お知らせ 研究会の開催と会場に参加される皆様へのお願い(2020年10月開催~)
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 2020-12-17 13:50
XGBoostを用いた電波伝搬推定における都市構造マップの抽出方法に関する一検討
長尾竜也林 高弘KDDI総合研究所AP2020-98
抄録 (和) 近年,モバイルデータトラフィックの急増や無線通信サービスの多様化により,高品質なサービスエリアの構築が求められている.そのため,実際の通信環境における複雑な電波伝搬特性のモデル化が重要な課題となっている.これまで,機械学習を用いた電波伝搬推定手法が提案されているが,特徴量として用いる都市構造マップの抽出方法については検討されていない.そこで本稿では,機械学習アルゴリズムにXGBoostを適用し,マップデータの適切な抽出方法を明らかにする.さらに,XGBoostでは入力特徴量の重要度を出力することができるため,学習に有用な特徴量のみを抽出し機械学習へ入力することにより,推定精度の維持と高速化の両立が期待できる.都市部で取得した実測データを用いた評価により,推定誤差を維持しつつ,学習に要する時間を削減できることを示す. 
(英) Recently, the rapid increase in mobile data traffic and the diversification of wireless communication services have led to demand for the development of high-quality mobile service areas. Therefore, the modeling of complex radio propagation characteristics in the practical communication environment is an important issue. Radio propagation prediction methods based on machine learning have been proposed, but no study on the appropriate range of urban structure maps as features has been conducted. In this paper, we clarify the appropriate extraction range of map data, applying XGBoost to the machine learning algorithm. Moreover, since XGBoost can output the importance of the input features, we can extract only those features that are useful for training and input them to machine learning. This approach is expected to improve both prediction accuracy and speed. The evaluation using measurement data obtained in urban areas showed that the computation time for learning can be reduced while improving the prediction error.
キーワード (和) 電波伝搬推定 / 機械学習 / XGBoost / 特徴量選択 / / / /  
(英) Radio propagation prediction / Machine Learning / XGBoost / Feature selection / / / /  
文献情報 信学技報, vol. 120, no. 299, AP2020-98, pp. 13-17, 2020年12月.
資料番号 AP2020-98 
発行日 2020-12-10 (AP) 
ISSN Print edition: ISSN 0913-5685  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 AP2020-98

研究会情報
研究会 AP  
開催期間 2020-12-17 - 2020-12-17 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) 一般 
テーマ(英) Antennas and Propagation 
講演論文情報の詳細
申込み研究会 AP 
会議コード 2020-12-AP 
本文の言語 日本語 
タイトル(和) XGBoostを用いた電波伝搬推定における都市構造マップの抽出方法に関する一検討 
サブタイトル(和)  
タイトル(英) A Study on Urban Structure Map Extraction for Radio Propagation Prediction using XGBoost 
サブタイトル(英)  
キーワード(1)(和/英) 電波伝搬推定 / Radio propagation prediction  
キーワード(2)(和/英) 機械学習 / Machine Learning  
キーワード(3)(和/英) XGBoost / XGBoost  
キーワード(4)(和/英) 特徴量選択 / Feature selection  
キーワード(5)(和/英) /  
キーワード(6)(和/英) /  
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) 長尾 竜也 / Tatsuya Nagao / ナガオ タツヤ
第1著者 所属(和/英) KDDI総合研究所 (略称: KDDI総合研究所)
KDDI Research, Inc. (略称: KDDI Research)
第2著者 氏名(和/英/ヨミ) 林 高弘 / Takahiro Hayashi / ハヤシ タカヒロ
第2著者 所属(和/英) KDDI総合研究所 (略称: KDDI総合研究所)
KDDI Research, Inc. (略称: KDDI Research)
第3著者 氏名(和/英/ヨミ) / /
第3著者 所属(和/英) (略称: )
(略称: )
第4著者 氏名(和/英/ヨミ) / /
第4著者 所属(和/英) (略称: )
(略称: )
第5著者 氏名(和/英/ヨミ) / /
第5著者 所属(和/英) (略称: )
(略称: )
第6著者 氏名(和/英/ヨミ) / /
第6著者 所属(和/英) (略称: )
(略称: )
第7著者 氏名(和/英/ヨミ) / /
第7著者 所属(和/英) (略称: )
(略称: )
第8著者 氏名(和/英/ヨミ) / /
第8著者 所属(和/英) (略称: )
(略称: )
第9著者 氏名(和/英/ヨミ) / /
第9著者 所属(和/英) (略称: )
(略称: )
第10著者 氏名(和/英/ヨミ) / /
第10著者 所属(和/英) (略称: )
(略称: )
第11著者 氏名(和/英/ヨミ) / /
第11著者 所属(和/英) (略称: )
(略称: )
第12著者 氏名(和/英/ヨミ) / /
第12著者 所属(和/英) (略称: )
(略称: )
第13著者 氏名(和/英/ヨミ) / /
第13著者 所属(和/英) (略称: )
(略称: )
第14著者 氏名(和/英/ヨミ) / /
第14著者 所属(和/英) (略称: )
(略称: )
第15著者 氏名(和/英/ヨミ) / /
第15著者 所属(和/英) (略称: )
(略称: )
第16著者 氏名(和/英/ヨミ) / /
第16著者 所属(和/英) (略称: )
(略称: )
第17著者 氏名(和/英/ヨミ) / /
第17著者 所属(和/英) (略称: )
(略称: )
第18著者 氏名(和/英/ヨミ) / /
第18著者 所属(和/英) (略称: )
(略称: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者
発表日時 2020-12-17 13:50:00 
発表時間 25 
申込先研究会 AP 
資料番号 IEICE-AP2020-98 
巻番号(vol) IEICE-120 
号番号(no) no.299 
ページ範囲 pp.13-17 
ページ数 IEICE-5 
発行日 IEICE-AP-2020-12-10 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会