측정 데이터를 활용한 딥러닝 기반 전파 환경 예측 시뮬레이터

Ⅰ. 서 론

전파 환경을 예측하는 것은 무선 통신망의 물리 계층 설계에 있어 중요한 과정이다. 이를 위해서는 주어진 환경에 적합한 전파모델을 사용하여 경로 손실을 정확하게 계산할 필요가 있다. 전파모델은 일반적으로 두 가지 유형으로 분류된다^[1]. 첫 번째는 실측 데이터를 바탕으로 통계적인 경향을 모델링한 경험적 모델(empirical model)이며, 두 번째는 맥스웰 방정식을 기반으로 전파의 전파 메커니즘을 수치적으로 계산하는 결정론적 모델(deterministic model)이다. 경험적 모델을 활용하는 상용 시뮬레이터로는 ATDI사의 HTZ Warfare가 있으며, 결정론적 모델을 활용하는 시뮬레이터로는 REMCOM사의 Wireless InSite, Altair사의 WinProp 등이 있다.

최근 경로 손실 예측 정확도를 높이기 위해 딥러닝 기반 전파모델들이 활발히 연구되고 있다^[2]~[5]. 참고문헌 [2] 및 참고문헌 [3]에서는 거리, 주파수, 안테나 높이, 지형 고도 등의 입력 특징들을 활용하여 경로 손실을 예측하기 위해 심층 신경망(DNN, deep neural network) 모델을 학습하였다. 참고문헌 [4]에서는 해상 환경에서 음영 페이딩을 예측하기 위해서 해수면 높이, 풍속 등과 같은 특징들을 활용하여 DNN 모델을 학습하였다. 참고문헌 [5]에서는 위성 이미지로부터 추출된 특징을 활용하여 DNN 모델을 학습하였다. 이처럼 DNN은 다음과 같은 장점들로 인해 경로 손실 예측에 자주 활용되고 있다. 첫째, 측정 환경의 복합적인 특성을 반영하기 위해 멀티모달 특징들을 모델의 입력으로 활용할 수 있다. 둘째, 특징과 경로 손실의 관계를 비선형적으로 모델링할 수 있기 때문에 기존의 전파모델보다 정확하다.

본 논문에서는 딥러닝 기반 전파 환경 예측 시뮬레이터를 제안한다. 시뮬레이터는 DNN 모델을 학습하기 위해서 디지털 고도 모델과 토지피복도로부터 입력 특징을 추출하고, 측정된 경로 손실값을 레이블로 사용한다. 학습된 DNN 모델은 시뮬레이터 내에서 전파 환경의 예측 및 분석에 직접적으로 활용된다.

Ⅱ. 딥러닝 기반 전파 환경 예측 시뮬레이터

그림 1은 제안한 시뮬레이터(이하 전파분석부)의 운용 개념도를 보여준다. 전파분석부는 전파측정부로부터 수집된 데이터들을 활용해 아래의 기능들을 수행한다.

그림 1. | Fig. 1. 제안된 시뮬레이터의 운용 개념도 | System operation diagram of the proposed simulator.

Download Original Figure

전파측정부는 송신부(Tx)와 수신부(Rx)로 구성된다. Tx는 신호 발생기와 무지향성 안테나로 구성되고, Rx는 스펙트럼 분석기, 저잡음 증폭기, 무지향성 안테나, GPS 안테나로 구성된다.

본 논문에서는 0.40, 1.40, 2.25 GHz 대역에서 교외 및 해안지역의 전파 환경들을 측정하였다. 표 1은 지역별 측정 환경을 보여준다. Tx 안테나는 각 지역의 지정된 좌표에, 표에 제시된 높이만큼 지면으로부터 떨어져 설치하였다. Rx는 차량에 탑재되었으며, Tx로부터 1~15 km 떨어진 거리 내에서 이동하며 수신전력(P_r)을 측정하였다. 경로 손실(PL)은 측정된 P_r에 의해 식 (1)과 같이 계산된다.

이때 P_t는 송신 출력(dBm), G_t는 송신 안테나 이득(dBi), G_r은 수신 안테나 이득(dBi), G_LNA는 LNA 이득(dB), L은 회로 손실(dB)이다. 본 논문에서 사용된 값들은 P_t=36 dBm, G_t 및 G_r=0 dBi(0.40 GHz), 2 dBi(1.40, 2.25 GHz), G_LNA=40 dB(0.40, 1.40, 2.25 GHz), L=4.61 dB(0.40 GHz), 9.19 dB(1.40 GHz), 13.13 dB(2.25 GHz)이다.

