| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2023-01-19 11:15 UMa環境における建物情報を用いた多入力RNNによる伝搬損失予測 ○佐々木元晴・澁谷尚希・河村憲一・久野伸晃・猪又 稔・山田 渉・守山貴庸（NTT）  AP2022-180 |
|
| 抄録 | （和） | 深層学習としてRNN（Recurrent Neural Network）の一つであるGRUを用いた5秒後の電波伝搬損失の予測を行う多入力RNNモデルについて報告する．多入力RNNモデルの入力情報として，移動端末の直近の伝搬損失の時系列データ，現在位置の周辺建物情報，予測対象位置の周辺建物情報を用いる．訓練データおよび検証データは神奈川県横須賀市において面的に測定した2.2GHz，4.7GHz，および26.4GHzの伝搬損失である．提案モデルにより，検証データに対する予測結果のRMSEは2.2GHz，4.7GHz，26.4GHzでそれぞれ3.6dB，3.8dB，3.7dBとなり，建物情報のみを用いるDNNモデル，直近の伝搬損失のみを用いるRNNモデルより予測精度を改善した． |
| （英） | We report a multi-input RNN model that predicts path loss after 5 seconds using GRU (Gated Recurrent Unit), which is one of RNN (Recurrent Neural Network), as deep learning. As the input information for the multi-input RNN model, we use the time-series data of the latest path loss of the mobile terminal, the surrounding building information of the current position, and the surrounding building information of the prediction target position. The training data and validation data are the path loss measured in Yokosuka City, Kanagawa Prefecture, and the measurement frequencies are 2.2 GHz, 4.7 GHz, and 26.4 GHz. With the proposed model, the RMSE of the prediction results for the validation data was 3.6 dB, 3.8 dB, and 3.7 dB at 2.2 GHz, 4.7 GHz, and 26.4 GHz, respectively. The proposed model can improve the prediction accuracy compared to DNN (deep neural network) model using only building information and the RNN model using only the latest path loss. | |
| キーワード | （和） | 深層学習 / RNN / GRU / 電波伝搬損失 / 将来予測 / 自動運転車 / / |
| （英） | Deep learning / RNN / GRU / path loss / proactive prediction / connected car / / | |
| 文献情報 | 信学技報, vol. 122, no. 339, AP2022-180, pp. 18-23, 2023年1月. | |
| 資料番号 | AP2022-180 | |
| 発行日 | 2023-01-12 (AP) | |
| ISSN | Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | AP2022-180 |
|
| 研究会情報 | |
| 研究会 | AP WPT |
| 開催期間 | 2023-01-19 - 2023-01-20 |
| 開催地（和） | 広島工業大学広島校舎 |
| 開催地（英） | Hiroshima Institute of Technology |
| テーマ（和） | 電波伝搬・無線電力伝送・一般 |
| テーマ（英） | Radio propagation, Wireless transmission technology, Antennas and Propagation |
| 講演論文情報の詳細 | |
| 申込み研究会 | AP |
| 会議コード | 2023-01-AP-WPT |
| 本文の言語 | 日本語 |
| タイトル（和） | UMa環境における建物情報を用いた多入力RNNによる伝搬損失予測 |
| サブタイトル（和） | |
| タイトル（英） | Multi-Input RNN Based Proactive Prediction of Path Loss using Building Information in UMa Environments |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 深層学習 / Deep learning |
| キーワード(2)（和/英） | RNN / RNN |
| キーワード(3)（和/英） | GRU / GRU |
| キーワード(4)（和/英） | 電波伝搬損失 / path loss |
| キーワード(5)（和/英） | 将来予測 / proactive prediction |
| キーワード(6)（和/英） | 自動運転車 / connected car |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 佐々木 元晴 / Motoharu Sasaki / ササキ モトハル |
| 第1著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第2著者 氏名（和/英/ヨミ） | 澁谷 尚希 / Naoki Shibuya / シブヤ ナオキ |
| 第2著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第3著者 氏名（和/英/ヨミ） | 河村 憲一 / Kenichi Kawamura / カワムラ ケンイチ |
| 第3著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第4著者 氏名（和/英/ヨミ） | 久野 伸晃 / Nobuaki Kuno / クノ ノブアキ |
| 第4著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第5著者 氏名（和/英/ヨミ） | 猪又 稔 / Minoru Inomata / イノマタ ミノル |
| 第5著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第6著者 氏名（和/英/ヨミ） | 山田 渉 / Wataru Yamada / ヤマダ ワタル |
| 第6著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 第7著者 氏名（和/英/ヨミ） | 守山 貴庸 / Takatsune Moriyama / モリヤマ タカツネ |
| 第7著者 所属（和/英） | NTT (略称： NTT) NTT (略称： NTT) |
| 講演者 | 第1著者 |
| 発表日時 | 2023-01-19 11:15:00 |
| 発表時間 | 25分 |
| 申込先研究会 | AP |
| 資料番号 | AP2022-180 |
| 巻番号（vol） | vol.122 |
| 号番号（no） | no.339 |
| ページ範囲 | pp.18-23 |
| ページ数 | 6 |
| 発行日 | 2023-01-12 (AP) |
[研究会発表申込システムのトップページに戻る]