[論文レビュー] Artificial Neural Network Modeling for Path Loss Prediction in Urban Environments

Chanshin Park, Daniel K. Tettey+1 more|arXiv (Cornell University)|Apr 4, 2019

Millimeter-Wave Propagation and Modeling参考文献 12被引用数 9

ひとこと要約

本稿では、距離と周波数を入力として用い、3–6 GHzの都市環境におけるパスロス予測のための人工ニューラルネットワーク（ANN）ベースの多次元回帰モデルを提案する。このモデルは、従来の線形対数距離モデルを上回り、特に領域Bでは最大24.18%低いRMSEを達成した。双曲正接活性化関数が、両方のテスト領域において最も正確な予測を実現した。

ABSTRACT

Although various linear log-distance path loss models have been developed, advanced models are requiring to more accurately and flexibly represent the path loss for complex environments such as the urban area. This letter proposes an artificial neural network (ANN) based multi-dimensional regression framework for path loss modeling in urban environments at 3 to 6 GHz frequency band. ANN is used to learn the path loss structure from the measured path loss data which is a function of distance and frequency. The effect of the network architecture parameter (activation function, the number of hidden layers and nodes) on the prediction accuracy are analyzed. We observe that the proposed model is more accurate and flexible compared to the conventional linear model.

研究の動機と目的

• 線形モデルが失敗する複雑な都市環境、特に短距離においてもより正確で柔軟なパスロスモデルを開発すること。
• ニューラルネットワークのアーキテクチャ要因（特に活性化関数、隠れ層、ノード数）が、都市電波伝搬におけるパスロス予測精度に与える影響を調査すること。
• 実世界の都市電波伝搬データを用いて、多次元ANN回帰の性能を従来の線形モデル（例：改訂版COST-231 Hata）と比較すること。
• 高層ビル環境を含む、異なる伝搬特性を示す2つの都市地域（AおよびB）におけるモデルの汎化性能を評価すること。
• 都市無線チャネルモデリングにおける予測誤差を最小化する最適なハイパーパrameterおよび活性化関数を特定すること。

提案手法

• 入力特徴量として距離と周波数（D=2）を用い、多数のモデルで単一の隠れ層を採用し、ReLUベースのモデルでは最大8層までを採用した多層パーセプトロンニューラルネットワーク（MLP-NN）を採用した。
• 活性化関数として、ReLU（修正線形ユニット）、ロジスティックシグモイド、双曲正接の3種類を評価し、それぞれを隠れ層の重み付き入力の変換に適用した。
• 平均二乗誤差（MSE）損失関数を最小化するために、固定されたハイパーパrameter（学習率=0.001、エポック数=1000、収束許容誤差=0.00001）を用いたL-BFGS最適化アルゴリズムを採用した。
• 17,728サンプル（領域A：11,100、領域B：8,864）を訓練データとして使用し、汎化性能の評価と過学習の回避のため、別個の検証およびテストセットを設定した。
• 普遍近似定理の原則を適用し、十分な隠れノード数と層数により、非線形なパスロス関係をモデル化可能なネットワークを保証した。
• 主にRMSEを指標としてモデル性能を比較し、異なる周波数帯（3.4、5.3、6.4 GHz）および全体の結果を報告した。

実験結果

リサーチクエスチョン

• RQ1 ANNベースの多次元回帰モデルは、都市環境におけるパスロス予測において、従来の線形対数距離モデルに比べてどのように優れているか？
• RQ2 ReLU、シグモイド、tanhといった異なる活性化関数は、都市電波伝搬におけるパスロス予測の精度と安定性にどのような影響を与えるか？
• RQ3 隠れ層およびノード数の数が、さまざまな都市伝搬条件下でのANNモデルの予測性能にどのように影響するか？
• RQ4 高層ビル環境（例：領域B）のような複雑な伝搬効果を示す地域では、シンプルな環境（例：領域A）と比較して、ANNモデルがより高い精度を示すか？
• RQ5 3–6 GHzの都市シナリオにおけるパスロス予測で、最も低いRMSEを達成する活性化関数およびネットワーク構成は何か？

主な発見

• ANNモデルは、従来の線形モデルと比較して、領域AでRMSEを7.74%、領域Bで21.70%低減し、両方の都市環境で優れた正確性を示した。
• 双曲正接活性化関数が、すべての周波数帯で最も低いRMSEを達成し、ReLUおよびロジスティックシグモイドを上回った。
• ReLUモデルでは、深さを増したアーキテクチャ（最大8層）が性能向上に寄与したが、シグモイドおよびtanhモデルは3層を超えると性能が低下した（アンダーフィット）。
• 1層あたりの隠れノード数を40以上に増やすことで性能が安定化し、すべての活性化関数に対して40ノードを最適なベースラインとして選定した。
• ANNモデルは、短距離でパスロスが急激に低下する領域Bにおいて、顕著に高い予測正確性を示し、非線形な都市伝搬をよりよくモデル化できることを示した。
• 特に高周波数帯（5.3および6.4 GHz）において改善効果が顕著で、双曲正接モデルは領域BでRMSEを24.18%低減した。これは、高周波数都市環境における有効性を強力に示している。