[論文レビュー] Cellular Network Radio Propagation Modeling with Deep Convolutional Neural Networks

Xin Zhang, Xiujun Shu+4 more|arXiv (Cornell University)|Oct 5, 2021

Millimeter-Wave Propagation and Modeling参考文献 17被引用数 26

ひとこと要約

本稿はPLNetを提案する。PLNetはGISマップとアンテナパラメータを入力画像テンソルに変換してパス損失を予測する深層畳み込みニューラルネットベースのモデルであり、経験的・レイ・トレーシングモデルより精度と速度が優れていることを示す。

ABSTRACT

Radio propagation modeling and prediction is fundamental for modern cellular network planning and optimization. Conventional radio propagation models fall into two categories. Empirical models, based on coarse statistics, are simple and computationally efficient, but are inaccurate due to oversimplification. Deterministic models, such as ray tracing based on physical laws of wave propagation, are more accurate and site specific. But they have higher computational complexity and are inflexible to utilize site information other than traditional global information system (GIS) maps. In this article we present a novel method to model radio propagation using deep convolutional neural networks and report significantly improved performance compared to conventional models. We also lay down the framework for data-driven modeling of radio propagation and enable future research to utilize rich and unconventional information of the site, e.g. satellite photos, to provide more accurate and flexible models.

研究の動機と目的

• 深層 ConvNets を用いて無線伝搬モデリングを画像回帰問題として再定式化する。
• GISマップ層とアンテナパラメータを画像チャンネルとして統合する入力テンソルを設計する。
• PLNet に特化した U-Net スタイルのアーキテクチャを開発する。
• 実験室データと実地データを用いて、従来の経験的・しかし定義的モデルと比較して精度と速度の両方で優位性を示す。

提案手法

• 各エリアパッチをGISマップ層とアンテナパラメータを8チャンネルの入力テンソルへ変換する。
• 入力テンソルをパス損失画像へマッピングするためにスキップ接続を持つ U-Net エンコーダ-デコーダを使用する。
• labeled パス損失行列に対して MAE/MSE 損失を用いた教師あり学習で PLNet を訓練する。
• 事前学習にはシミュレーションによるレイ・トレーシングデータを、ファインチューニングと評価には実データを使用する。
• PLNet を経験的モデル（例: SPM）やレイ・トレーシングのベースラインと比較する。
• Titan Xp で 320x320 パッチを 0.33 秒で推論する GPU 加速推論を示す一方、レイ・トレーシングでは 30 秒かかる。

Figure 1. Ray tracing model.

実験結果

リサーチクエスチョン

• RQ1 GISレイヤーやアンテナパラメータなど豊富な現地情報を活用する CNN ベースのモデルは、従来の経験的または決定論的モデルよりパス損失をより正確に予測できるか。
• RQ2 データ駆動の画像ベースの定式化は、衛星画像などの非伝統的な入力や追加のチャンネルを入力テンソルに含めることで利点を得られるか。
• RQ3 PLNet はシミュレーションと実測データのどちらでどのように性能を発揮するか、計画作業におけるレイ・トレーシングの高速代替として機能し得るか。

主な発見

都市	PLNet ST RMSE (dB)	レイ・トレース RMSE (dB)	SPM RMSE (dB)
City A	8.44	11.84	16.56
City B	9.54	12.87	17.15
City C	9.04	12.28	16.88
City D	8.81	12.02	17.02

• PLNet は実測データに対するRMSEで従来モデルを上回り、試験対象の複数の都市（例: City A–D）で優れた性能を示す。
• 較正データを用いると PLNet は RMSE が SPM より小さく、報告されたケースでは較正済みのレイ・トレーシングを上回ることさえある。
• PLNet は大幅な速度優位を示し、GPU 上で 320×320 パス損失マップを 0.33 秒で推定する一方、Volcano ray-tracing simulator では 30 秒かかる。
• 第一層フィルターの可視化は、建物と地形の入力に対応する学習されたパターンを示し、ネットワークがサイト固有の伝搬特徴を捉えていることを示唆する。
• シミュレーションのレイ・トレーシングデータでの事前学習は、実データが限られている場合に実データへ適用可能な表現をPLNetに学習させ、性能を向上させる。

Figure 2. Channels of input tensor to PLNet.