論文の概要: Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins

• arxiv url: http://arxiv.org/abs/2510.04346v1
• Date: Sun, 05 Oct 2025 20:14:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.596556
• Title: Environment-Aware Indoor LoRaWAN Path Loss: Parametric Regression Comparisons, Shadow Fading, and Calibrated Fade Margins
• Title（参考訳）: 環境に配慮した屋内LoRaWAN経路損失:パラメトリック回帰比較、シャドウフェディング、校正フェイドマージン
• Authors: Nahshon Mokua Obiri, Kristof Van Laerhoven,
• Abstract要約: 内部のLoRaWAN伝播は、構造的および時間的変化の文脈因子によって形成される。 リークセーフなクロスバリデーションを用いて評価した,環境に配慮した統計的に規律のある経路損失フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 3.776919981139063
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indoor LoRaWAN propagation is shaped by structural and time-varying context factors, which challenge log-distance models and the assumption of log-normal shadowing. We present an environment-aware, statistically disciplined path loss framework evaluated using leakage-safe cross-validation on a 12-month campaign in an eighth-floor office measuring 240 m^2. A log-distance multi-wall mean is augmented with environmental covariates (relative humidity, temperature, carbon dioxide, particulate matter, and barometric pressure), as well as the signal-to-noise ratio. We compare multiple linear regression with regularized variants, Bayesian linear regression, and a selective second-order polynomial applied to continuous drivers. Predictor relevance is established using heteroscedasticity-robust Type II and III analysis of variance and nested partial F tests. Shadow fading is profiled with kernel density estimation and non-parametric families, including Normal, Skew-Normal, Student's t, and Gaussian mixtures. The polynomial mean reduces cross-validated RMSE from 8.07 to 7.09 dB and raises R^2 from 0.81 to 0.86. Out-of-fold residuals are non-Gaussian; a 3-component mixture captures a sharp core with a light, broad tail. We convert accuracy into reliability by prescribing the fade margin as the upper-tail quantile of cross-validated residuals, quantifying uncertainty via a moving-block bootstrap, and validating on a held-out set. At 99% packet delivery ratio, the environment-aware polynomial requires 25.7 dB versus 27.7 to 27.9 dB for linear baselines. This result presents a deployment-ready, interpretable workflow with calibrated reliability control for indoor Internet of Things planning, aligned with 6G targets.
• Abstract（参考訳）: 室内でのLoRaWAN伝搬は、対数距離モデルと対数正規シャドーイングの仮定に挑戦する構造的および時間的要因によって形成される。 240m^2の8階オフィスにおける12ヶ月のキャンペーンにおいて, リークセーフなクロスバリデーションを用いて, 環境に配慮した, 統計的に規律のある経路損失フレームワークについて検討した。 対数距離の多壁平均値は、環境共変量(相対湿度、温度、二酸化炭素、粒子状物質、気圧)と信号対雑音比とで拡張される。 連続ドライバに適用された多重線形回帰と正規化変分,ベイズ線形回帰,選択的な二階多項式を比較した。 ヘテロセダシスト性ローバストII型とIII型の分散解析とネストされた部分F試験を用いて予測値の関連性を確立した。 シャドーフェイディングは、カーネル密度の推定と、ノーマル、スキューノーマル、学生のt、ガウス混合を含む非パラメトリックファミリーでプロファイルされる。 多項式平均は、架橋されたRMSEを8.07から7.09dBに還元し、R^2を0.81から0.86に上昇させる。 3成分の混合物は、軽くて広い尾を持つ鋭い核を捕獲する。 我々は、フェードマージンをクロスバリデード残差の上限量子化として規定し、移動ブロックブートストラップを介して不確実性を定量化し、ホールドアウトセットで検証することにより、信頼性を信頼性に変換する。 99%のパケット配信比では、環境に配慮した多項式は25.7dB、線形ベースラインは27.7から27.9dBである。 この結果から,屋内モノのインターネット計画の信頼性を調整した,デプロイメント対応で解釈可能なワークフローが6Gターゲットに適合することがわかった。

関連論文リスト

• From Noisy Traces to Stable Gradients: Bias-Variance Optimized Preference Optimization for Aligning Large Reasoning Models [90.45197506653341]
  大規模推論モデルは最終回答を生成する前に中間的推論トレースを生成する。 LRMと人間の好みの整合性は、モデルデプロイメントにとって重要な前提条件であり、まだ過小評価されていない。 共通の回避策は1つのサンプル軌道を最適化し、トレースサンプリングからかなり勾配のばらつきをもたらす。
  論文  参考訳（メタデータ） (2025-10-06T17:58:01Z)
• Online Estimation of Table-Top Grown Strawberry Mass in Field Conditions with Occlusions [2.736203444988168]
  本研究では、RGB-Dセンシングとディープラーニングを統合したビジョンベースパイプラインを提案し、非破壊的、リアルタイム、オンラインの質量推定を可能にする。 実験では、イチゴが8.11%、閉塞例が10.47%の質量推定誤差が示された。
  論文  参考訳（メタデータ） (2025-07-31T12:10:23Z)
• Multivariate root-n-consistent smoothing parameter free matching estimators and estimators of inverse density weighted expectations [51.000851088730684]
  我々は、パラメトリックな$sqrt n $-rateで収束する、最も近い隣人の新しい修正とマッチング推定器を開発する。 我々は,非パラメトリック関数推定器は含まないこと,特に標本サイズ依存パラメータの平滑化には依存していないことを強調する。
  論文  参考訳（メタデータ） (2024-07-11T13:28:34Z)
• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
  重みを推定しない新しい共変量シフト適応法を提案する。 基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。 実験の結果, 走行時間を大幅に短縮できることがわかった。
  論文  参考訳（メタデータ） (2023-12-15T17:28:09Z)
• Comparison of Affine and Rational Quadratic Spline Coupling and Autoregressive Flows through Robust Statistical Tests [0.0]
  本稿では,対称および非対称ビジェクタに基づく結合と自己回帰流の詳細な比較を提案する。 本研究は,4～400の次元を拡大する多モーダルな対象分布の集合に焦点をあてる。 以上の結果から,A-RQSアルゴリズムは精度とトレーニング速度の両面で際立っていることが示唆された。
  論文  参考訳（メタデータ） (2023-02-23T13:34:01Z)
• A Cram\'er Distance perspective on Non-crossing Quantile Regression in Distributional Reinforcement Learning [2.28438857884398]
  QR-DQNのような量子ベースのメソッドは、任意の分布を階段分布のパラメトリックサブセットに投影する。 本研究では,不確実性に基づく探索戦略におけるQR-DQNの性能向上のために,量子化の単調性制約が示されていることを示す。 そこで我々は,新しいアルゴリズムを用いてクラム距離を計算し,優れたトレーニング性能を実現する,新しい非交差ニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-10-01T17:00:25Z)
• A Random Matrix Analysis of Random Fourier Features: Beyond the Gaussian Kernel, a Precise Phase Transition, and the Corresponding Double Descent [85.77233010209368]
  本稿では、データサンプルの数が$n$である現実的な環境で、ランダムフーリエ(RFF)回帰の正確さを特徴付けます。 この分析はまた、大きな$n,p,N$のトレーニングとテスト回帰エラーの正確な推定も提供する。
  論文  参考訳（メタデータ） (2020-06-09T02:05:40Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。