle entro un singolo intervallo temporale) è poi possibile misurare (avvalendosi degli strumenti di Teoria dell’Informazione) esattamente quanta informazione quel vettore contiene cioè, per esempio, quanti bit informativi servirebbero per descriverlo nella sua specifica composizione. Chiaramente il caso di una sola mattonella popolata sarebbe una situazione che intuitivamente richiederà meno bit, per essere descritta, rispetto al caso di molte mattonelle popolate, e tutte popolate in modo differente tra loro. In termini di entropia diremmo che nel primo caso il sistema è abbastanza ordinato (bassa entropia), mentre nel secondo caso affermeremmo l’esatto contrario, cioè che il sistema risulta abbastanza disordinato (alta entropia). Nella Figura 3 è riportato un esempio di distribuzione dei campioni MDT nella zona oggetto dell’analisi.

 

Figura 3 - Rappresentazione grafica di un esempio di distribuzione geografica dei campioni nella zona in esame

Possiamo quindi mettere a confronto due giornate differenti, cioè il sabato 11 Maggio, che non ha presentato particolari criticità meteorologiche, con il giorno successivo, la domenica 12 Maggio, che verso il tardo pomeriggio ha manifestato un rapido crescendo di piovosità.
Ciò che ci si aspetta è che quando iniziano momenti di intensa piovosità la zona investita da quei fenomeni tenda a diminuire la propria entropia posizionale, perché le posizioni d’utilizzo dei servizi tenderanno a ridursi in quanto molti più utilizzatori tenderanno a raggrupparsi in alcune zone specifiche (quelle più riparate) e pochi utilizzatori rimarranno sparpagliati nelle posizioni che prima (della pioggia) risultavano frequentabili senza problemi. La Figura 4 conferma questa ipotesi mostrando che quando inizia il periodo di intensa piovosità (dopo le 18:00) l’andamento dell’entropia misurata tende a ridursi, mentre nello stesso periodo del giorno precedente (meno piovoso) questo fenomeno non si manifesta.

 

Figura 4 - Variazioni della Entropia (posizionale) nei dintorni del Centro Commerciale Meraville (Bologna) nei giorni 11 Maggio (tempo meno piovoso, nella zona) e 12 Maggio (fenomeni piovosi pomeridiani, acuti dal tardo pomeriggio come evidenziato dal simbolo della pioggia). Per consentire il confronto tra i due giorni nel grafico è riportato il valore medio (“Mean”) di entropia riferito alle due giornate poste a confronto.

Generalizzando il singolo esempio qui illustrato possiamo intuire le potenzialità derivanti dall’utilizzo di MDT come strumento per monitorare luoghi, tempi e situazioni dei contesti urbani, facendo leva sulle potenzialità che il concetto di entropia posizionale ci mette a disposizione.
Numerose ricerche [15-18] basate sull’analisi di un numero considerevole di tracce spazio-temporali generate dai device mobili hanno delineato la possibilità di individuare diversi livelli di “ordine” (ad es. l’ordine spaziale, l’ordine sociale, l’ordine spontaneo auto-organizzato), nella distribuzione apparentemente casuale dei cittadini nel tessuto urbano.

 

