[論文レビュー] AI-Enabled Data-driven Intelligence for Spectrum Demand Estimation

Colin Brown, Mohamad Alkadamani+1 more|arXiv (Cornell University)|Mar 10, 2026

Cognitive Radio Networks and Spectrum Sensing被引用数 0

ひとこと要約

要約: 本論文は、サイトのライセンスとクラウドソースデータからの代理指標を用いたAI/MLベースの周波数スペクトラム需要推定を提案し、カナダの5都市の実データ交通量と検証。組み合わせ代理指標が最も高い予測精度（R2 = 0.89）を達成。

ABSTRACT

Accurately forecasting spectrum demand is a key component for efficient spectrum resource allocation and management. With the rapid growth in demand for wireless services, mobile network operators and regulators face increasing challenges in ensuring adequate spectrum availability. This paper presents a data-driven approach leveraging artificial intelligence (AI) and machine learning (ML) to estimate and manage spectrum demand. The approach uses multiple proxies of spectrum demand, drawing from site license data and derived from crowdsourced data. These proxies are validated against real-world mobile network traffic data to ensure reliability, achieving an R$^2$ value of 0.89 for an enhanced proxy. The proposed ML models are tested and validated across five major Canadian cities, demonstrating their generalizability and robustness. These contributions assist spectrum regulators in dynamic spectrum planning, enabling better resource allocation and policy adjustments to meet future network demands.

研究の動機と目的

• 自己申告ライセンスデータとクラウドソースユーザー活動から周波数スペクトラム需要の代理指標を開発する。
• 実世界のモバイル交通データと代理指標を比較検証して信頼性を確立する。
• 代理指標をMLモデルに統合し、複数の都市部での一般化性能を評価する。
• 組み合わせ代理指標をスペクトラム需要の最も正確な予測因子として示す。

提案手法

• 3つの代理指標を定義する：サイトライセンスからの展開帯域幅（P_BW）、クラウドソースデータからのアクティブユーザー（P_Users）、および重み付き混合としてのCombined（P_Combined）。
• 人口統計・経済・物理・モビリティ特徴を含む1.5 km x 1.5 kmグリッドで特徴を集約する。
• 実データ交通量との相関（OLS、R2、F統計、p値）で代理指標を評価する。
• 各代理指標を用いてスペクトラム需要を予測するMLモデル（ベースライン線形回帰とXGBoost）を訓練し、空間交差検証と空間ラグ特徴を用いる。
• R2、規格化RMSE、規格化MAEでモデル性能を評価し、代理指標と都市間で比較する。

実験結果

リサーチクエスチョン

• RQ1 サイトライセンスデータとクラウドソースデータから derived された代理指標は実際のスペクトラム需要を正確に反映できるか。
• RQ2 代理指標を組み合わせることで、個別指標と比べて実際の交通量との一致性と予測精度が向上するか。
• RQ3 これらの代理指標で訓練されたMLモデルは複数の都市部で一般化できるか。
• RQ4 空間処理とクラスタリングが地理空間スペクトラム需要予測のモデル性能に与える影響は何か。

主な発見

Proxy / Model	R2	F-Statistic / Norm. RMSE / Norm. MAE	p-Value
Deployed Bandwidth (P_BW)	0.72	4477 / - / -	<0.001
Active Users (P_Users)	0.64	3998 / - / -	<0.001
Combined (P_Combined)	0.85	1.33e4 / - / -	<0.001
Baseline (Linear Reg.) | (P_Combined)	0.54	0.031 / 0.017	-

• 組み合わせ代理指標は代理検証のR2が0.85（F-stat = 1.33e4, p < 0.001）で最高。
• ML予測では、Combined ProxyがR2 = 0.89、Norm. RMSE = 0.022、Norm. MAE = 0.014を達成し、個別代理指標を上回る。
• 日中人口を予測子とするベースライン線形回帰はR2 = 0.54で、単純な代理指標では主要なダイナミクスを欠くことを示す。
• 展開帯域幅代理指標（P_BW）はR2 = 0.84、アクティブユーザー代理指標（P_Users）はR2 = 0.68で、補完的な強さを示す。
• 特徴量重要度分析では、小規模事業者数、道路区間、日中人口、モビリティ（7–10kmの移動）、建物数が影響力のある要因として挙げられる。
• 空間クラスタリングとラグ特徴は空間自己相関を緩和し、都市横断でモデルの頑健性を向上させる。