La mobilità di breve e lungo raggio con le innovative misure radiomobili e l’Intelligenza Artificiale

La mobilità di breve e lungo raggio con le innovative misure radiomobili e l’Intelligenza Artificiale
 

La mobilità di breve e lungo raggio con le innovative misure radiomobili e l’Intelligenza Artificiale

I servizi digitali basati sui Big Data dei Telco Operator giocano ormai un ruolo importante nella comprensione dei fenomeni urbani, essendosi nel tempo consolidate varie tecniche di analisi dei Call Data Record (CDR) che forniscono un livello di dettaglio dipendente dalle dimensioni della cella di servizio [1]. Tale tipologia d’analisi è molto importante e rappresenta quello che per diagnosi in medicina è la presa di coscienza dei sintomi che un organismo evidenzia. Ma poter riconoscere per esempio, l’andamento febbrile dello stato di congestione di una zona, i CDR non sono sufficienti per impostare una cura e monitorarne gli effetti nel tempo. Ulteriori strumenti si rendono necessari per indagare oltre lo strato delle manifestazioni epidermiche, strumenti capaci di rendere più evidenti i fenomeni sottesi così da riuscire a  radiografarne le strutture costitutive e le caratteristiche della circolazione, sanguigna o nel caso specifico quella stradale.
Nel contesto degli Operatori questo salto di qualità negli strumenti d’indagine è arrivato con la recente introduzione nelle reti radiomobili di una prestazione standard ETSI 3GPP, chiamata in sigla MDT [2]. Questa funzionalità permette di aggiungere alle tipiche informazioni sulle misure radio alla base del funzionamento del sistema radiomobile, anche quelle di posizione geografica corrispondenti mediante le  coordinate GPS già disponibili nei terminali mobili come gli smartphone più recenti. Ecco così abilitata la possibilità di discernere nuovi e sempre più utili dettagli informativi, l’opportunità insomma di studiare il sistema nervoso della mobilità.
In questo articolo vedremo un esempio di questa evoluzione esaminando il caso della città di Trento, emblematico organismo all’interno del quale scorre un quarto del totale traffico veicolare Italiano da e verso l’estero, tramite il noto passo del Brennero.
Discernere quei flussi veicolari, così intimamente innestati nei tessuti urbani delle città che avvolgono le arterie stradali, è reso possibile dal salto di qualità portato dalla prestazione MDT e dall’applicazione di tecniche di Intelligenza Artificiale.

 

Figura 1 - Vista dell'autostrada del Brennero con il Ponte Europa nei pressi di Patsch (poco prima di Innsbruck), con sullo sfondo l' Habicht nella valle dello Stubai (Stubaital). [Source: Wikipedia, Autore: Ralf Pfeifer]

Introduzione

Questo articolo delinea la possibilità di distinguere, grazie a MDT ed alla AI (Intelligenza Artificiale), insiemi di cittadini appartenenti a specie tra loro differenti per quanto riguarda la presenza di persone all’interno del medesimo territorio urbano.  Per sviluppare e mettere alla prova tecniche di AI che a partire da un database di sole misure radio georeferenziate siano in grado di discernere tali differenti componenti è stata scelta la città di Trento, banco di prova significativo per una validazione del modello di analisi che possa trascendere il luogo di sperimentazione e proiettare i risultati ottenuti verso contesti più generali.
Trento è una cittadina con un centro storico popolato da circa 80.000 abitanti ed ha caratteristiche molto interessanti per studiare i flussi di mobilità attraverso i dati di telefonia mobile.
Una prima caratteristica di Trento è che l’area urbana si sviluppa prevalentemente nel senso della latitudine, adagiandosi lungo la vallata del fiume Adige (vedi Figura 2). Inoltre la dimensione del centro urbano risulta abbastanza raccolta (circa 23 km2) rispetto all’intero territorio comunale (superficie complessiva di circa 158 km2). La collocazione del centro urbano di Trento ha poi la peculiarità di trovarsi in corrispondenza di una delle rotte Italiane più frequentate per il traffico stradale e ferroviario con l’estero. Parliamo ovviamente della direttrice del Brennero, che è formata sia dalla Autostrada A22, sia dalla storica Strada Statale 12 dell’Abetone e del Brennero, sia dalla linea Ferroviaria del Brennero e, per completezza, anche dallo stesso fiume Adige.