Meteo del Veneto e Segnale Radiomobile

Se lo studio dei fenomeni meteorologici attraverso MDT fa emergere differenti comportamenti per l’uso dei servizi radiomobili, gli stessi fenomeni meteorologici possono modificare anche le caratteristiche stesse del servizio radiomobile. La potenza del segnale ricevuto da una antenna rappresenta uno dei parametri principali che i nostri telefonini monitorano costantemente e che comunicano all’infrastruttura in modo da poter, di volta in volta, sfruttare l’antenna (la Cella) che meglio può servire, in quel momento, in quella posizione, in quella situazione.
Mentre nel caso dell’entropia posizionale la causa (il meteo) e l’effetto (il cambio nello scenario d’uso) risultano direttamente correlabili, nel caso delle variazioni delle caratteristiche radio ciò avviene in modo particolarmente complesso, a causa delle molteplici cause che concorrono a formare il livello di segnale ricevuto (es. il fatto che teniamo il telefonino in mano o che lo riponiamo in una tasca o in una borsa).
Le frequenze radiomobili in uso nelle reti 2G, 3G e 4G hanno caratteristiche fisiche che le rendono molto robuste da un punto di vista meteorologico (vedi Figura 5), tuttavia, il livello di segnale ricevuto dai telefonini dipende anche da riflessioni (es. dal suolo), rifrazioni (es. dai palazzi) ed assorbimenti (es. pareti o alberi), nonché da come si ricombinano segnali diretti e segnali riflessi (fenomeno di interferenza). 

 

Figura 5 - Relazione fra intensità di pioggia e attenuazione specifica a frequenze differenti [13]. Si nota come tutte le principali Bande di frequenza delle reti in tecnologia 2G, 3G e 4G, rientrando entro i 4 GHz, presentino basse attenuazioni specifiche (dB/km) anche per intensità di pioggia molto intense (mm/h)

Il clima quindi, modificando l’intero territorio investito dall’umidità e della pioggia incide nello scenario radiomobile introducendo un ulteriore livello di complessità (vedi Figura 6).
Per comprendere meglio questa complessità, in Figura 6 si riporta il risultato della simulazione della propagazione elettromagnetica attraverso un vetro piano di 5 mm di spessore in assenza ed in presenza di un sottile strato di acqua di 0.3 mm di spessore sovrapposto su cui incide il campo elettromagnetico.  Questo scenario tenta di rappresentare in modo semplificato un vetro di un’auto oppure di una finestra nel caso di pioggia battente sul vetro.
Le simulazioni sono state effettuate considerando le caratteristiche dielettriche del vetro indicate dalle raccomandazioni ITU (ITU-R P.2040-1) [19] e dell’acqua [20], considerando un modello di riflessione e trasmissione di un’onda piana attraverso una struttura multistrato come riportato in Figura 7. Il modello matematico di propagazione elettromagnetica attraverso una struttura di materiali multistrato è stato implementato in Matlab per il calcolo dei coefficienti di riflessione (RC) in dB, del coefficiente di trasmissione (TC) in dB e del fattore di perdita (LF) in percentuale [21].
Dai grafici di Figura 6, si osserva che la presenza di acqua sulla superficie favorisce la riflessione del campo elettromagnetico incidente. Inoltre segue che il campo elettromagnetico trasmesso attraverso la struttura vetro + acqua si riduce di qualche dB e anche se non riportato in figura ne aumenta la dissipazione complessiva. I parametri della struttura che influenzano questi effetti sono le caratteristiche dielettriche dei materiali e gli spessori di ciascun materiale.

 

Figura 6 - Simulazione dei Coefficienti di riflessione (RC), trasmissione (TC), di uno strato di vetro di 5 mm di spessore in assenza ed in presenza di uno strato sovrapposto di acqua di 0.3 mm di spessore verso il quale incide il campo elettromagnetico per angoli di incidenza tra 0 e 80°. Nel caso di incidenza obliqua dell’onda piana del campo elettromagnetico sulla superficie dei materiali, si distinguono i casi di traversale elettrico (TE) e trasversale magnetico (TM), a seconda che la componente tangente del campo elettromagnetico incidente all’interfaccia aria-multistrato sia il campo elettrico o il campo magnetico. Sono qui riportati per semplicità solo i grafici per il modo di incidenza di tipo TE (Trasversale Elettrico).

Questo semplice esempio fa intendere come in realtà lo scenario di propagazione elettromagnetica reale si possa modificare in caso di pioggia anche alle frequenze radio oggi utilizzate. Pertanto, la presenza di acqua su pareti, suolo, strade e alberi modifica complessivamente la propagazione elettromagnetica nell’ambiente producendo in alcuni casi una maggiore riflessione e in altri una maggiore attenuazione dei campi elettromagnetici. In letteratura esistono altri studi che confermano questa direzione come già evidenziato nella introduzione.

