[論文レビュー] A Hybrid Model-Assisted Approach for Path Loss Prediction in Suburban Scenarios

Chenlong Wang, Bo Ai+6 more|arXiv (Cornell University)|Mar 10, 2026

Millimeter-Wave Propagation and Modeling被引用数 0

ひとこと要約

研究は、CIベースの経験的モデリングと多 modality の環境画像（衛星画像＋標高）とシステムパラメータから学習された環境適応補償を組み合わせたモデル支援型ハイブリッドパス損失予測器を提案し、郊外環境での精度向上を達成する。

ABSTRACT

Accurate path loss prediction is crucial for wireless network planning and optimization in suburban environments with complex terrain variation and diverse land cover. This paper proposes a model assisted hybrid path loss prediction method that introduces an environment adaptive compensation on top of the classic close-in free-space reference distance (CI) path loss model. By jointly predicting the path loss exponent and a compensation term, the proposed approach dynamically adjusts the empirical trend. To improve the effectiveness of environmental representation, three environmental image organization schemes are constructed and evaluated. Experiments on measurement data collected in Pingtan Island show that the proposed method outperforms the CI model and a conventional model assisted baseline, achieving a test root mean square error of 4.04 dB.

研究の動機と目的

• 複雑な地形と土地被覆を持つ郊外環境における正確でサイト特異的なパス損失予測のニーズに対処する。
• データから学習した環境適応補償を組み込んだ経験的CIパス損失と統合するハイブリッドモデルを開発する。
• パス損失モデリングにおける環境認識を向上させるためのマルチモーダル環境表現を探る。
• 実測データ（Pingtan）で手法を検証し、ベースラインおよびCIモデルと比較する。

提案手法

• 物理的基準線としてCIパス損失を用い、環境依存のパス損失指数をニューラルネットで予測する。
• 衛星RGBおよび標高からなるマルチモーダル環境画像を処理して得られる256次元の画像特徴と、距離、FSPL、角度、高度、CI予測などの256次元のシステム特徴をMulti-Head Self-Attention融合モジュールで結合する。
• 補償項と適応したパス損失指数を予測し、PL_hat = PL_CI(f_c, d_3D; n_hat) + Delta_PL_hat として結合する。
• 学習された指数を正であることをReLU活性化で制約する。
• 測定されたパス損失に対してRMSE損失でエンドツーエンド学習を行う；指数と補償は直接監視されない。
• 融合モジュールの有無および画質形式（Resize、Stacksize、Fullsize）とバックボーン（ResNet-34/50）を比較する。
• データセット：Pingtanの路線上での1210 MHz（20 MHz BW）でのチャネル測定；訓練/検証/テストは9285/2207/3546サンプル。

実験結果

リサーチクエスチョン

• RQ1 環境表現（マルチモーダル画像）は郊外のパス損失予測精度にどのように影響するか。
• RQ2 環境適応PLEと補償を共同学習するモデル支援型フレームワークは、CIや従来のモデル支援法より上回るか。
• RQ3 画像組織形式とバックボーン選択が予測性能に与える影響はどれくらいか。
• RQ4 提案された環境補償は、測定パス損失の傾向や局所的変動との整合性をより良く提供するか。

主な発見

モデル	RMSE (dB)	MAPE (%)	PCC
Proposed	4.04	2.57	0.93
Model-assisted	4.77	3.04	0.91
CI	5.58	3.63	0.87
Baseline	5.09	3.35	0.89

• 提案手法はテストセットでRMSE 4.04 dB、MAPE 2.57%、PCC 0.93を達成。
• 提案手法はCIモデル（RMSE 5.58 dB、MAPE 3.63%、PCC 0.87）および従来のモデル支援ベースライン（RMSE 4.77 dB、MAPE 3.04%、PCC 0.91）を上回る。
• 統一スケールの全リンク環境表現（Resize）はStacksizeまたはFullsize形式よりRMSEが低い。
• ResNet-50と融合モジュールはResNet-34および直接特徴連結より性能が良い。
• ネットワークは正のパス損失指数と適応補償項を暗黙的に学習し、郊外伝搬により適合する物理的に根拠のある柔軟な事前モデルを生成する。