그림 2는 DNN 모델의 학습 절차를 보여준다. 학습을 위해 익산, 논산, 파주, 홍성, 태안, 서천 지역에서 측정된 PL값(6,391,624개)이 레이블로 사용되었다. 입력 특징들은 데이터 전처리(data preprocessing) 과정에서 추출되며, 추출된 파라미터는 다음과 같다^[6].

그림 2. | Fig. 2. DNN 모델 학습 절차 | Training procedure of DNN model.

Download Original Figure

이때 f는 주파수(GHz), d는 Tx와 Rx 간 전파 거리(km), h_t는 Tx 안테나 높이(m), h_r은 Rx 안테나 높이(m), θ_t는 Tx 클리어런스 각도(°), θ_r는 Rx 클리어런스 각도(°)이다. v_i는 i번째 장애점의 회절 파라미터이며 식 (2)와 같다.

이때 h_i는 i번째 장애점으로부터 Tx와 Rx를 잇는 직선까지의 최소 거리(m), λ는 파장(m), d_t,i는 Tx와 i번째 장애점까지의 거리(m), d_r,i는 Rx와 i번째 장애점까지의 거리(m)이다. 만약 Tx와 Rx 좌표 사이의 지형 프로파일이 K개로 샘플링될 경우 r_j는 식 (3)과 같다.

이때 N_j는 경로 프로파일 샘플 중 토지피복 타입이 j에 해당하는 샘플 수이다. j=1은 고층 빌딩 지역, j=2는 중층 빌딩 지역, j=3은 저층 빌딩 지역, j=4 기타 빌딩 지역, j=5는 숲, j=6는 평지, j=7은 물을 의미한다.

데이터 전처리 이후 데이터의 80 %는 학습 데이터 세트(training dataset), 20 %는 검증 데이터 세트(validation dataset)로 나뉜다. 학습 데이터 세트는 DNN 모델 학습(model training)에 사용되고, 검증 데이터 세트는 학습 중 모델 평가(model evaluation)에 사용된다. 모델 평가 이후 최적의 모델을 도출하기 위해서, 베이지안 최적화를 통해 하이퍼파라미터들을 튜닝한다.

본 논문에서 DNN 모델의 은닉층 개수는 {1, 2, 3, 4, 5, 6, 7}, 노드 개수는 {8, 16, 32, 64, 128, 256, 512}, 옵티마이저(optimizer)는 {SGD, Adagrad, RMSProp, Adam, Adamax}, 학습률은 10⁻⁴~10⁻¹ 범위 내에서 최적화되었다. 표 2는 학습에 사용된 컴퓨팅 리소스를 보여주며, 표 3은 최적화된 DNN 모델의 하이퍼파라미터를 보여준다. 입력 특징의 표준화 여부, 학습 및 검증 데이터 세트의 분할 비율, 파라미터 탐색 범위 등은 사용자의 설정에 따라 자유롭게 변경될 수 있다.

표 4는 전파모델들의 예측값과 테스트 데이터(정읍 지역의 측정값)의 평균제곱근오차(root mean squared error: RMSE)를 나타낸다. ITU-R P.525와 P.526 모델에 의한 경로 손실은 다음과 같이 계산된다^[7],[8].

이때 L_ba는 actual path에 대한 bullington 회절 손실, L_bs smooth path에 대한 bullington 회절 손실, L_sph는 spherical-earth path 회절 손실이다^[8]. DNN 모델은 학습에 사용되지 않은 새로운 환경에서도 ITU-R 모델보다 낮은 RMSE를 도출하여, 전파 환경 예측 성능이 우수한 것을 확인하였다.

Ⅲ. 결 론

본 논문에서는 측정 데이터를 활용한 딥러닝 기반 전파 환경 예측 시뮬레이터를 제안하였다. 새로운 전파 환경에서도 DNN 모델의 예측 성능이 ITU-R 모델 대비 우수한 것을 확인하였다. 향후 본 시뮬레이터는 주파수 자원 사용의 효율화를 위한 기술 개발에 활용될 수 있을 것이다.