 

Figura 7 - Modello di propagazione elettromagnetica attraverso un sandwich multistrato di materiali.

Per isolare gli specifici effetti del meteo sul livello di segnale a disposizione dei device occorre quindi operare in modo molto selettivo sulle misure MDT da analizzare, sia in termini geografici, ritagliando opportunamente l’area da porre di volta in volta in esame, sia in termini temporali, per poter correlare le variazioni dei parametri meteo con le variazioni dei parametri radiomobili misurati dai device. Solo con questo approccio certosino è possibile isolare, studiare, e quindi misurare, quegli effetti specifici che il clima induce nelle singole zone [nota 1] .
La magnifica piazza di Padova Prato della Valle, una delle piazze più grandi d’Europa, risulta un buon esempio di area urbana adatta allo studio degli effetti della pioggia sul segnale radiomobile. Innanzitutto, le dimensioni e la frequentazione continua della piazza forniscono una buona base statistica per le analisi. La stazione di rilevamento meteorologica si trova poi in prossimità della piazza, quindi i dati di piovosità oraria raccolti da quella stazione risultano direttamente utilizzabili, senza necessità di interpolare dati da più stazioni meteo (operazione possibile ma che abbasserebbe l’affidabilità del dato meteo nella zona in analisi). Infine, la posizione della principale cella servente quell’area è posta ad una distanza ottimale dalla piazza (circa 1 km) per uno studio in ambito urbano, studio nel quale si vogliono analizzare sia effetti sulla componente di illuminazione diretta ma anche possibili effetti dovuti a riflessioni e rifrazioni del segnale.
I risultati ottenuti (vedi Figura 8) mostrano un’effettiva riduzione, in media, del livello di potenza (RSRP) ricevuta dai device che hanno frequentato Prato Della Valle durante la fascia oraria piovosa (RSRP -87.5 dBm tra le ore 16 e le 18), mentre in assenza di precipitazioni la mattina e il primo pomeriggio le medie di RSRP erano risultate rispettivamente -84.4 dBm e -82 dBm. Livello di Potenza ricevuta simile, -84.5 dBm, si è poi registrato nella fascia serale, con il tempo atmosferico che era nel frattempo ritornato sereno.
È risultato quindi possibile misurare un caso d’influenza del contesto meteorologico sull’erogazione dei servizi radiomobili che risultasse anche poco influenzato da motivi comportamentali degli utilizzatori, in modo da poter isolare questo specifico effetto fisico sul segnale ricevuto dalle altre possibili concause. Il livello di potenza del segnale ricevuto dai device in una specifica zona risulta uno dei parametri più significativi per la qualità dei servizi offerti in quell’area.

 

Figura 8 - Principali posizioni (mappe da www.OpenStreetMap.org elaborate con R Studio [14]) da cui sono state effettuate misure MDT di Potenza del Segnale di Riferimento LTE 4G a Prato Della Valle (Padova) il giorno 7/6/2018, in quattro differenti fasce orarie (9-12, 12-15, 15-18, 18-21), della quali la fascia pomeridiana (155-18) ha coinciso con una sequenza di precipitazioni (circa 17 mm di pioggia in 3 h). I quattro fotogrammi risultano abbastanza omogeni tra loro, consentendo così di confrontare le specifiche variazioni di Potenza avvenute all’interno di ciascuna fascia oraria, riducendo le possibili distorsioni dovute ad altri effetti (es. se il 7/6 ci fossero stati fenomeni piovosi estremi in quella zona, ciò avrebbe comportato misure non omogeneamente distribuite, o addirittura assenti del tutto nella fascia critica).

