[논문]Path Loss Prediction Using an Ensemble Learning Approach

Beom Kwon; Eonsu Noh

doi:10.9708/jksci.2024.29.02.001

Path Loss Prediction Using an Ensemble Learning Approach 원문보기

韓國컴퓨터情報學會論文誌 = Journal of the Korea Society of Computer and Information, v.29 no.2, 2024년, pp.1 - 12

Beom Kwon (Div. of Interdisciplinary Studies in Cultural Intelligence (Data Science Major), Dongduk Women's University) , Eonsu Noh (Agency for Defense Development)

초록
AI-Helper

경로 손실(Path Loss)을 예측하는 것은 셀룰러 네트워크(Cellular Network)에서 기지국(Base Station) 의 설치 위치 선정 등 무선망 설계에 중요한 요인 중 하나다. 기존에는 기지국의 최적 설치 위치를 결정하기 위해 수많은 현장 테스트(Field Tests)를 통해 경로 손실 값을 측정했다. 따라서 측정에 많은 시간이 소요된다는 단점이 있었다. 이러한 문제를 해결하기 위해 본 연구에서는 머신러닝(Machine Learning, ML) 기반의 경로 손실 예측 방법을 제안한다. 특히, 경로 손실 예측 성능을 향상시키기 위해서 앙상블 학습(Ensemble Learning) 접근법을 적용하였다. 부트스트랩 데이터 세트(Bootstrap Dataset)을 활용하여 서로 다른 하이퍼파라미터(Hyperparameter) 구성을 갖는 모델들을 얻고, 이 모델들을 앙상블하여 최종 모델을 구축했다. 인터넷상에 공개된 경로 손실 데이터 세트를 활용하여 제안하는 앙상블 기반 경로 손실 예측 방법과 다양한 ML 기반 방법들의 성능을 평가 및 비교했다. 실험 결과, 제안하는 방법이 기존 방법들보다 우수한 성능을 달성하였으며, 경로 손실 값을 가장 정확하게 예측할 수 있다는 것을 입증하였다.

Abstract ▼ AI-Helper

Predicting path loss is one of the important factors for wireless network design, such as selecting the installation location of base stations in cellular networks. In the past, path loss values were measured through numerous field tests to determine the optimal installation location of the base station, which has the disadvantage of taking a lot of time to measure. To solve this problem, in this study, we propose a path loss prediction method based on machine learning (ML). In particular, an ensemble learning approach is applied to improve the path loss prediction performance. Bootstrap dataset was utilized to obtain models with different hyperparameter configurations, and the final model was built by ensembling these models. We evaluated and compared the performance of the proposed ensemble-based path loss prediction method with various ML-based methods using publicly available path loss datasets. The experimental results show that the proposed method outperforms the existing methods and can predict the path loss values accurately.

주제어

표/그림 (15)

그림 Fig. 1. Overall Working of the Proposed Method for Path Loss Prediction
표 Table 1. Descriptive Statistics of the Training Dataset
표 Table 2. Hyperparameter of k-NN
표 Table 3. Hyperparameter Configuration for MLPs
표 Table 4. Performance Comparisons among Ensemble Models with Different Numbers of SVMs
표 Table 5. Performance Comparisons among Ensemble Models with Different Numbers of k-NNs
표 Table 7. Performance Comparisons among Ensemble Models with Different Numbers of MLRs
표 Table 8. Performance Comparisons among Ensemble Models with Different Numbers of Lassos
표 Table 6. Performance Comparisons among Ensemble Models with Different Numbers of DTs
표 Table 9. Performance Comparisons among Ensemble Models with Different Numbers of Ridges
표 Table 10. Performance Comparisons among Ensemble Models with Different Numbers of Elastic Nets
표 Table 11. Performance Comparisons among Ensemble Models
표 Table 12. Performance Comparisons between the Proposed and Benchmark Models
표 Table 13. Time Complexity Comparisons between the Proposed and Benchmark Models
표 Table 14. Experimental Setup of Hardware

AI 본문요약
AI-Helper

문제 정의

본 연구에서는 선행 연구들에서 ML 기반 모델이 보여준 연구 결과에 착안하여, 경로 손실 예측 성능 향상 방법을 연구했다. 본 연구의 주요 기여 포인트는 다음과 같다.
본 연구에서는 앙상블 학습 접근법을 기반으로 한 경로 손실 예측 방법을 제안했다. 이 접근 방식은 앙상블 학습의 장점을 활용하여, 정확한 경로 손실 예측이 가능한 모델을 구축할 수 있도록 했다.

