Last update : 24-10-26 22:04
 E2-1.pdf (549.2K) | ||
|
2024-11-07 10:40-11:00 [E2-1] 신변보호측위 특별세션
정밀 측위를 위한 신경망 기계 번역 모델 기반 다중 셀 정보 생성 강진아*, 조영수, 전주일, 이정호, 전선심 본 논문에서는 사용자 단말 (User Equipment, UE)이 접속된 이동통신사 (Mobile Network Operator, MNO) 기지국 셀 정보를 이용하여 사용자의 정밀 위치를 추론하는데 유용한 타 MNO 셀 정보를 신경망 기계 번역 (Neural Machine Translation, NMT) 모델을 이용하여 생성하는 새로운 방법을 제안한다. 구체적으로, 각 지점에서 수집된 여러 MNO의 서빙 셀과 이웃 셀 정보를 MNO별로 하나의 문장으로 조합하고, 이 문장들이 서로 다른 언어의 번역문이 되도록 대응시켜 NMT 모델을 훈련한다. 이렇게 훈련된 모델은 UE의 접속된 자사 셀 정보를 입력받아 해당 위치에 대한 타사 셀 정보를 생성함으로써, 다중 MNO 셀 정보를 활용하는 측위 알고리 즘의 성능향상을 도울 수 있다. 제안방법의 효용성 검증은 다음과 같이 수행하였다. 먼저, 서울 강남역 근처 약 1 km2 영역에서 3개 MNO에 대해 수집한 다중 Long Term Evolution (LTE) 셀 정보들 중, 각 지점에 대한 서 빙 셀 및 이웃 셀의 아이디와 채널값을 조합하여 단어화하고, 이들을 다시 하나의 문장으로 묶는 방식으로 MNO별 코퍼스를 생성하였다. 이렇게 생성한 3개 코퍼스를 서로 대응시켜 총 6개의 번역용 병렬 코퍼스를 생 성하였고, 이를 이용하여 Sequence to Sequence (Seq2Seq) NMT 모델을 훈련한 결과, 훈련 지점 및 평가 지점에 대한 6개 모델의 평균 정확도는 약 89%와 55%로 측정되었다. Multi-Cell Measurements Generation using Neural Machine Translation Models for Precise Positioning Jin Ah Kang*, Youngsu Cho, Juil Jeon, Jung Ho Lee, Sun Sim Chun
In this paper, we propose a novel method to generate multi-MNO cellular measurements that are useful for inferring the precise location of a user equipment (UE) based on the information of the base station of mobile
network operators (MNOs) using a neural machine translation (NMT) model. In detail, the cellular measurements of multiple MNOs collected at each location are combined into a single sentence for each MNO, and then
the NMT model is trained by corresponding these sentences so that they become each other's translations. The model trained in this way can improve the performance of precise positioning methods by using own cellular
measurements of a UE to provide cellular measurements from other MNOs for that location. The effectiveness of the proposed method was verified as follows. First, LTE cellular measurements were collected using UEs
subscribed to three MNOs in an area of about 1 km2 around Gangnam Station in Seoul. At each location, the identifiers (IDs) and channel values of the serving cell and its neighboring cells were combined into words,
and then grouped into a single sentence to generate a corpus for each MNO. The three corpora were then matched to each other to generated a total of six parallel corpora for translation, which were used to train a
Sequence to Sequence (Seq2Seq) NMT model. As a result, the average accuracies of the six models for training and evaluation locations were measured to be approximately 89% and 55%, respectively.
|
