다중 도시 지도 기반 경로 손실 예측을 위한 CNN 모델

초록

본 논문은 영국 6개 도시의 실제 드라이브 테스트 데이터를 활용해, 2차원 장애물 고도 지도(DSM)를 입력으로 하는 합성곱 신경망(CNN)으로 경로 손실을 직접 예측한다. 전통적인 P.1812‑6 모델과 비교했을 때 평균 7.35 dB의 RMSE를 달성했으며, 기존 3‑특징 FCN과도 비슷한 성능을 보인다. 모델은 고해상도 GIS 정보를 자동으로 특징 추출함으로써 별도 특성 엔지니어링 없이도 높은 정확도를 얻는다.

상세 분석

이 연구는 기존 경로 손실 모델이 주로 사용해 온 대표 클러터 높이·총 장애물 깊이와 같은 스칼라 특성 대신, 디지털 표면 모델(DSM)이라는 고해상도 2‑D 높이 맵을 그대로 입력으로 사용한다는 점에서 혁신적이다. 데이터 전처리 단계에서 1 m 해상도의 DSM을 각 링크 길이에 맞춰 (⌊d⌋ × W) 형태의 격자로 추출하고, 지구 곡률 보정을 적용한다. 이후 모든 링크를 256 픽셀 길이로 재샘플링하고, 주파수·거리·DSM·직접 경로(안테나 위치·높이) 네 개의 채널을 구성한다. 주파수와 거리는 정규화된 상수 채널로, DSM과 직접 경로는 샘플당 0‑1 정규화한다.

CNN 아키텍처는 3 × 3 커널, 스트라이드 3, 패딩 1을 갖는 7개의 컨볼루션‑맥스풀링 블록을 쌓아 4096 차원의 피처를 추출하고, 25 % 드롭아웃 후 256‑노드 전결합층을 거쳐 최종 경로 손실을 회귀한다. 전체 파라미터는 7.34 M개이며, PyTorch 기반으로 Adam 옵티마이저(learning rate = 1e‑4)와 MSE 손실로 200 epoch 학습한다.

교차 검증은 6개 도시 중 하나를 테스트셋으로 남기고 나머지 5개를 지리적 방식(Tx를 중심으로 각도 θ를 정하고 20 %를 검증)으로 학습·검증에 사용한다. 각 도시별 10번의 시드 변동 실험을 통해 평균·표준편차를 보고한다. 결과는 주파수가 높을수록(RMSE ≈ 6.3 dB at 449 MHz → 8.15 dB at 5850 MHz) 오차가 증가하고, 매우 긴 링크(>45 km)에서는 RMSE가 12 dB까지 상승한다는 점을 확인한다.

성능 비교에서는 ITU‑R P.1812‑6(평균 RMSE ≈ 11.3 dB)보다 크게 개선되었으며, 기존 3‑특징 FCN(평균 RMSE ≈ 7.46 dB)과도 비슷하거나 일부 도시에서 우수한 결과를 보였다. 특히 CNN은 특성 엔지니어링이 필요 없고, 추론 속도도 4 k samples/s로 실용적이다. 다만, 긴 링크와 고밀도 클러터·지형을 가진 런던·머스데어·스티븐에이지에서는 오버피팅 위험이 존재한다는 점을 지적한다.

이 논문은 고차원 GIS 데이터를 그대로 활용한 딥러닝 기반 경로 손실 모델이 전통적인 스칼라 기반 모델을 능가할 수 있음을 실증하고, 다중 도시 교차 검증을 통해 일반화 가능성을 확보했다. 향후 연구에서는 긴 링크 데이터 보강, 모델 경량화, 다른 국가·주파수 대역 적용 등을 통해 실용성을 더욱 높일 수 있을 것이다.