제안 방법

⦁ 경로 손실 값을 정확하게 예측할 수 있는 앙상블(Ensemble) 모델을 제안한다. 제안하는 앙상블 모델은 여러 개의 k-NN으로 구성되며, 앙상블 모델의 다양성을 확보하기 위해서 부트스트랩 데이터 세트(Bootstrap Dataset)를 활용하여 각 k-NN에 대해 하이퍼파라미터(Hyperparameter) 최적화를 수행한다.
⦁ 제안하는 앙상블 모델의 우수성을 입증하기 위하여, 공개 데이터 세트를 이용하여 제안 모델을 평가한다. 또한 SVM, k-NN, RF, 결정 트리(Decision Tree, DT), 다중 선형 회귀(Multiple Linear Regression, MLR), 라쏘(Lasso), 릿지(Ridge), Elastic Net, MLP 등 9가지 ML 기반 경로 손실 예측 모델을 구현하여 제안하는 모델과 성능을 비교한다.
그리고 수식 1을 사용하여 각 데이터 세트에 특징 스케일링을 적용한다. 그 후, 부트스트랩 데이터 세트를 활용하여 최적화된 하이퍼파라미터로 구성된 T개의 k-NN을 구축한다. 그리고 T개의 k-NN을 앙상블하여 최종 모델을 구축한다.
마지막 세 번째 단계에서는, 평가 결과를 바탕으로 최적의 하이퍼파라미터로 구성된 k-NN을 앙상블하여 최종 모델을 구축한다. 그리고 최종 앙상블 모델을 사용하여 시험 데이터 세트에 대해 경로 손실 예측을 수행한다.
그 후 각 특징을 스케일링하여, 모델 훈련 과정에서 모델이 안정적으로 훈련될 수 있도록 한다. 두 번째 단계에서는 부트스트랩 데이터 세트를 활용하여 각 k-NN을 학습시키고, 학습이 완료된 k-NN을 평가한다. 그리고 하이퍼파라미터를 조율해 가며 학습과 평가 과정을 반복 수행함으로써, 각 k-NN에 대해서 최적의 하이퍼파라미터를 찾는다.
그리고 두 이미지를 쌓아 만든 3차원 텐서(Tensor)를 CNN의 입력으로 사용했다. 또한 레이 트레이싱 툴(Tool)을 사용하여 합성 데이터(Synthetic Data)를 생성하였고, 이 합성 데이터를 사용하여 경로 손실 지수를 예측할 수 있도록 CNN을 학습시켰다.
그리고 하이퍼파라미터를 조율해 가며 학습과 평가 과정을 반복 수행함으로써, 각 k-NN에 대해서 최적의 하이퍼파라미터를 찾는다. 마지막 세 번째 단계에서는, 평가 결과를 바탕으로 최적의 하이퍼파라미터로 구성된 k-NN을 앙상블하여 최종 모델을 구축한다. 그리고 최종 앙상블 모델을 사용하여 시험 데이터 세트에 대해 경로 손실 예측을 수행한다.
본 연구에서 제안하는 앙상블 모델은 여러 개의 k-NN으로 구성되며, 최적의 앙상블 모델을 구축하기 위해 각 k-NN에 대해서 하이퍼파라미터 최적화를 수행한다. 이 하이퍼파라미터 최적화 과정은, 모델이 너무 단순해서 훈련 데이터 세트의 구조/패턴을 제대로 학습하지 못하는 과소적합(Underfitting) 문제가 발생하는 것을 방지하는 데 도움을 준다.
본 연구에서는 (1) SVM 기반, (2) k-NN 기반, (3) RF 기반, (4) DT 기반, (5) MLR 기반, (6) Lasso 기반, (7) Ridge 기반, (8) Elastic Net 기반, (9) MLP 기반 경로 손실 예측 모델을 구현하여, 제안하는 앙상블 기반 경로 손실 예측 모델과의 성능 비교를 수행하였다. 파이썬 프로그래밍(Python Programming) 언어용 ML 라이브러리 사이킷런(scikit-learn)을 활용하여 각 모델 생성하였으며, 사이킷런에서 제공하는 HalvingGridSearchCV 클래스를 활용하여 각 모델에 대해서 하이퍼파라미터 최적화를 수행하였다.
비-인공신경망 기반 접근법에는 SVM, k-NN, RF 등의 모델들이 활용되고 있으며, 인공신경망 기반 접근법에서는 MLP, CNN(AlexNet, VGGNet, ResNet) 등의 모델이 활용되고 있다. 본 연구에서는 경로 손실 예측을 위해서 ML 기반 경로 손실 예측 모델을 연구하였으며, 비-인공신경망 기반 접근법의 범주에 포함된다. 본 연구에서는, 기존 연구들에서 단일 모델들을 활용하여 경로 손실 예측을 수행하는 것과 비교했을 때, 여러 개의 k-NN으로 구성된 앙상블 모델을 활용하면 경로 손실 값을 더욱 정확하게 예측할 수 있다는 것을 실험적으로 입증한다.
본 연구에서는 데이터 세트 내 3,616개의 샘플을 무작위로 섞은 다음 훈련(Training), 검증(Validation), 시험(Test) 데이터 세트로 나눈다. 훈련 데이터 세트는 모델을 훈련하는 데 사용된다.
표 14에는 하드웨어(Hardware) 실험 설정이 제시돼 있다. 본 연구에서는 시간 복잡도 계산을 위해서, (1) 모델 훈련을 위해 소요된 시간(Training Time)과 (2) 훈련이 완료된 모델이 시험 데이트 세트 내 전체 샘플에 대해 예측을 수행하는데 소요된 시간(Testing Time)을 측정했다(단위: 초). 시간 측정을 위해서 타임(Time) 라이브러리를 활용했다.
이 접근 방식은 앙상블 학습의 장점을 활용하여, 정확한 경로 손실 예측이 가능한 모델을 구축할 수 있도록 했다. 부트스트랩 데이터 세트를 활용하여 하이퍼파라미터 최적화를 수행함으로써 서로 다른 하이퍼파라미터를 갖는 최상의 k-NN으로 앙상블 모델을 구성했다. 그리고 인터넷상에 공개된 경로 손실 데이터 세트를 활용하여 제안하는 방법의 우수성을 평가했다.
경로 손실 값은 실숫값으로 표현되기 때문에, ML 관점에서 경로 손실 예측 문제는 회귀 문제다. 이에 선행 연구들에서는 서포트 벡터머신(Support Vector Machine, SVM), k-최근접 이웃(k-Nearest Neighbors, k-NN), 랜덤 포레스트(Random Forest, RF), 다층 퍼셉트론(Multilayer Perceptron, MLP) 등의 회귀 알고리즘을 적용하여 경로 손실 값을 예측하는 방법을 제안했다. 예를 들어, [17]에서 Ostlin et al.
일부 연구그룹은 합성곱 신경망(Convolutional Neural Network, CNN)을 사용하여 경로 손실 값을 예측하는 연구를 수행했다. CNN은 합성곱 층(Convolutional Layer)과 풀링 층(Pooling Layer)을 통해 입력 이미지(Image)에서 기하학적 패턴을 감지하고 추출할 수 있는 것으로 알려져 있다.
제안하는 앙상블 기반 경로 손실 예측 방법은 그림 1에서 볼 수 있듯이, 주어진 데이터 세트를 훈련, 검증, 시험 데이터 세트로 나눈다. 그리고 수식 1을 사용하여 각 데이터 세트에 특징 스케일링을 적용한다.
⦁ 경로 손실 값을 정확하게 예측할 수 있는 앙상블(Ensemble) 모델을 제안한다. 제안하는 앙상블 모델은 여러 개의 k-NN으로 구성되며, 앙상블 모델의 다양성을 확보하기 위해서 부트스트랩 데이터 세트(Bootstrap Dataset)를 활용하여 각 k-NN에 대해 하이퍼파라미터(Hyperparameter) 최적화를 수행한다.
제안하는 앙상블 모델을 활용하여 경로 손실 값을 예측하는 데 있어서, 어떤 ML 모델로 몇 개를 앙상블해야 가장 좋은 성능을 달성할 수 있는지 알아내기 위해서, 앙상블되는 ML 모델의 종류와 개수를 달리하여 성능 비교를 수행했다.
본 연구에서는 (1) SVM 기반, (2) k-NN 기반, (3) RF 기반, (4) DT 기반, (5) MLR 기반, (6) Lasso 기반, (7) Ridge 기반, (8) Elastic Net 기반, (9) MLP 기반 경로 손실 예측 모델을 구현하여, 제안하는 앙상블 기반 경로 손실 예측 모델과의 성능 비교를 수행하였다. 파이썬 프로그래밍(Python Programming) 언어용 ML 라이브러리 사이킷런(scikit-learn)을 활용하여 각 모델 생성하였으며, 사이킷런에서 제공하는 HalvingGridSearchCV 클래스를 활용하여 각 모델에 대해서 하이퍼파라미터 최적화를 수행하였다. MLP 기반 경로 손실 예측 모델의 경우, 인공신경망 및 딥러닝 라이브러리 텐서플로(TensorFlow)를 활용하여 [17,25-33]에서 제안된 아키텍처를 구현하였으며, 구체적인 세부 내용은 표 3에서와 같다.

