[논문 리뷰] A Robust Machine Learning Approach for Path Loss Prediction in 5G Networks with Nested Cross Validation

İbrahim Yazıcı, Emre Güreş|arXiv (Cornell University)|2023. 10. 02.

Millimeter-Wave Propagation and ModelingEngineering인용 수 3

한 줄 요약

이 논문은 5G 네트워크에서 경로 손실 예측을 향상시키기 위해 내재된 교차 검증을 사용하는 강력한 기계학습 프레임워크를 제안한다. 베이징의 실세계 도시 대셀룰러 데이터셋을 활용하여 SVR, CatBoost, XGBoost, ANN 및 랜덤 포레스트 모델을 평가하였으며, XGBoost 회귀가 MSE에서 최대 1% 및 MAE에서 0.4% 향상된 최고의 성능을 기록하였다. 이는 철저한 검증을 통해 안정적인 일반화를 보장하였다.

ABSTRACT

The design and deployment of fifth-generation (5G) wireless networks pose significant challenges due to the increasing number of wireless devices. Path loss has a landmark importance in network performance optimization, and accurate prediction of the path loss, which characterizes the attenuation of signal power during transmission, is critical for effective network planning, coverage estimation, and optimization. In this sense, we utilize machine learning (ML) methods, which overcome conventional path loss prediction models drawbacks, for path loss prediction in a 5G network system to facilitate more accurate network planning, resource optimization, and performance improvement in wireless communication systems. To this end, we utilize a novel approach, nested cross validation scheme, with ML to prevent overfitting, thereby getting better generalization error and stable results for ML deployment. First, we acquire a publicly available dataset obtained through a comprehensive measurement campaign conducted in an urban macro-cell scenario located in Beijing, China. The dataset includes crucial information such as longitude, latitude, elevation, altitude, clutter height, and distance, which are utilized as essential features to predict the path loss in the 5G network system. We deploy Support Vector Regression (SVR), CatBoost Regression (CBR), eXtreme Gradient Boosting Regression (XGBR), Artificial Neural Network (ANN), and Random Forest (RF) methods to predict the path loss, and compare the prediction results in terms of Mean Absolute Error (MAE) and Mean Square Error (MSE). As per obtained results, XGBR outperforms the rest of the methods. It outperforms CBR with a slight performance differences by 0.4 % and 1 % in terms of MAE and MSE metrics, respectively. On the other hand, it outperforms the rest of the methods with clear performance differences.

연구 동기 및 목표

• 5G 네트워크 기획에서 정확한 경로 손실 예측에 도전하는 것. 이는 커버리지 최적화 및 자원 할당에 핵심적이다.
• 기존 경로 손실 모델의 한계를 극복하기 위해 기계학습을 활용해 정확도와 적응성을 향상시키는 것.
• 과적합을 방지하고 신뢰할 수 있는 일반화를 보장하기 위해 내재된 교차 검증을 활용한 강력한 모델 평가 전략을 구현하는 것.
• 실세계 5G 경로 손실 데이터셋을 바탕으로 SVR, CBR, XGBR, ANN 및 RF와 같은 다양한 기계학습 알고리즘을 비교하여 성능 기준을 설정하는 것.

제안 방법

• 도시 대셀룰러 환경에서의 실세계 5G 경로 손실 데이터셋을 공개적으로 이용 가능하게 제공하며, 거리, 위도, 경도, 고도, 혼잡도 높이 등의 지리적, 지형적, 전파 특성 포함.
• 과적합을 최소화하고 일반화 안정성을 향상시키기 위해 내재된 교차 검증을 적용하여 하이퍼파rameter를 체계적으로 튜닝하고 모델 성능을 평가.
• 서포트 벡터 회귀(SVR), 카트부스트 회귀(CBR), 익스트림 그래디언트 부스팅 회귀(XGBR), 인공 신경망(ANN), 랜덤 포레스트(RF)의 다섯 가지 회귀 모델을 훈련하고 비교.
• 주요 평가 지표로 평균 절대 오차(MAE)와 평균 제곱 오차(MSE)를 사용하여 모델 성능을 정량적으로 평가.
• 내재된 교차 검증 프레임워크는 하이퍼파rameter 선택과 성능 평가가 독립적인 데이터 분할에서 이루어지도록 하여 신뢰도를 향상시킨다.

실험 결과

연구 질문

• RQ1 실세계 측정치를 기반으로 한 5G 도시 대셀룰러 환경에서 어떤 기계학습 모델이 가장 정확한 경로 손실 예측을 제공하는가?
• RQ2 내재된 교차 검증은 경로 손실 예측 작업에서 모델 일반화 능력을 향상시키고 과적합을 줄이는 데 어떻게 기여하는가?
• RQ3 XGBoost, 카트부스트, 랜덤 포레스트, SVR, ANN의 상대적 성능은 다양한 환경적 특성에서 어떻게 나타나는가?
• RQ4 내재된 교차 검증을 통한 강력한 하이퍼파rameter 튜닝은 다양한 데이터 분할에서 더 안정적이고 신뢰할 수 있는 모델 성능을 이끌 수 있는가?
• RQ5 거리, 고도, 혼잡도 높이와 같은 환경적 특성은 5G 네트워크에서 경로 손실 예측 정확도에 어떻게 영향을 미치는가?

주요 결과

• XGBoost 회귀(XGBR)는 평가된 모든 모델 중에서 가장 낮은 평균 절대 오차(MAE)를 기록하였으며, 카트부스트 회귀보다 0.4% 향상되었다.
• XGBR는 가장 낮은 평균 제곱 오차(MSE)를 기록하여 카트부스트를 1% 초월하여 전체적인 예측 정확도가 뛰어났다.
• 내재된 교차 검증 접근법은 과적합을 크게 줄이고 모델 안정성을 향상시켜 다양한 데이터 분할에서 신뢰할 수 있는 일반화를 보장하였다.
• 시험된 모델들 중에서 XGBR는 MAE 및 MSE 지표 모두에서 가장 일관된 성능을 보이며 5G 경로 손실 예측에 가장 강력한 선택지로 나타났다.
• 거리, 위도, 경도, 고도, 혼잡도 높이와 같은 지리적 및 환경적 특성의 활용은 단순한 모델 대비 예측 정확도를 크게 향상시켰다.