 

Figura 2 - Mappa di Trento e Autostrada A22. Source: [Google Maps - CC BY 2.5, https://commons.wikimedia.org/w/index.php?curid=1033114]

Queste grandi direttrici di traffico stradale e ferroviario, attraverso cui scorre ogni anno circa un quarto del totale del traffico tra l’Italia ed il resto dell’Europa, intersecano il centro urbano di Trento da un estremo all’altro. Questo fatto rende Trento una cittadina che risulta quotidianamente attraversata, sia da Nord che da Sud, da un numero di persone paragonabile al totale della popolazione residente nel centro storico di Trento (in termini di veicoli parliamo di qualcosa come 30.000-40.000 al giorno) [3]. E’ un po’ come se Roma venisse ogni giorno attraversata da Sud e da Nord da tutti gli abitanti di Napoli e di Firenze messi insieme. A Trento avviene qualcosa di proporzionalmente simile.
D’altra parte è noto quanto sia grande l’importanza commerciale della direttrice del Brennero, la cui crescita impetuosa affonda le radici  in date ormai lontane, a partire dal 1859 quando fu inaugurata la prima tratta della Ferrovia del Brennero [4]. La stessa A22 del Brennero (vedi Figure 1, 2, 3) compie nel 2018 ben mezzo secolo della sua storia di successo, considerando che la A22 fu, fin dall’esordio, così intensamente utilizzata dal traffico stradale che permise di raggiungere il pareggio di bilancio con 14 anni d’anticipo rispetto al piano originale. Per Trento si tratta quindi di una situazione di coesistenza davvero particolare tra residenti e transitanti, coesistenza che appare destinata a resistere al passare del tempo, cadenzata nei decenni dal succedersi dei piani di ampliamento delle arterie della vallata dell’Adige (al 2025 è previsto che il traffico Ferroviario raggiungerà la dimensione di circa un quarto di quello stradale).

 

Figura 3 - Autostrade A22, km 68 – Campodazzo

E per lo scenario di Trento questo particolare assume una valenza specifica, come lo può essere in tutte le realtà urbane che convivono con direttrici molto trafficate. Peraltro, a Trento le arterie sono anche complesse da distinguere tra loro, avendo dovuto sottostare fin dalla loro progettazione ai vincoli orografici della zona (per costruire l’A22 si dovette perfino spostare un tratto dell’Adige).
È normale quindi trovare le arterie del Brennero strettamente affiancate, in alcuni tratti, o proprio intersecantesi reciprocamente, attraverso ponti e viadotti, come è facile dedurre dalla Figura 4 che ricostruisce in ambiente R [5,9,10] gli oggetti spaziali che le rappresentano.
Distinguere in modo accurato le diverse tipologie di presenze e di mobilità che insistono sul territorio di Trento è quindi un’operazione complessa che difficilmente può essere soddisfatta facendo leva solo sui CDR.
Ed ecco quindi perché Trento arriva a rappresentare una interessante sfida per l’applicazione di tecniche di Intelligenza Artificiale ai dati di traffico della telefonia mobile, e come tale sfida possa poi accrescere il valore informativo prodotto dai servizi Big Data per le Smart Cities.

 

Figura 4 - Vista d’insieme dell’arteria autostradale A22 in Trentino (in verde), con evidenza della vicinanza per lunghi tratti dell’edificato (puntini neri), dell’Adige (linea in blu), delle statale SS12 (tratti in rosso) e della ferrovia del Brennero (linea in nero).

