使用基于深度神经网络和语义细分的多模式模型进行移动网络覆盖率预测
Sheng Zeng1, Yuhang Ji1, Weiwei Chen1
1College of Electronics and Information Engineering, Sichuan University, Chengdu 610065, China.
Sensors (Basel, Switzerland)
|August 29, 2024
概括
一个新的深度神经网络和语义细分模型 (DNN-SS) 提高了移动网络覆盖率预测的准确性. 该模型通过不需要基站细节或路径损失模型来简化大规模预测.
科学领域:
- 电信工程 电信工程 电信工程
- 机器学习 机器学习
- 地理空间分析的研究.
背景情况:
- 现有的移动网络覆盖率预测模型通常依赖于复杂的参数,如基站高度和传输功率,或路径损失模型.
- 这些依赖关系增加了大规模覆盖率预测的计算复杂性,限制了它们的实际应用.
研究的目的:
- 开发一种新的多模式模型,DNN-SS,提高移动网络覆盖率预测的准确性和效率.
- 通过消除对详细基站信息和路径损失模型的需求,减少大规模覆盖率预测的复杂性.
主要方法:
- DNN-SS模型集成了一个深度神经网络 (DNN) 用于数值特征提取和卫星图像的语义细分 (SS) 用于环境特征提取.
- 对于数据预处理,应用一个地理时空移动平均线过器.
- 该模型是通过数字和环境特征的综合数据集进行训练的.
主要成果:
- 在校园测试中,DNN-SS在随机位置预测中实现了1.97dB的根平均平方误差 (RMSE) 和1.41dB的平均绝对误差 (MAE),超过现有模型的10%以上.
- 对于一个特定的测试区域,该模型表现出强的性能,RMSE为4.32dB,MAE为3.45dB.
- 重要的是,DNN-SS在不需要基站高度,传输功率,天线增益或路径损失模型的情况下取得了这些结果.
结论:
- 拟议的DNN-SS模型为预测移动网络覆盖率提供了一种更有效,更准确的方法,特别是对于大规模部署.
- 通过利用深度学习和语义细分,该模型简化了预测过程,并减少了对传统复杂参数的依赖.
- 对于希望优化覆盖范围规划和资源管理的网络运营商来说,DNN-SS是一个有前途的解决方案.