대상 데이터

이 하이퍼파라미터 최적화 과정은, 모델이 너무 단순해서 훈련 데이터 세트의 구조/패턴을 제대로 학습하지 못하는 과소적합(Underfitting) 문제가 발생하는 것을 방지하는 데 도움을 준다. 그리고 하이퍼파라미터 최적화 과정에서 앙상블 모델의 다양성을 확보하기 위해서, 본 연구에서는 각 k-NN을 훈련하는 데 부트스트랩 데이터 세트를 사용한다.
일반적으로 데이터를 훈련, 검증, 시험 데이터 세트로 분리하면, 실제 상황에서 ML 모델이 새로운 데이터에 안정적으로 동작할 수 있도록 일반화된 성능을 얻는 데 도움을 얻을 수 있다[43-50]. 본 연구에서는 전체 3,616개의 샘플 중 60%를 훈련 데이터 세트로 사용하였고, 20%를 검증 데이터 세트, 그리고 나머지 20%를 시험 데이트 세트로 사용하였다.
실험 결과에 따르면, 다양한 ML 기반의 앙상블 모델 중에서 가장 우수한 성능을 달성한 것은 8개의 k-NN으로 구성된 앙상블 모델이었다. 본 연구에서는 표 11의 결과를 바탕으로 8개의 k-NN으로 구성된 앙상블 모델을 최종 모델로 선정했다.

데이터처리

⦁ 제안하는 앙상블 모델의 우수성을 입증하기 위하여, 공개 데이터 세트를 이용하여 제안 모델을 평가한다. 또한 SVM, k-NN, RF, 결정 트리(Decision Tree, DT), 다중 선형 회귀(Multiple Linear Regression, MLR), 라쏘(Lasso), 릿지(Ridge), Elastic Net, MLP 등 9가지 ML 기반 경로 손실 예측 모델을 구현하여 제안하는 모델과 성능을 비교한다.

이론/모형

파이썬 프로그래밍(Python Programming) 언어용 ML 라이브러리 사이킷런(scikit-learn)을 활용하여 각 모델 생성하였으며, 사이킷런에서 제공하는 HalvingGridSearchCV 클래스를 활용하여 각 모델에 대해서 하이퍼파라미터 최적화를 수행하였다. MLP 기반 경로 손실 예측 모델의 경우, 인공신경망 및 딥러닝 라이브러리 텐서플로(TensorFlow)를 활용하여 [17,25-33]에서 제안된 아키텍처를 구현하였으며, 구체적인 세부 내용은 표 3에서와 같다.
결정론적 모델은 전자기학 이론을 기반으로 한다. 결정론적 모델은 레이 트레이싱(Ray-Tracing) 및 유한 차이 시간 영역(Finite-Difference Time-Domain) 방법을 사용하여 특정 위치에서 정확한 경로 손실 값을 제공한다[8,9]. 그러나 결정론적 모델은 경로 손실을 예측하기 위해 특정 지역의 2차원 또는 3차원 지도와 장애물의 유전체(Dielectric) 특성과 같은 상세한 기하학적(Geometric) 데이터가 필요하다.

