Die Kommunikationssysteme von heute und morgen müssen nahtlose Konnektivität bieten, sei es für Unterhaltungszwecke wie Video-Streaming oder für sicherheitskritische Kommunikation in Zügen und im autonomen Fahren. Um die bestehenden Netzwerke und potenziellen Erweiterungen hinsichtlich der Funkabdeckung evaluieren zu können, benötigen Mobilfunknetzbetreiber präzise Planungswerkzeuge. Eine Vielzahl neuer Methoden für die Netzplanung ist im Zuge des rasanten Fortschritts im Bereich des maschinellen Lernens entstanden. Insbesondere Depp-Learning-Ansätze haben in der Literatur vielversprechende Ergebnisse im Vergleich zu bestehenden Methoden gezeigt. Arbeiten verwenden jedoch unterschiedliche zugrunde liegende Datensätze und verschiedene Methoden zur Aufteilung in Trainings- und Testdaten. Darüber hinaus sind Datensätze häufig nicht öffentlich zugänglich oder nur als zensierte Versionen verfügbar, da sie auf sensiblen Daten von Mobilfunknetzbetreibern basieren. Dadurch ist es schwierig, Ergebnisse zu vergleichen und eindeutige Schlussfolgerungen darüber zu ziehen, welches Modell besser geeignet ist. In dieser Arbeit gehen wir einen Schritt in Richtung einer einheitlichen Bewertungsstrategie, um faire Vergleiche zu ermöglichen. Dafür verwenden wir einen öffentlich zugänglichen Datensatz und evaluieren darauf Modelle aus der Literatur. In Übereinstimmung mit den Originalarbeiten konnten wir die überlegene Leistung der Deep-Learning-basierten Modelle im Vergleich zu einem klassischen Referenzmodell bestätigen. Darüber hinaus haben wir die Bedeutung der verwendeten Datenaufteilung hervorgehoben und gezeigt, dass sich die Reihenfolge, in der die Modelle anhand ihrer Vorhersageleistung ordnen, je nach gewählter Aufteilungsmethode umkehren kann. Neben dem öffentlichen Datensatz, der auf geschätzten Netzwerkdaten basiert, hatten wir auch Zugriff auf die nicht geschätzten Daten des Mobilfunknetzbetreibers, wodurch wir den Einfluss ungenauer Netzwerkdaten auf die Vorhersageleistung der Modelle untersuchen konnten. Wie erwartet verschlechtert sich die Modellleistung bei der Verwendung ungenauer Daten, wobei sich interessanterweise herausstellt, dass das Ausmaß der Fehlerzunahme von der gewählten Aufteilungsmethode abhängt. Nach dem Benchmarking der Modelle auf einem städtischen Datensatz haben wir die Analyse auf eine ländliche Umgebung ausgeweitet. Dabei haben wir untersucht, wie gut sich die Modelle von einer Umgebung auf eine andere übertragen lassen. Es zeigte sich, dass die auf den städtischen Bereich trainierten Modelle im ländlichen Bereich nur eingeschränkt funktionieren und im Vergleich zum Referenzmodell abgeschlossen schlechter sind. Wurden die Modelle explizit für den ländlichen Bereich trainiert, war ein erheblicher Leistungsanstieg zu verzeichnen. Abschließend haben wir bestehende Modelle erweitert und untersucht, wie sich die Einbeziehung von Landnutzungsinformationen auf die Genauigkeit der Signalstärkevorhersage auswirkt. Für beide betrachteten Deep-Learning-Modelle konnte gezeigt werden, dass durch die Integration dieser zusätzlichen Information der Vorhersagefehler weiter reduziert wird.
Philip Schwarzinger (Wed,) studied this question.