본 논문에서는 LTE 기지국 정보만을 가지고 정밀한 위치를 제공하기 위한 방법으로, Long Short-Term Memory (LSTM) 딥러닝 모델을 이용하여 Long Term Evolution (LTE) 셀 정보를 추정 하는 새로운 기술을 제안한다. 이는 기존의 LSTM 기반 문자열 생성 방법을 접목한 것으로, 동시 접속된 다중 LTE 셀 아이디 (Physical Cell Identification, PCI)를 문자열화하여 LSTM을 학 습함으로써, 관측된 PCI를 입력하면 추정된 인접 셀 PCI를 출력하는 모델을 생성하는 것이다. 제안방법의 효용성 검증은 다음과 같이 수행하였다. 먼저 차량이동을 통해 수집된 LTE 수 신 정보들 중, 각 지점별로 동시 접속된 다중 이동통신사의 PCI들을 하나로 묶어 문장화 하는 방식으로 데이터셋을 생성하였다. 이는 이후 토큰화 및 정규화, 인코딩 과정을 거쳐 LSTM 모델 학습에 적합한 형태로 가공된다. 다음으로는 임베딩, LSTM, 밀집, 소프트맥스 층의 순으로 연결된 딥러닝 아키텍쳐를 구성하였다. 실제 실험을 위한 데이터셋은 서초구에서 수집된 14,353개의 LTE 수신 정보 중, 중복되는 인접 셀 PCI 정보를 제거하고 1, 2개의 인접 셀 PCI로 구성하여, 훈련용과 평가용으로 각각 342개와 86개로 무작위 분리하였다. 실험결과, 모델은 훈련과정에서 약 20 에포크에서 96%에 근접한 정확도로 수렴하였고, 평가용 데이터에 대한 추정 정확도는 약 98%를 보였다.

Estimation of the LTE Adjacent Cell Information with Deep Learning Approach

Jin Ah Kang, Ju-Il Jeon, Shun-Shim Chun, Young-Su Cho*

This paper proposes a new method of estimating adjacent LTE cell information by incorporating a method of generating a character string using Long Short-Term Memory (LSTM), one of the deep learning models. That is, by learning the LSTM model with a character string combined with information from multiple LTE cells connected at the same time, the proposed model outputs an estimated adjacent Physical Cell Identification (PCI) when the observed PCI is entered. The effectiveness of the proposal method was verified as follows. First, among the LTE cell access information collected while driving a vehicle, a dataset was generated by grouping PCIs of multiple mobile carriers connected simultaneously to each point into one character string. The generated dataset is then tokenized, normalized, and encoded to be processed into a form suitable for the LSTM model. Next, a deep learning architecture connected in the order of embedding, LSTM, dense, and softmax layers was constructed. Among the 14,353 LTE access information collected in Seocho-gu, the dataset was randomly separated into 342 and 86 for training and evaluation, respectively, by removing duplicated adjacent PCIs and configuring the input character string length of 1 and 2. As a result of the experiment, the model converged to an accuracy of about 96% at about 20 epochs during training, and the estimation accuracy of the evaluation data was about 98%.

Keywords: positioning, LTE cell, physical cell ID, deep learning, LSTM

Speaker 강진아 한국전자통신연구원