성능/효과

실험 결과에 따르면, 앙상블 모델의 성능은 k-NN의 수가 증가함에 따라 향상됐다. 8개의 k-NN을 앙상블했을 때, 최고 성능을 달성했으며, k-NN의 수가 8개를 초과하면 앙상블 모델의 성능은 더 이상 향상되지 않고 감소했다.
모델 훈련에 사용된 데이터와 동일한 데이터로 모델을 평가하면 특정 데이터에 대해서는 올바르게 예측을 수행하지만, 새로운 데이터에 대해서는 올바르게 예측을 수행하지 못하는, 즉 과적합(Overfitting) 문제가 발생할 수 있다. 검증 데이터 세트는 이러한 과적합 문제가 발생하는 것을 방지하는 데 도움을 주며, 또한 시험 데이터 세트에 대해 편향 없이 하이퍼파라미터를 조정할 수 있게 한다. 시험 데이터 세트는 모델이 새로운 데이터에 대해서 얼마나 잘 동작하는지 평가할 때 사용된다.
첫 번째 단계에서는 준비된 데이터 세트에 대해 데이터 세트 분할을 수행하여 훈련, 검증, 시험 데이터 세트를 생성한다. 그 후 각 특징을 스케일링하여, 모델 훈련 과정에서 모델이 안정적으로 훈련될 수 있도록 한다. 두 번째 단계에서는 부트스트랩 데이터 세트를 활용하여 각 k-NN을 학습시키고, 학습이 완료된 k-NN을 평가한다.
부트스트랩 데이터 세트를 활용하여 하이퍼파라미터 최적화를 수행함으로써 서로 다른 하이퍼파라미터를 갖는 최상의 k-NN으로 앙상블 모델을 구성했다. 그리고 인터넷상에 공개된 경로 손실 데이터 세트를 활용하여 제안하는 방법의 우수성을 평가했다. 실험 결과, 경로 손실 예측에 있어서 제안하는 앙상블 모델은 다른 벤치마크 모델들보다 우수한 성능을 달성했다.
두 번째 단계에서는 부트스트랩 데이터 세트를 활용하여 각 k-NN을 학습시키고, 학습이 완료된 k-NN을 평가한다. 그리고 하이퍼파라미터를 조율해 가며 학습과 평가 과정을 반복 수행함으로써, 각 k-NN에 대해서 최적의 하이퍼파라미터를 찾는다. 마지막 세 번째 단계에서는, 평가 결과를 바탕으로 최적의 하이퍼파라미터로 구성된 k-NN을 앙상블하여 최종 모델을 구축한다.
실험 결과에 따르면, 라플라시안 커널을 사용하는 SVM이 다른 두 커널을 사용하는 SVM들보다 성능이 뛰어났다. 또한 Timoteo et al.은 세 가지 SVM을 두 가지 경험적 모델(Hata 및 Ericsson 9999 모델)과도 성능 비교를 했는데, 세 가지 SVM 모두 경험적 모델보다 우수한 성능을 보였다. 이후에도 SVM은 ML 기반 경로 손실 예측 연구에서 꾸준히 사용됐다[20-23].
훈련 데이터 세트는 모델을 훈련하는 데 사용된다. 모델 훈련에 사용된 데이터와 동일한 데이터로 모델을 평가하면 특정 데이터에 대해서는 올바르게 예측을 수행하지만, 새로운 데이터에 대해서는 올바르게 예측을 수행하지 못하는, 즉 과적합(Overfitting) 문제가 발생할 수 있다. 검증 데이터 세트는 이러한 과적합 문제가 발생하는 것을 방지하는 데 도움을 주며, 또한 시험 데이터 세트에 대해 편향 없이 하이퍼파라미터를 조정할 수 있게 한다.
시험 데이터 세트 내 총 724개의 샘플에 대해 예측에 소요하는 데 걸리는 시간의 경우, 가장 긴 시간이 걸린 모델은 [17]에서 제안된 MLP였고, 그다음으로 오래 걸린 모델은 SVM이었다. 반면 제안하는 앙상블 모델은 0.0171초였다.
본 연구에서는 경로 손실 예측을 위해서 ML 기반 경로 손실 예측 모델을 연구하였으며, 비-인공신경망 기반 접근법의 범주에 포함된다. 본 연구에서는, 기존 연구들에서 단일 모델들을 활용하여 경로 손실 예측을 수행하는 것과 비교했을 때, 여러 개의 k-NN으로 구성된 앙상블 모델을 활용하면 경로 손실 값을 더욱 정확하게 예측할 수 있다는 것을 실험적으로 입증한다.
8초였다. 시험 데이터 세트 내 총 724개의 샘플에 대해 예측에 소요하는 데 걸리는 시간의 경우, 가장 긴 시간이 걸린 모델은 [17]에서 제안된 MLP였고, 그다음으로 오래 걸린 모델은 SVM이었다. 반면 제안하는 앙상블 모델은 0.
그리고 인터넷상에 공개된 경로 손실 데이터 세트를 활용하여 제안하는 방법의 우수성을 평가했다. 실험 결과, 경로 손실 예측에 있어서 제안하는 앙상블 모델은 다른 벤치마크 모델들보다 우수한 성능을 달성했다. 향후 연구 방향은 제안하는 앙상블 모델의 하이퍼파라미터를 미세 조정하여 경로 손실 예측 성능을 개선하고, 예측에 도움이 되는 특징을 추가 및 데이터 세트를 확장하여 다양한 시나리오에서 제안하는 방법의 일반화 성능을 평가할 계획이다.
표 8은 앙상블 모델 내 Lasso의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 2개의 Lasso를 앙상블했을 때, 최고 성능을 달성했다.