Misurare le città con MDT

È noto c he il clima influenza il modo in cui le persone vivono il proprio territorio.  Ed è altresì ormai parte del sentire comune il fatto che le variazioni climatiche, da sempre in grado di generare modifiche alla vivibilità di intere zone del pianeta, potrebbero ancora incidervi anche a fondo a causa del riscaldamento globale.
Si rende quindi sempre necessaria una doppia vista dei fenomeni climatici che subiamo, una vista fisica ed una vista comportamentale, umana, cioè legata ai riflessi sulle nostre vite dei cambiamenti fisici dell’ecosistema in cui siamo immersi.
A questo scopo l’innovazione tecnologica portata da MDT, essendo associata a misure (radio) molto frequenti, per garantire piena continuità di funzionamento al sistema radiomobile (peraltro utilizzato in modo sempre più intenso), ed essendo MDT altresì abbinato allo strumento principe dei nostri tempi, cioè il telefonino che teniamo ormai costantemente con noi, si sta sempre più mostrando capace di forgiare strumenti in grado di offrire viste accurate degli scenari in cui viviamo, offrendoci modalità d’indagine capaci di misurare, oggettivamente, gli andamenti emergenti, capaci di confrontare situazioni simili in scenari differenti, capaci di monitorare gli effetti di interventi tesi a migliorare una specifica situazione, capaci di valutare lo sforzo fatto per migliorare, per esempio, la mobilità di un’area, ed in ultima analisi capaci di privilegiare quelle azioni che si dimostrano realmente più efficaci in quello specifico contesto, urbano o non urbano che sia.
La possibilità di inferire i modelli comportamentali delle città (mobilità, entropia,  densità dei cittadini in particolari punti di aggregazione sociale, etc.)  attraverso i dati aggregati MDT e gli strumenti di Machine Learning, anche in relazione alle diverse condizioni meteo locali , rappresenta per gli Operatori Mobili un’opportunità di sviluppo di nuovi servizi da posizionare sul mercato in maniera distintiva rispetto agli altri player dell’ICT.

 

Figura 9 - A Sinistra: disposizione geografica della Cella la cui potenza è misurata dai telefoni, del punto di rilevazione (Orto Botanico) dei dati meteo orari del periodo in esame (Elaborazione dati: Radarmeteo srl. Fonte dati: ARPAV) e la magnifica piazza di Padova, Prato della Valle, da cui sono prese le misure di potenza. A Destra: il calo di potenza media (RSRP) misurata dai telefonini nella piazza nelle tre ore di pioggia, confrontate con il resto del periodo in esame, privo di precipitazioni

Il ruolo dell’Operatore in futuro

È facile pensare all’Operatore come ad un semplice fornitore di connettività, ma il patrimonio di conoscenze che alberga in un operatore diventa ormai solo in parte legato a tale fondamentale professionalità. Discipline un tempo lontane dalla pratica quotidiana di un Operatore TLC, come il Machine Learning, diventano oggi sempre più pratica quotidiana, necessaria per affrontare un’evoluzione tecnologica che mostra complessità crescenti ed automazioni sempre più sofisticate.
Questo trend che affianca nuove conoscenze (informatiche, matematiche, ecc.) a conoscenze consolidate (propagazione, connessioni, protocolli, mercato delle comunicazioni, ecc.), svolgendosi tutt’intorno all’uso di strumenti, come gli smartphone, che ormai accompagnano istante per istante le nostre vite, risulta un trend in grado di liberare nuove opportunità per l’Operatore.
Con l’evolvere delle reti verso il 5G, crescerà esponenzialmente il volume di dati generati dalla rete stessa. Questo sarà in parte dovuto alle caratteristiche innovative del 5G che abilitano una maggiore flessibilità grazie alle peculiarità di antenne attive e beamforming, o di slicing. Sarà anche dovuto alla crescente diversità di oggetti connessi e gestiti dalle reti radiomobili che supporteranno non solo i tradizionali smartphone, ma un crescente numero di oggetti connessi sia passivi (sensori) sia attivi (robotica, droni, autoveicoli).
La crescente complessità nel pianificare e gestire la topologia delle reti e la diversità di casi d’uso, sarà possibile solo grazie ad una maggiore intelligenza che sarà a sua volta alimentata da dati.
L’infrastruttura di rete pertanto, dovrà essere ingegnerizzata per essere AI-ready, e per produrre e rendere disponibili dati che ne permettano la gestione. Questi stessi dati, come si evince da questo articolo, possono essere analizzati e messi a fattor comune con altri dati, per produrre delle analisi e delle prospettive fin qui inimmaginabili. Le potenzialità sono numerose e interessanti ma richiederà un approccio innovativo più orientato all’apertura dell’innovazione e alla creazione di un ecosistema. Occorrerà infatti immaginare le reti come piattaforme che tramite API e Exposure, abilitano la messa a disposizione di dati di rete, nel rispetto della privacy e sicurezza.

