[論文レビュー] Predicting the Path Loss of Wireless Channel Models Using Machine Learning Techniques in MmWave Urban Communications

Saud Alhajaj Aldossari, Kwang‐Cheng Chen|arXiv (Cornell University)|May 2, 2020

Advanced MIMO Systems Optimization参考文献 13被引用数 4

ひとこと要約

本論文では、無線チャネル測定データを用いて訓練された回帰モデルを用いて、都市環境におけるミリ波パスロスを予測する機械学習ベースの手法を提案している。この手法により、新たな測定を大幅に削減できる。距離、遅延、送信・受信角度といった特徴量を活用することで、パスロス予測の決定係数（R-squared）が最大72%に達し、1つの環境で訓練されたモデルが他の環境へも高い効率と低い複雑性で一般化可能であることが示された。

ABSTRACT

The classic wireless communication channel modeling is performed using Deterministic and Stochastic channel methodologies. Machine learning (ML) emerges to revolutionize system design for 5G and beyond. ML techniques such as supervise leaning methods will be used to predict the wireless channel path loss of a variate of environments base on a certain dataset. The propagation signal of communication systems fundamentals is focusing on channel modeling particularly for new frequency bands such as MmWave. Machine learning can facilitate rapid channel modeling for 5G and beyond wireless communication systems due to the availability of partially relevant channel measurement data and model. When irregularity of the wireless channels lead to a complex methodology to achieve accurate models, appropriate machine learning methodology explores to reduce the complexity and increase the accuracy. In this paper, we demonstrate alternative procedures beyond traditional channel modeling to enhance the path loss models using machine learning techniques, to alleviate the dilemma of channel complexity and time-consuming process that the measurements were taken. This demonstrated regression uses the measurement data of a certain scenario to successfully assist the prediction of path loss model of a different operating environment.

研究の動機と目的

• 都市環境における従来のミリ波チャネルモデリングの高い複雑さと測定負荷を軽減すること。
• 異なる都市環境間でモデルを一般化することで、チャネル測定の必要数を削減すること。
• 教師あり学習手法を用いて、古典的な決定的・確率的モデルを上回るパスロス予測精度を向上させること。
• マイクロおよびマクロ都市環境からの実世界のチャネル測定データを用いて、回帰モデルの有効性を検証すること。

提案手法

• 本研究では、測定されたミリ波チャネルデータに、特に線形回帰および多重線形回帰を含む教師あり機械学習回帰手法を適用している。
• 使用された特徴量には、送信機受信機間距離（m）、遅延時間（ns）、受信電力（dBm）、RMS遅延スプレッド（ns）、および送信・受信角度（AoD/AoA、度）が含まれる。
• パスロスモデルは、これらの特徴量の線形関数として定式化されており、$\hat{PL} = \alpha + L_0[\text{dB}] + \dots + X_\sigma[\text{dB}]$ と表される。ここで、$L_0[\text{dB}]$ は基準パスロスを表す。
• モデルはマイクロ都市（UMi）環境からのデータで訓練され、マクロ都市（UMa）環境への一般化性をテストしている。
• モデルの性能は、平均絶対誤差（MAE）、平均二乗誤差（MSE）、平均二乗誤差の平方根（RMSE）、決定係数（R-squared、$R^2$）といった標準指標を用いて評価されている。
• この手法により、1つの環境（例：UMi）から得た学習結果を、別の環境（例：UMa）のパスロス予測に転送可能となり、新たな測定キャンペーンを最小限に抑えることができる。

実験結果

リサーチクエスチョン

• RQ1 1つの都市環境で訓練された機械学習モデルが、異なる都市環境におけるパスロスを正確に予測できるか？
• RQ2 遅延、角度、電力といった複数のチャネル特徴量を含めることで、単一特徴量モデルと比較して、パスロス予測精度がどの程度向上するか？
• RQ3 回帰モデルを用いることで、ミリ波都市通信における必要なチャネル測定回数をどの程度削減できるか？
• RQ4 単一線形回帰と比較して、多重線形回帰はミリ波パスロス予測においてどの程度の性能向上をもたらすか？

主な発見

• 8つの特徴量（距離、遅延、電力、RMS遅延スプレッド、およびAoD/AoA角度）を用いた多重線形回帰モデルが、決定係数0.72という最高の性能を達成した。
• マイクロ都市（UMi）データで訓練したモデルは、マクロ都市（UMa）環境においてもパスロスを正確に予測でき、平均絶対誤差（MAE）が6.66 dBを記録した。
• 平均二乗誤差の平方根（RMSE）は、単一特徴量モデルの11.25 dBから、8特徴量モデルの6.67 dBに低下し、予測精度の向上が確認された。
• 決定係数（R-squared）は、単一特徴量モデルの0.21から8特徴量モデルの0.72に上昇し、関連するチャネル特徴量を追加することで、モデルの適合度と予測力が著しく向上することが示された。
• モデルは一般化能力を示しており、新たな環境においても最小限の追加測定で正確なパスロス予測が可能である。
• 本研究では、機械学習がミリ波チャネルモデリングの複雑さと測定負荷を効果的に低減するとともに、精度向上を実現できることを確認した。