표 4는 앙상블 모델 내 SVM의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 6개의 SVM을 앙상블했을 때, 최고 성능을 달성했다.
표 7은 앙상블 모델 내 MLR의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 7개의 MLR을 앙상블했을 때, 최고 성능을 달성했다.
표 10은 앙상블 모델 내 Elastic Net(E-Net)의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 8개의 Elastic Net을 앙상블했을 때, 최고 성능을 달성했다.
표 9는 앙상블 모델 내 Ridge의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 8개의 Ridge를 앙상블했을 때, 최고 성능을 달성했다.
표 6은 앙상블 모델 내 DT의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 9개의 DT를 앙상블했을 때 최고 성능을 달성했다.
는 은닉층의 개수를 1개로 유지한 상태에서 은닉층의 뉴런의 개수를 변경해 가며 MLP의 성능을 실험했다. 실험 결과에 따르면, 뉴런의 개수를 늘릴수록 MLP의 경로 손실 예측 성능이 향상됐다. 일반적으로 활성화 함수는 MLP에 비선형성을 부여하는 데 사용되며, MLP의 성능과 일반화 능력에 영향을 준다.
표 11은 표 4부터 표 10까지 최고 성능을 달성한 각 앙상블 모델의 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 다양한 ML 기반의 앙상블 모델 중에서 가장 우수한 성능을 달성한 것은 8개의 k-NN으로 구성된 앙상블 모델이었다. 본 연구에서는 표 11의 결과를 바탕으로 8개의 k-NN으로 구성된 앙상블 모델을 최종 모델로 선정했다.
은 다항식(Polynomial), 가우시안(Gaussian), 라플라시안(Laplacian) 커널을 각각 사용하는 세 가지 SVM의 경로 손실 예측 성능을 비교했다. 실험 결과에 따르면, 라플라시안 커널을 사용하는 SVM이 다른 두 커널을 사용하는 SVM들보다 성능이 뛰어났다. 또한 Timoteo et al.
표 5는 앙상블 모델 내 k-NN의 개수에 따른 4가지 성능 평가 지표의 결괏값을 보여준다. 실험 결과에 따르면, 앙상블 모델의 성능은 k-NN의 수가 증가함에 따라 향상됐다. 8개의 k-NN을 앙상블했을 때, 최고 성능을 달성했으며, k-NN의 수가 8개를 초과하면 앙상블 모델의 성능은 더 이상 향상되지 않고 감소했다.
은 ML 기반 경로 손실 예측 모델이 경험적 모델보다 경로 손실 값을 더 정확하게 예측할 수 있고, 결정론적 모델보다 계산 효율이 더 높다는 것을 실험적으로 보였다. 이 결과로부터 많은 연구자들은 기존의 경험적 모델과 결정론적 모델을 대체할 수 있는 잠재적 대안으로 ML 기반 경로 손실 예측 모델에 주목했다.
본 연구에서는 앙상블 학습 접근법을 기반으로 한 경로 손실 예측 방법을 제안했다. 이 접근 방식은 앙상블 학습의 장점을 활용하여, 정확한 경로 손실 예측이 가능한 모델을 구축할 수 있도록 했다. 부트스트랩 데이터 세트를 활용하여 하이퍼파라미터 최적화를 수행함으로써 서로 다른 하이퍼파라미터를 갖는 최상의 k-NN으로 앙상블 모델을 구성했다.
본 연구에서 제안하는 앙상블 모델은 여러 개의 k-NN으로 구성되며, 최적의 앙상블 모델을 구축하기 위해 각 k-NN에 대해서 하이퍼파라미터 최적화를 수행한다. 이 하이퍼파라미터 최적화 과정은, 모델이 너무 단순해서 훈련 데이터 세트의 구조/패턴을 제대로 학습하지 못하는 과소적합(Underfitting) 문제가 발생하는 것을 방지하는 데 도움을 준다. 그리고 하이퍼파라미터 최적화 과정에서 앙상블 모델의 다양성을 확보하기 위해서, 본 연구에서는 각 k-NN을 훈련하는 데 부트스트랩 데이터 세트를 사용한다.
[17]에서 저자들은 MLP의 경로 손실 예측 성능과 은닉층의 개수 사이의 관계를 조사했다. 조사 결과에 따르면, 은닉층의 개수를 늘릴수록 MLP의 경로 손실 예측 성능이 향상됐다. [25]에서 Chang et al.
시간 측정을 위해서 타임(Time) 라이브러리를 활용했다. 표 13의 실험 결과에 따르면, 모델 훈련에 걸리는 시간이 가장 컸던 모델은 RF였고, 제안하는 앙상블 모델은 약 15.8초였다. 시험 데이터 세트 내 총 724개의 샘플에 대해 예측에 소요하는 데 걸리는 시간의 경우, 가장 긴 시간이 걸린 모델은 [17]에서 제안된 MLP였고, 그다음으로 오래 걸린 모델은 SVM이었다.