 

Conclusioni

L’analisi condotta nel presente articolo, ancorché suscettibile di affinamento e validazione su un numero significativo  di casi sperimentali, illustra la modalità per passare da grandi insiemi di misure MDT a descrizioni numeriche sintetiche dei luoghi e dei relativi scenario d’uso dei servizi, al variare delle situazioni meteorologiche. Le descrizioni numeriche sintetiche sono di grande utilità per l’applicazione di tecniche di analisi dati e per lo sviluppo di modelli predittivi, il cui addestramento richiede di codificare gli aspetti che l’algoritmo deve apprendere.
Riconoscere automaticamente uno scenario d’uso ed il contesto in cui è immerso si presta poi ad applicazioni molto diverse tra loro. Tali applicazioni risultano evidenti se il processo d’apprendimento viene innestato all’interno dell’evoluzione SON (Self Organizing Network) delle reti e del miglioramento continuo della qualità.
Ma il campo di applicazione non è esclusivamente tecnico.  È facile intuire quanto questo tipo di studi possa portare benefici anche all’analisi delle modalità con cui sono, di momento in momento, vissute le città, e di come l’insorgenza di questo nuovo valore finisca per influenzare il modo stesso con il quale gli Operatori si porgeranno sul mercato, ampliando sempre più il ruolo di fornitori di connettività.

 

Nota

  1. I diversi effetti, diretti ed indiretti, che il clima induce sulla potenza ricevuta dai device richiederebbe di illustrare molteplici tipologie di casistiche, all’interno delle quali possono di volta in volta divenire predominanti effetti depressivi (assorbimenti) sul livello del segnale oppure, all’opposto, incidere maggiormente effetti espansivi (riflessioni) sul livello del segnalare ricevuto. L’insieme dei casi non risulta adeguatamente trattabile all’interno di un singolo articolo che si focalizza anche su effetti indiretti, come quelli comportamentali, sul livello del segnale. In questo articolo viene comunque riportato un singolo esempio di una situazione meteo significativa.
 