Dati e loro specificità

Per abilitare il salto di qualità cercato risultano preziosi i dati come quelli MDT. La raccolta dei dati MDT presentati in questa ricerca è stata effettuata con il sistema Geosynthesis di Nokia. La maggiore accuratezza fornita dal GPS è un ingrediente di base per distinguere quale sia, momento per momento, la quota parte di presenze nel territorio di Trento che andrebbe considerata a se stante perché, pur impegnando traffico delle celle radiomobili urbane (e magari a lungo se si è incolonnati lungo la A22), nella realtà dei fatti quelle presenze andrebbero distinte dalle altre presenze che, magari a pochi metri di distanza dalla A22, contribuiscono a formare l’insieme dei cittadini e dei turisti all’interno della città di Trento. Si tratta infatti di gruppi con caratteristiche e, probabilmente, interessi differenti nei confronti della cittadina in cui si trovano.
E’ perfino ovvio che la preziosità dei dati  MDT dipenda  dalla presenza delle coordinate GPS in alcune misure radio. Ma a dispetto delle apparenze questo primo fondamentale elemento costituisce solo una parte del valore che porta effettivamente al tipo di distinzioni auspicate. Infatti, mentre le misure radio sono necessariamente prodotte dalla totalità dei terminali (senza quelle misure le reti non potrebbero funzionare), le misure con anche posizioni GPS accurate riguardano solo una piccola percentuale dei terminali. Incide su questa carenza di informazioni accurate una serie di fenomeni. Il più ovvio è che la piena visibilità della costellazione dei satelliti GPS è più probabile in spazi aperti (per esempio il navigatore della nostra auto fa leva anche sulla mappa stradale per aggiustare le posizioni via via stimate e non perfettamente allineate al percorso). Negli altri casi le coordinate GPS possono essere meno accurate o addirittura mancare del tutto.
A tutto ciò si aggiunga che perfino misure GPS di discreta accuratezza (25-50m) potrebbero non risultare sufficienti allo scopo di distinguere tra le diverse specie di transitanti e di residenti nella città di Trento. Il motivo di ciò è riconducibile alla menzionata orografia che intreccia le arterie tra di loro e le fa scorrere, in alcuni tratti, a brevissima distanza, annegandole poi a fianco o proprio all’interno dell’area urbana.
Al problema della parziale disponibilità dei dati GPS associati alle misure radio vengono in soccorso le tecniche di Machine Learning. Con tali tecniche, almeno quelle di tipo supervisionato, ci si può affrancare dal bisogno di disporre di dati GPS completi e perfetti, se si dispone di almeno una quota parte di campioni validi [2]. Tale quota parte dovrà essere statisticamente rappresentativa dello scenario da analizzare. Questo insieme di dati di buona qualità andrà a formare quel prezioso insieme, detto il data set di Training, con cui poi addestrare modelli di Intelligenza Artificiale.

 

Training Set

Rilevanti sono quindi anche le tecniche per individuare Training Set robusti, affidabili ed adatti al tipo di analisi che si sta conducendo.
Anche solo un’occhiata distratta ad un insieme di misure radio MDT dell’area di Trento (vedi Figura 5) permette di riconoscere sia l’emergere dei flussi di attraversamento della città sia la difficoltà di separarli dal resto quando le arterie in questione s’immergono nel grumo formato dalla densità di terminali dell’area urbana. 

 

Figura 5 - Misure radio (in grigio) nell’area di Trento [Google Maps]

Alla grande densità di misure nel territorio di Trento non corrisponde però un mix altrettanto equilibrato, contenente cioè misure radio e relative posizioni accurate, per ogni singola tipologia di presenza. Tale condizione è però necessaria per applicare tecniche di addestramento supervisionato (es. classificazione).
È noto infatti che numericamente risultano preponderanti le misure provenienti da scenari Indoor, dove viene appunto generata la maggior parte del traffico radiomobile, ma dove purtroppo risulta spesso carente il segnale GPS.
Occorre quindi prima ricercare, in mezzo al caotico contesto radioelettrico, l’emergere di un’impronta elettromagnetica che permetta di dedurre se le misure ricevute dai terminali in determinate situazioni possano o meno provenire da Mobilità di tipo stradale (Incar) o pedonale (Outdoor), o se viceversa nascano da situazioni di tipo Indoor.
Questo processo è quello che può abilitare la costruzione di Training Set.

 

Caoticità e Modelli

Per comprendere come questo processo sia solo apparentemente semplice è bene tenere presente quanto, nella realtà operativa, risulti caotico l’ambiente elettromagnetico e quindi lo siano anche le misure RSRP ed RSRQ prodotte dai terminali.
Nelle Figure 6 e 7 sono rappresentate due istantanee dei livelli di segnale RSRP e RSRQ in pixel di 10 m di lato [2] della zona di Trento.  Già a questo livello si nota come non emerga e non sia distinguibile alcuna particolare struttura che ricordi, per esempio un’arteria della città. Ciò dipende dal fatto che il particolare livello di RSRP misurabile in un punto sia dovuto, in primis, alla distanza tra la stazione radio base ed il terminale che sta eseguendo la misura, ma quel valore di RSRP può poi variare dinamicamente nel tempo a seconda della presenza di ostacoli lungo il cammino di propagazione. Questi ostacoli possono essere gli edifici oppure veicoli, fermi o in movimento. Le variazioni nelle misure possono dipendere perfino dalla posizione del terminale rispetto al corpo della persona, o alla presenza di altre persone vicine o all’ubicazione interna/esterna del terminale in un veicolo o un edificio. La continua fluttuazione del livello di RSRP è ulteriormente moltiplicata dal fenomeno dei cammini multipli e dalle interferenze. La fotografia cambia quindi nel tempo in modo difficilmente predicibile. In breve l’ambiente di propagazione elettromagnetico è caotico. Per riprodurre tali ambienti di propagazione caotici nei test in laboratorio si usano le camere riverberanti [6,7].