후속연구

결정론적 모델은 레이 트레이싱(Ray-Tracing) 및 유한 차이 시간 영역(Finite-Difference Time-Domain) 방법을 사용하여 특정 위치에서 정확한 경로 손실 값을 제공한다[8,9]. 그러나 결정론적 모델은 경로 손실을 예측하기 위해 특정 지역의 2차원 또는 3차원 지도와 장애물의 유전체(Dielectric) 특성과 같은 상세한 기하학적(Geometric) 데이터가 필요하다. 일반적으로 이러한 기하학적 데이터는 용량이 크기 때문에, 계산량이 많고 경로 손실 예측값을 얻기까지 계산 시간이 상대적으로 길다는 단점이 있다.
실험 결과, 경로 손실 예측에 있어서 제안하는 앙상블 모델은 다른 벤치마크 모델들보다 우수한 성능을 달성했다. 향후 연구 방향은 제안하는 앙상블 모델의 하이퍼파라미터를 미세 조정하여 경로 손실 예측 성능을 개선하고, 예측에 도움이 되는 특징을 추가 및 데이터 세트를 확장하여 다양한 시나리오에서 제안하는 방법의 일반화 성능을 평가할 계획이다.

참고문헌 (50)

B. Kwon, S. Kim, H. Lee, and S. Lee, "A downlink power control？algorithm for long-term energy efficiency of small cell network,"？Wireless Networks, Vol. 21, pp. 2223-2236, October 2015. DOI:10.1007/s11276-015-0907-2

상세보기
B. Kwon, S. Kim, D. Jeon, and S. Lee, "Iterative interference？cancellation and channel estimation in evolved multimedia broadcast？multicast system using filter-bank multicarrier-quadrature amplitude？modulation," IEEE Transactions on Broadcasting, Vol. 62, No.？4, pp. 864-875, December 2016. DOI: 10.1109/TBC.2016.2617294

상세보기
B. Kwon, S. Kim, and S. Lee, "Scattered reference symbol-based？channel estimation and equalization for FBMC-QAM systems,"？IEEE Transactions on Communications, Vol. 65, No. 8, pp.？3522-3537, August 2017. DOI: 10.1109/TCOMM.2017.2710310

상세보기
B. Kwon, and S. Lee, "Cross-antenna interference cancellation and？channel estimation for MISO-FBMC/QAM-based eMBMS,"？Wireless Networks, Vol. 24, pp. 3281-3293, November 2018. DOI:10.1007/s11276-017-1531-0

상세보기
W. R. Loh, S. Y. Lim, I. F. M. Rafie, J. S. Ho, and K. S. Tze,？"Intelligent base station placement in urban areas with machine？learning," IEEE Antennas and Wireless Propagation Letters, Vol.？22, No. 9, pp. 2220-2224, September 2023. DOI: 10.1109/LAWP.2023.3281611

상세보기
M. Hata, "Empirical formula for propagation loss in land mobile？radio services," IEEE Transactions on Vehicular Technology, Vol.？29, No. 3, pp. 317-325, August 1980. DOI: 10.1109/T-VT.1980.23859

상세보기
Y. Okumura, "Field strength and its variability in VHF and UHF？land-mobile radio service," Review of the Electrical？communication Laboratory, Vol. 16, pp. 825-873, January 1968.
D. Green, Z. Yun, and M. F. Iskander, "Path loss characteristics？in urban environments using ray-tracing methods," IEEE Antennas？and Wireless Propagation Letters, Vol. 16, pp. 3063-3066, October？2017. DOI: 10.1109/LAWP.2017.2761299

상세보기
I. J. Timmins, and S. O'Young, "Marine communications channel？modeling using the finite-difference time domain method," IEEE？Transactions on Vehicular Technology, Vol. 58, No. 6, pp.？2626-2637, July 2009. DOI: 10.1109/TVT.2008.2010326

상세보기
B. Kwon, J. Kim, K. Lee, Y. K. Lee, S. Park, and S. Lee,？"Implementation of a virtual training simulator based on 360°？multi-view human action recognition," IEEE Access, Vol. 5, pp.？12496-12511, July 2017. DOI: 10.1109/ACCESS.2017.2723039

상세보기
B. Kwon, H. Song, and S. Lee, "Accurate blind Lempel-Ziv-77？parameter estimation via 1-D to 2-D data conversion over？convolutional neural network," IEEE Access, Vol. 8, pp.？43965-43979, March 2020. DOI: 10.1109/ACCESS.2020.2977827

상세보기
B. Kwon, and S. Lee, "Human skeleton data augmentation for？person identification over deep neural network," Applied？Sciences, Vol. 10, No. 14, pp. 1-22, July 2020. DOI: 10.3390/app10144849

상세보기
B. Kwon, and S. Lee, "Ensemble learning for skeleton-based body？mass index classification," Applied Sciences, Vol. 10, No. 21,？pp. 1-23, November 2020. DOI: 10.3390/app10217812

상세보기
B. Kwon, and S. Lee, "Joint swing energy for skeleton-based？gender classification," IEEE Access, Vol. 9, pp. 28334-28348,？February 2021. DOI: 10.1109/ACCESS.2021.3058745