Bibliografia

  1. "La mobilità di breve e lungo raggio con le innovative misure radiomobili e l’Intelligenza Artificiale" - Notiziario Tecnico n.3-2018
  2. "Big Data georeferenziati MDT per servizi digitali nelle Smart Cities" - Notiziario Tecnico n.1-2018
  3. 3rd Generation Partnership Project; Technical Specification Group Radio Access Network; Universal Terrestrial Radio Access (UTRA) and Evolved Universal Terrestrial Radio Access (E-UTRA); Radio measurement collection for Minimization of Drive Tests (MDT)”; Overall description; Stage 2 3GPP TS 37.320 V14.0.0 (2017-03).
  4. Chiara Mizzi, Alessandro Fabbri, Sandro Rambaldi, Flavio Bertini, Nico Curti, Stefano Sinigardi, Rachele Luzi, Giulia Venturi, Micheli Davide, Giuliano Muratore, Aldo Vannelli, Armando Bazzani. “Unraveling pedestrian mobility on a road network using ICTs data during great tourist events”, EPJ Data Sci. (2018) 7: 44,  https://doi.org/10.1140/epjds/s13688-018-0168-2.
  5. Rec. ITU-R P.838 “Specific attenuation model for rain for use in prediction methods
  6. Rec. ITU-R P.530 “Propagation data and prediction methods required for the design of terrestrial-line-of-sight systems”      
  7. Rec. ITU-R P.618 “Propagation data and prediction methods required for the design of trans-horizon radio-relay systems
  8. Rec. ITU-R P.676 “Attenuation by atmospheric gases
  9. Andrea Scaloni, Pasquale Cirella, Mauro Sgheiz, Riccardo Diamanti, Davide Micheli, “Multipath and Doppler Characterization of an Electromagnetic Environment by Massive MDT Measurements From 3G and 4G Mobile Terminals”, Published in: IEEE Access ( Volume: 7 ), 21 January 2019, Page(s): 13024 – 13034, DOI: 10.1109/ACCESS.2019.2892864
  10. Rogers, N. C., A. Seville, J. Richter, D. Ndzi, N. Savage, R. F. S. Caldeirinha, A. K. Shukla, M. O. Al-Nuaimi, K. Craig, E. Vilar, and J. Austin, “A generic model of 1–60 GHz radio propagation through vegetation” Final Report, May 2002.
  11. Li, Y. and P. Yang, “The permittivity based on electromagnetic wave attenuation for rain medium and its applications” J. of Electromagnetic Waves and Appl., Vol. 20, No. 15, 2231–2238, 2006.
  12. S. Helhel, S¸. ¨ Ozen, and H. G¨oksu. “INVESTIGATION OF GSM SIGNAL VARIATION DRY AND WET EARTH EFFECTS”, Progress In Electromagnetics Research B, Vol. 1, 147–157, 2008.
  13. M.Cubaiu, L.Cerea, R.Nebuloni, G.L.Solazzi, M.Oldoni  “Caratterizzazione dei segnali di link a microonde per scopi di modellizzazione e rilevamento pioggia” 05/06/2018 Progetto MOPRAM.
  14. R is a project which is attempting to provide a modern piece of statistical software for the GNU suite of software. The current R is the result of a collaborative effort with contributions from all over the world. R was initially written by Robert Gentleman and Ross Ihaka—also known as "R & R" of the Statistics Department of the University of Auckland. R Core Team (2017). R: A language and environment for statistical computing. R Foundation for Statistical Computing, Vienna, Austria. URL https://www.R-project.org/.
  15. Entropy and its Application to Urban Systems - Ben Purvis et al. – MDPI, 2019
  16. Spatiotemporal Analysis of Urban Mobility Using Aggregate Mobile Phone – Gariazzo et al. – MDPI, 2019
  17. An Entropy-Based Model to Infer Social Strength from Spatiotemporal Data – Pham et al. - Univ. of Southern California, 2013
  18. Entropy and order in urban street networks - A. Gudmundsson and N. Mohajeri - Nature Scientific Reports, vol. 3, p. Article number: 3324, 2013
  19. Recommendation P.2040-1 (07/2015). Effects of building materials and structures on radiowave propagation above about 100 MHz.
  20. Valori della costante dielettrica (relativa) e del fattore di perdita (relativo) dell’acqua a diverse frequenze e a due diverse temperature”, Proprietà dielettriche dei materiali, 2006.  https://studylibit.com/doc/5634917/proprieta--dielettriche-dei-materiali.
  21. Davide Micheli et al. - “Broadband Electromagnetic Absorbers Using Carbon Nanostructure-Based Composites,” Published in: IEEE Transactions on Microwave Theory and Techniques ( Volume: 59 , Issue: 10 , Oct. 2011 ), 29 July 2011, Page(s): 2633 – 2646, DOI: 10.1109/TMTT.2011.2160198.