Evaluation of deep learning U-net architectures for signal strength prediction in cellular networks

Abstract

Eine effektive Planung von Funknetzen erfordert genaue Ausbreitungsmodelle, die das komplexe Verhalten elektromagnetischer Wellen, einschließlich Streuung, Mehrwegeausbreitung und Interferenzen, berücksichtigen. Herkömmliche empirische Modelle können diese physikalischen Eigenschaften oft nicht richtig darstellen. Im Gegensatz dazu liefern deterministische Modelle wie Ray Tracing genauere Vorhersagen, sind jedoch mit hohen Rechenkosten verbunden und erfordern sehr detaillierte Beschreibungen der städtischen Gebiete. Um diesen Herausforderungen Herr zu werden, gewinnen datengetriebene Modelle, insbesondere UNets, zunehmend an Aufmerksamkeit.In dieser Arbeit wird ein neuronales Netz namens UNet analysiert, das durch Lernen aus etablierten Verteilungen der empfangenen Signalstärken in städtischen Gebieten wichtige Erkenntnisse über die Wellenausbreitung gewinnt. Einmal trainiert, kann es die Signalstärke über große Gebiete mit bemerkenswerter Effizienz und Genauigkeit vorhersagen. Darüber hinaus macht die Fähigkeit des UNet, Signalstärkeverteilungen aus einer begrenzten Anzahl von Messungen zu interpolieren, es zu einem wichtigen Hilfsmittel für die Planung neuer und die Optimierung bestehender Funknetze.Ein zentrales Ziel dieser Forschungsarbeit ist es, die Beziehung zwischen der Anzahl der Eingangsmessungen und der Vorhersagegenauigkeit zu untersuchen. Die Ergebnisse zeigen, dass UNet selbst mit relativ wenigen Messungen eine beeindruckende Vorhersagegenauigkeit erreicht,obwohl der Nutzen durch Hinzufügen weiterer Messungen abnimmt. Diese Erkenntnis unterstreicht die Notwendigkeit, die Vorhersagegenauigkeit mit dem Messaufwand in Einklang zu bringen.Darüber hinaus zeigt die Untersuchung, dass UNet Messunsicherheiten wie Rauschen und Global Positioning System (GPS)-Ungenauigkeiten wirksam ausgleicht und diese Diskrepanzen teilweise kompensiert. Seine Robustheit unter realen Bedingungen macht UNet zu einer guten Wahl für die Vorhersage der Signalstärke in Städten. Zusammenfassend lässt sich sagen, dass UNet eine ressourceneffiziente Lösung bietet, die eine schnelle und genaue Vorhersage der Signalstärke gewährleistet und gleichzeitig das transformative Potenzial von Deep-Learning-Techniken zur Verbesserung der Funknetzplanung und -optimierung aufzeigt.

Effective radio network planning requires accurate propagation models that account for complex behaviors of electromagnetic waves, including scattering, multipath propagation, and interference.Traditional empirical models often fail to present properly these physical properties. In contrast, deterministic models such as ray tracing provide more precise predictions, but they come with high computational costs and require highly detailed descriptions of urban environments. In response to these challenges, data-driven models, particularly UNets, are gaining increasing attention.This thesis analyzes a UNet neural network, which acquires significant insights into wave propagation mechanics by learning from established distributions of received signal strengths in urban areas. Once trained, it can predict signal strength over large areas with remarkable efficiency and accuracy. Furthermore, the UNet’s capability to interpolate signal strength distributions from a limited number of measurements makes it an essential tool for planning new networks and optimizing existing ones.A central objective of this research is to investigate the relationship between the number of input measurements and prediction accuracy. The results indicate that UNet achieves impressive prediction accuracy even with relatively few measurements, although the benefit of adding more measurements diminishes. This finding emphasizes the necessity of balancing prediction accuracy with measurement effort.Additionally, the study demonstrates that UNet effectively addresses measurement uncertainties, such as noise and GPS inaccuracies, partially compensating for these discrepancies. Its robustness in real-world conditions makes UNet a strong choice for urban signal strength prediction. In conclusion, UNet offers a resource-efficient solution that ensures rapid and accurate signal strength forecasting while showcasing the transformative potential of deep learning techniques in enhancing radio network planning and optimization.