상세보기
B. Kwon, J. Huh, K. Lee, and S. Lee, "Optimal camera point？selection toward the most preferable view of 3-D human pose,"？IEEE Transactions on Systems, Man, and Cybernetics: Systems,？Vol. 52, No. 1, pp. 533-553, January 2022. DOI: 10.1109/TSMC.2020.3004338

상세보기
B. Kwon, and T. Kim, "Toward an online continual learning？architecture for intrusion detection of video surveillance," IEEE？Access, Vol. 10, pp. 89732-89744, August 2022. DOI: 10.1109/ACCESS.2022.3201139

상세보기
E. Ostlin, H. J. Zepernick, and H. Suzuki, "Macrocell path-loss？prediction using artificial neural networks," IEEE Transactions？on Vehicular Technology, Vol. 59, No. 6, pp. 2735-2747, May？2010. DOI: 10.1109/TVT.2010.2050502

상세보기
M. Piacentini, and F. Rinaldi, "Path loss prediction in urban？environment using learning machines and dimensionality？reduction techniques," Computational Management Science, Vol.？8, pp. 371-385, November 2011. DOI: 10.1007/s10287-010-0121-8

상세보기
R. D. Timoteo, D. C. Cunha, G. D. Cavalcanti, "A proposal for？path loss prediction in urban environments using support vector？regression," in Proc. 10th Advanced International Conference on？Telecommunications (AICT), pp. 1-5, Paris, France, July 2014.
O. J. Famoriji, and T. Shongwe, "Path Loss Prediction in Tropical？Regions using Machine Learning Techniques: A Case Study,"？Electronics, Vol. 11, No. 17, pp. 1-13, August 2022. DOI: 10.3390/electronics11172711

상세보기
J. Wen, Y. Zhang, G. Yang, Z. He, and W. Zhang, "Path loss？prediction based on machine learning methods for aircraft cabin？environments," IEEE Access, Vol. 7, pp. 159251-159261,？October 2019. DOI: 10.1109/ACCESS.2019.2950634

상세보기
C. E. G. Moreta, M. R. C. Acosta, and I. Koo, "Prediction of？digital terrestrial television coverage using machine learning？regression," IEEE Transactions on Broadcasting, Vol. 65, No.？4, pp. 702-712, March 2019. DOI: 10.1109/TBC.2019.2901409

상세보기
M. K. Elmezughi, O. Salih, T. J. Afullo, and K. J. Duffy,？"Comparative analysis of major machine-learning-based path loss？models for enclosed indoor channels," Sensors, Vol. 22, No. 13,？pp. 1-25, June 2022. DOI: 10.3390/s22134967

상세보기
P. R. Chang, and W. H. Yang, "Environment-adaptation mobile？radio propagation prediction using radial basis function neural？networks," IEEE Transactions on Vehicular Technology, Vol. 46,？No. 1, pp. 155-160, February 1997. DOI: 10.1109/25.554747

상세보기
T. Balandier, A. Caminada, V. Lemoine, and F. Alexandre, "170？MHz field strength prediction in urban environment using neural？nets," in Proc. 6th IEEE International Symposium on Personal,？Indoor and Mobile Radio Communications, pp. 120-124, Toronto,？ON, Canada, September 1995. DOI: 10.1109/PIMRC.1995.476416
M. Kalakh, N. Kandil, and N. Hakem, "Neural networks model？of an UWB channel path loss in a mine environment," in Proc.？75th IEEE Vehicular Technology Conference (VTC Spring), pp.？1-5, Yokohama, Japan, May 2012. DOI: 10.1109/VETECS.2012.6240318
S. I. Popoola, A. Jefia, A. A. Atayero, O. Kingsley, N. Faruk,？O. F. Oseni, and R. O. Abolade, "Determination of neural？network parameters for path loss prediction in very high？frequency wireless channel," IEEE Access, Vol. 7, pp.？150462-150483, October 2019. DOI: 10.1109/ACCESS.2019.2947009？

상세보기
Y. Zhang, J. Wen, G. Yang, Z. He, and J. Wang, "Path loss？prediction based on machine learning: Principle, method, and data？expansion," Applied Sciences, Vol. 9, No. 9, pp. 1-18, May 2019.？DOI: 10.3390/app9091908

상세보기
D. Wu, G. Zhu, and B. Ai, "Application of artificial neural？networks for path loss prediction in railway environments," in？Proc. 5th IEEE International ICST Conference on？Communications and Networking in China, pp. 1-5, Beijing,？China, August 2010.
A. B. Zineb, and M. Ayadi, "A multi-wall and multi-frequency？indoor path loss prediction model using artificial neural？networks," Arabian Journal for Science and Engineering, Vol.？41, pp. 987-996, March 2016. DOI: 10.1007/s13369-015-1949-6

상세보기
J. Liu, X. Jin, F. Dong, L. He, and H. Liu, "Fading channel？modelling using single-hidden layer feedforward neural？networks," Multidimensional Systems and Signal Processing,？Vol. 28, pp. 885-903, July 2017. DOI: 10.1007/s11045-015-0380-1

상세보기
P. Gomez-Perez, M. Crego-Garcia, I. Cuinas, and R. F.？Caldeirinha, "Modeling and inferring the attenuation induced by？vegetation barriers at 2G/3G/4G cellular bands using artificial？neural networks," Measurement, Vol. 98, pp. 262-275, February？2017. DOI: 10.1016/j.measurement.2016.12.014