 

Figura 6 - Distribuzione georeferenziata dei livelli di segnale RSRP (dBm) della rete LTE sulla città di Trento

 

Figura 7 - Distribuzione georeferenziata dei livelli RSRQ (dB) della rete LTE sulla città di Trento

Grande variabilità si ha similmente per le misure RSRQ, sulle quali incide anche il carico di traffico telefonico (voce e dati), determinando condizioni interferenziali continuamente variabili sulle bande di frequenza della telefonia mobile.
Quanto sopra esposto è il motivo per cui sarebbe difficile costruire modelli in grado di predire le misure attese di RSRP e RSRQ in ciascuna posizione in ogni momento.
Si preferisce, agendo al contrario, sfruttare le tecniche di AI per verificare cosa loro “possono dedurre” dalle misure.
È degno di nota il fatto che nell’applicazione di queste tecniche di AI sono le misure radio a giocare il ruolo di primo piano, non il terminale specifico che le ha trasmesse. In termini medici diremmo che lo strumento mira a favorire l’emergere della corretta diagnosi (relativa al territorio in esame), mantenendo la dovuta discrezione sui … pazienti.

 

Applicazione di Intelligenza Artificiale ai dati MDT di Trento

È esperienza comune, specie quando ci si trova in condizioni di scarsa copertura, dare un’occhiata alle tacche che compaiono sul display del nostro cellulare per farsi un’idea del livello di potenza del segnale radioelettrico in quel momento, consapevoli del fatto che il livello di segnale può subire continue variazioni. Nello specifico è la misura RSRP quella alla base di tale indicatore grafico sul display del nostro apparato, ma il livello di accuratezza di RSRP (definito nelle specifiche 3GPP) risulta ben maggiore delle 4 o 5 tacche che possiamo distinguere sul nostro display.
Ecco quindi perché è proprio l’ RSRP la misura principale (anche se non l’unica) per guidare i Modelli nella classificazione delle tipologie di presenze in una specifica area geografica.
Un ulteriore elemento da considerare riguarda poi la menzionata caoticità del contesto radiomobile. La varietà di cause che possono modificare il risultato di una misura eseguita da un terminale è infatti tale che la distribuzione delle probabilità di queste misure radio può essere ragionevolmente assunta di tipo gaussiano.
Il linguaggio R [5,9,10] consente di sfruttare funzioni (es. normalmixEM) sviluppate proprio allo scopo d’analizzare potenziali distribuzioni gaussiane all’interno del fenomeno che stiamo analizzando, agevolando così questa parte del lavoro.
Nelle Figure 8 e 9 osserviamo un paio di esempi di scomposizione della distribuzione di RSRP relativamente ad una piccola porzione (zona centrale) del territorio di Trento. In questi esempi vediamo applicata un’ipotesi di suddivisione delle misure RSRP in tre distinte distribuzioni gaussiane, volendo in questi esempi ricercare un criterio di distinzione tra misure tipo Indoor (valori RSRP inferiori, curva in marrone), oppure di tipo Incar (valori di RSRP intermedi, curva in rosso) oppure di tipo Outdoor (valori RSRP più elevati, curva in blu).  

 

Figura 8 - Scomposizione in distribuzioni gaussiane del livello di segnale RSRP in zona centrale a Trento, in ore diurne

 

Figura 9 - Scomposizione in distribuzioni gaussiane del livello di segnale RSRP in zona centrale a Trento, in ore serali e notturne

