[논문 리뷰] 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)|2020. 05. 02.

Advanced MIMO Systems Optimization참고 문헌 13인용 수 4

한 줄 요약

이 논문은 무선 채널 측정 데이터를 기반으로 회귀 모델을 훈련시켜 도시 환경에서 mmWave 경로 손실을 예측하는 기계학습 기반 접근법을 제안한다. 이는 새로운 측정이 크게 줄어들게 한다. 거리, 지연, 도착/출발 각도와 같은 특징을 활용함으로써, 경로 손실 예측의 R-제곱 값이 최대 72%에 이를 정도로 높은 정확도를 달성하며, 한 환경에서 훈련된 모델이 다른 환경으로 일반화될 수 있음을 입증한다. 이는 높은 효율성과 낮은 복잡성으로 구현된다.

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.

연구 동기 및 목표

• 기존의 mmWave 채널 모델링 방식이 도시 환경에서 가지는 높은 복잡성과 측정 부담을 해결하기 위해.
• 기계학습을 활용해 다양한 도시 환경 간에 모델을 일반화함으로써 채널 측정이 필요한 수를 줄이기 위해.
• 감독 학습 기법을 활용해 기존의 결정론적 및 스토케스틱 모델을 초월한 경로 손실 예측 정확도를 향상시키기 위해.
• 실제 마이크로 및 매크로 도시 환경에서의 채널 측정 데이터를 사용해 회귀 모델의 효과성을 검증하기 위해.

제안 방법

• 연구는 측정된 mmWave 채널 데이터에 대해 감독 기반 기계학습 회귀 기법—특히 선형 및 다중 선형 회귀—을 적용한다.
• 사용된 특징으로는 송수신기 간 거리(m), 지연 시간(ns), 수신 전력(dBm), RMS 지연 스프레드(ns), 그리고 도착/출발 각도(AoD/AoA, 도자)가 포함된다.
• 경로 손실 모델은 이러한 특징들의 선형 함수로 표현되며, $\hat{PL} = \alpha + L_0[\text{dB}] + \dots + X_\sigma[\text{dB}]$ 로 기술된다. 여기서 $L_0[\text{dB}]$ 는 기준 경로 손실을 나타낸다.
• 모델은 마이크로 도시(UMi) 환경에서의 데이터로 훈련되고, 매크로 도시(UMa) 환경으로의 일반화 성능을 테스트한다.
• 모델 성능 평가에는 표준 평가 지표인 평균 절대 오차(MAE), 평균 제곱 오차(MSE), 제곱근 평균 제곱 오차(RMSE), 그리고 결정계수($R^2$)가 사용된다.
• 이 방법은 한 환경(예: UMi)에서의 학습 결과를 다른 환경(예: UMa)의 경로 손실 예측에 적용하는 전이 학습을 가능하게 하며, 새로운 측정 캠프에 대한 의존도를 최소화한다.

실험 결과

연구 질문

• RQ1 한 도시 환경에서의 경로 손실 데이터로 훈련된 기계학습 모델이 다른 도시 환경에서의 경로 손실을 정확하게 예측할 수 있는가?
• RQ2 지연, 각도, 전력 등의 다수의 채널 특징을 포함할 경우, 단일 특징 모델 대비 경로 손실 예측 정확도는 어떻게 향상되는가?
• RQ3 회귀 모델을 통해 mmWave 도시 통신에서 요구되는 채널 측정 수를 어느 정도 줄일 수 있는가?
• RQ4 단순 선형 회귀 대비 다중 선형 회귀의 성능 향상은 mmWave 경로 손실 예측에서 얼마나 뚜렷한가?

주요 결과

• 거리, 지연, 전력, RMS 지연 스프레드, 그리고 AoD/AoA 각도 등 총 여덟 개의 특징을 사용한 다중 선형 회귀 모델이 가장 뛰어난 성능을 보이며, 결정계수($R^2$) 값이 0.72에 도달했다.
• 마이크로 도시(UMi) 데이터로 훈련된 모델이 매크로 도시(UMa) 환경에서도 경로 손실을 성공적으로 예측했으며, 평균 절대 오차(MAE)는 6.66 dB를 기록했다.
• 제곱근 평균 제곱 오차(RMSE)는 단일 특징 모델의 11.25 dB에서 여덟 특징 모델의 6.67 dB로 감소하여 예측 정확도 향상을 확인했다.
• 결정계수($R^2$)는 단일 특징 모델의 0.21에서 여덟 특징 모델의 0.72로 상승하여, 관련 채널 특징을 추가할수록 모델의 적합도와 예측 능력이 크게 향상됨을 보여주었다.
• 모델은 일반화 능력을 입증하였으며, 추가적인 측정을 최소화하면서도 새로운 환경에서 정확한 경로 손실 예측이 가능했다.
• 이 연구는 기계학습이 mmWave 채널 모델링의 복잡성과 측정 부담을 효과적으로 줄일 수 있으며, 정확도 향상에도 기여할 수 있음을 확인했다.