상세보기
R. Adeogun, "Calibration of stochastic radio propagation models？using machine learning," IEEE Antennas and Wireless？Propagation Letters, Vol. 18, No. 12, pp. 2538-2542, December？2019. DOI: 10.1109/LAWP.2019.2942819

상세보기
J. Y. Lee, M. Y. Kang, and S. C. Kim, "Path loss exponent？prediction for outdoor millimeter wave channels through deep？learning," in Proc. IEEE Wireless Communications and？Networking Conference (WCNC), pp. 1-5, Marrakesh, Morocco,？April 2019. DOI: 10.1109/WCNC.2019.8885668
N. Kuno, and Y. Takatori, "Prediction method by deep-learning？for path loss characteristics in an open-square environment," in？Proc. IEEE International Symposium on Antennas and？Propagation (ISAP), pp. 1-2, Busan, South Korea, October 2018.
N. Kuno, W. Yamada, M. Sasaki, and Y. Takatori, "Convolutional？neural network for prediction method of path loss characteristics？considering diffraction and reflection in an open-square？environment," in Proc. IEEE URSI Asia-Pacific Radio Science？Conference (AP-RASC), pp. 1-3, New Delhi, India, March 2019.？DOI: 10.23919/URSIAP-RASC.2019.8738299
O. Ahmadien, H. F. Ates, T. Baykas, and B. K. Gunturk,？"Predicting path loss distribution of an area from satellite images？using deep learning," IEEE Access, Vol. 8, pp. 64982-64991,？April 2020. DOI: 10.1109/ACCESS.2020.2985929

상세보기
M. Bal, A. Marey, H. F. Ates, T. Baykas, and B. K. Gunturk,？"Regression of large-scale path loss parameters using deep neural？networks," IEEE Antennas and Wireless Propagation Letters, Vol.？21, No. 8, pp. 1562-1566, August 2022. DOI: 10.1109/LAWP.2022.3174357

상세보기
H. F. Ates, S. M. Hashir, T. Baykas, and B. K. Gunturk, "Path？loss exponent and shadowing factor prediction from satellite？images using deep learning," IEEE Access, Vol. 7, pp.？101366-101375, July 2019. DOI: 10.1109/ACCESS.2019.2931072

상세보기
U. S. Sani, O. A. Malik, and D. T. C. Lai, "Improving path？loss prediction using environmental feature extraction from？satellite images: Hand-crafted vs. convolutional neural network,"？Applied Sciences, Vol. 12, No. 15, pp. 1-24, July 2022. DOI:10.3390/app12157685

상세보기
B. Kwon, and H. Son, "Accurate Path Loss Prediction Using？a Neural Network Ensemble Method," Sensors, Vol. 24, No. 1,？pp. 1-20, January 2024. DOI: 10.3390/s24010304

상세보기
S. I. Popoola, A. A. Atayero, O. D. Arausi, and V. O. Matthews,？"Path loss dataset for modeling radio wave propagation in smart？campus environment," Data in Brief, Vol. 17, pp. 1062-1073,？April 2018. DOI: 10.1016/j.dib.2018.02.026

상세보기
B. Kwon, J. Park, and S. Lee, "Virtual MIMO broadcasting？transceiver design for multi-hop relay networks," Digital Signal？Processing, Vol. 46, pp. 97-107, November 2015. DOI:10.1016/j.dsp.2015.08.003

상세보기
B. Kwon, J. Park, and S. Lee, "A target position decision？algorithm based on analysis of path departure for an autonomous？path keeping system," Wireless Personal Communications, Vol.？83, pp. 1843-1865, August 2015. DOI: 10.1007/s11277-015-2485-0

상세보기
B. Kwon, D. Kim, J. Kim, I. Lee, J. Kim, H. Oh, H. Kim, and？S. Lee, "Implementation of human action recognition system？using multiple Kinect sensors," in Proc. Pacific-Rim Conference？on Multimedia (PCM), pp. 334-343, Gwangju, Republic of Korea,？September 2015. DOI: 10.1007/978-3-319-24075-6_32
B. Kwon, J. Kim, and S. Lee, "An enhanced multi-view human？action recognition system for virtual training simulator," in Proc.？Asia-Pacific Signal and Information Processing Association？Annual Summit and Conference (APSIPA ASC), pp. 1-4, Jeju,？Republic of Korea, December 2016. DOI: 10.1109/APSIPA.2016.7820895
B. Kwon, M. Gong, and S. Lee, "Novel error detection algorithm？for LZSS compressed data," IEEE Access, Vol. 5, pp. 8940-8947,？May 2017. DOI: 10.1109/ACCESS.2017.2704900

상세보기
B. Kwon, and S. Lee, "Effective interference nulling virtual？MIMO broadcasting transceiver for multiple relaying," IEEE？Access, Vol. 5, pp. 20695-20706, October 2017. DOI: 10.1109/ACCESS.2017.2752198

상세보기
B. Kwon, M. Gong, J. Huh, and S. Lee, "Identification and？restoration of LZ77 compressed data using a machine learning？approach," in Proc. Asia-Pacific Signal and Information Processing Association Annual Summit and Conference？(APSIPA ASC), pp. 1787-1790, Honolulu, HI, USA, November？2018. DOI: 10.23919/APSIPA.2018.8659755
B. Kwon, M. Gong, and S. Lee, "EDA-78: A novel error detection？algorithm for Lempel-Ziv-78 compressed data," Wireless Personal？Communications, Vol. 111, pp. 2177-2189, April 2020. DOI:10.1007/s11277-019-06979-7？

상세보기

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증