La scomposizione in Figura 8 per esempio prefigura una probabilità di avere (in quella zona in quel momento) casi di misure RSRP in Outdoor (blu) con probabilità intorno al 46%,  Incar (rosso) del 30% e Indoor (marrone) il restante 24%.
Ciascuna componente gaussiana è poi caratterizzata dal proprio specifico valor medio intorno a cui è centrata (oltre che dalla deviazione standard s che rende la distribuzione più o meno spanciata).
La scomposizione in Figura 9 prefigura invece una probabilità di avere (in quella zona in quel momento) casi di misure RSRP in Indoor (marrone) con probabilità intorno al 46%,  Incar (rosso) il 30% e Outdoor (blu) il restante 24%.
In questo tipo di esempi è come se provassimo, di uno specifico tessuto urbano, ad osservare le singole cellule che lo formano, per ricavarne i criteri per classificare quel tessuto. Occorre infatti suddividere molto finemente il territorio (motivo per cui le misure MDT risultano preziose) per provare ad isolarne le specifiche caratteristiche radioelettriche.
Eseguendo, ovviamente in modo automatizzato, queste molteplicità d’analisi si costruiscono soglie per stimare la probabilità che una specifica misura di potenza in una determinata posizione possa appartenere ad una delle classificazioni ipotizzate.

 

Risultati

Avvalendosi di alcune rappresentazioni grafiche è possibile valutare, almeno da un punto di vista qualitativo, la possibilità di sfruttare l’AI per separare in modo automatizzato le tipologie (Indoor, Incar, Outdoor) di presenze che insistono su un particolare territorio.
Per esempio in Figura 10 osserviamo come sono posizionate rispetto a Trento, ed al territorio che lo circonda, le misure classificate dai Modelli come Incar. In questo caso è possibile notare che i campioni classificati come Incar tendono effettivamente a disporsi lungo le arterie piccole e grandi della zona in esame. In particolare risulta marcato il trafficato percorso della A22 (il breve tratto mancante corrisponde ad una galleria).

 

Figura 10 - Vista d’insieme delle misure classificate come Incar nell’area di Trento (Google Maps).

In Figura 11 viene poi aumentato l’ingrandimento della zona in questione per focalizzarsi sul centro di Trento. Anche a questo livello di dettaglio si continua a notare una certa tendenza dei campioni a disporsi lungo le (ora più piccole) arterie e strade della cittadina di Trento. Si nota però che, quando il dedalo delle arterie s’infittisce (es. verso la decina di metri) l’incertezza posizionale inizia a farsi sentire e l’adesione delle misure ai singoli tratti di strada presenta visibili eccezioni.

 

Figura 11 - Vista d’insieme delle misure classificate come Incar in area centrale a Trento (Google Maps).

Un ulteriore esempio dei risultati ottenibili, ma anche dei limiti dei Modelli sperimentati, lo si trova infine nelle Figure 12 e 13. In questo caso l’ingrandimento viene ulteriormente esteso osservando una piccola zona a sud del centro storico di Trento, zona che risulta particolarmente interessante ai fini di una valutazione dei Modelli perché, in un fazzoletto di terra largo appena 200 metri, è possibile trovare sia la A22, sia il fiume Adige e sia la Statale 12, con quest’ultima che avvolge una piccola porzione di territorio abitata (qualche casa ed un hotel).  Ci troviamo quindi in uno scenario complesso per la possibilità di separare adeguatamente le diverse componenti di presenza sul territorio.
Se quindi proiettiamo su una mappa satellitare della zona in questione i campioni classificati come Indoor (Figura 12), per confrontarli poi (Figura 13), con quelli di classificazione opposta (cioè Incar o Outdoor), notiamo (Figura 12, con campioni Indoor presentati come quadretti in marrone) che i campioni classificati Indoor correttamente si addensano per lo più nel piccolo ellisse ove sono presenti abitazioni, ma notiamo anche che l’accuratezza posizionale e di classificazione non è tale da evitare vari casi di campioni Indoor che cadono (evidentemente in modo errato) lungo il fiume o addirittura  sulla sponda opposta rispetto al piccolo nucleo abitato.

 

Figura 12 - Ingrandimento di zona a sud di Trento con evidenziati in marrone i campioni classificati come Indoor (Google Maps).

 

Figura 13 - Ingrandimento di zona a sud di Trento con evidenziati in giallo i campioni classificati come Incar o Outdoor (Google Maps).

Possibili applicazioni in ambito Smart Mobility

La possibilità di estrarre dai Mobile Big Data informazioni utili a migliorare l’utilizzo dei sistemi di trasporto e delle risorse infrastrutturali esistenti, stradali e autostradali, è sicuramente uno dei Business emergenti di maggior interesse per i Telco Operator. In tale ambito i dati MDT, unitamente alle tecniche di AI, possono contribuire alla realizzazione di piattaforme ITS  (Intelligent Transport System) in grado di supportare la mobilità in contesti particolarmente complessi e in situazioni dove la fluidità del traffico può essere compromessa dall’instaurarsi di fenomeni di congestione dell’arterie stradali. A titolo di esempio, si cita il fenomeno conosciuto come  “ingorgo fantasma” o jamiton [8] che provoca un andamento a singhiozzo del traffico pur in assenza di cause specifiche (incidenti, lavori in corso, altro), creando così la situazione paradossale in cui l’efficienza di smaltimento dell’infrastruttura diminuisce proprio nelle situazioni di punta. Tale fenomeno potrebbe essere drasticamente ridimensionato adottando limiti di velocità variabili in funzione delle condizioni di traffico ma soprattutto sulla base della comparsa dei primi “difetti di circolazione” riscontrabili anche grazie ai dati di telefonia mobile. L’elaborazione dei dati MDT con tecniche di AI potrebbe in futuro contribuire a realizzare sperimentazioni in tal senso.

 

Conclusioni

In questo articolo è stata analizzata la possibilità di distinguere, e sono stati evidenziati alcuni limiti, tra le misure radio di un territorio quelle provenienti da scenari d’uso differenti, come lo scenario Outdoor, quello Incar e quello Indoor.
L’importanza di avvalersi di data set come quelli MDT per sviluppare strumenti diagnostici in grado di classificare, in modo automatizzabile, le misure radio di una zona, risiede nella potenzialità che questi strumenti possono a loro volta offrire per analisi di mobilità stradale (o all’opposto stanzialità, se ci si concentra sull’indoor).
Molteplici infatti sono i fenomeni che possono essere analizzati in relazione alle arterie stradali (es. traffico fantasma, correlazioni con dati su incidenti o lavori o livelli di usura delle infrastrutture), disponendo di una informazione sulle presenze lungo le varie arterie che sia continuativa nel tempo (e le misure radio lo sono) e non limitata solo ad alcune tratte (e la copertura radiomobile è capillare).

 

Bibliografia

  1. Gianni Barlacchi, Marco De Nadai, Roberto Larcher, Antonio Casella, Cristiana Chitic, Giovanni Torrisi, Fabrizio Antonelli, Alessandro Vespignani, Alex Pentland & Bruno Lepri. A multi-source dataset of urban life in the city of Milan and the Province of Trentino. Scientific Data volume 2, Article number: 150055 (2015). DOI: 10.1038/sdata.2015.55 1
  2. Davide Micheli, Giuliano Muratore, Aldo Vannelli.
    Big Data georeferenziati MDT per servizi digitali nelle Smart Cities. Notiziario Tecnico Telecom Italia, Volume 1, 2018. http://www.telecomitalia.com/tit/it/notiziariotecnico/edizioni-2018/n-1-2018/capitolo-9.html
  3. https://it.wikipedia.org/wiki/Autostrada_A22_(Italia)
  4. Gino Valentini http://www.autobrennero.it/it/ “A22 50 Anni di storia”
  5. 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/.
  6. Davide Micheli, Massimo Barazzetta, Riccardo Diamanti, Pietro Obino, Renzo Lattanzi, Luca Bastianelli, Valter Mariani Primiani, Franco Moglie. Over-the-Air Tests of High-Speed Moving LTE Users in a Reverberation Chamber. Published in: IEEE Transactions on
    Vehicular Technology ( Volume: 67, Issue: 5, May 2018 ). DOI: 10.1109/TVT.2018.2795650
  7. Davide Micheli, Massimo Barazzetta, Camillo Carlini, Riccardo Diamanti, Valter Mariani Primiani, Franco Moglie. Testing of the Carrier Aggregation Mode for a Live LTE Base Station in Reverberation Chamber. Published in: IEEE Transactions on Vehicular Technology ( Volume: 66, Issue: 4, April 2017 ). DOI: 10.1109/TVT.2016.2587662
  8. https://math.mit.edu/projects/traffic/
  9. D. Kahle and H. Wickham. ggmap: Spatial Visualization with ggplot2. The R Journal, 5(1), 144-161. http://journal.r-project.org/archive/2013-1/kahle-wickham.pdf
  10. Tatiana Benaglia, Didier Chauveau, David R. Hunter, Derek Young (2009). mixtools: An R Package for Analyzing Finite Mixture Models. Journal of Statistical Software, 32(6), 1-29. http://www.jstatsoft.org/v32/i06/