論文の概要: RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction

• arxiv url: http://arxiv.org/abs/2511.17526v1
• Date: Fri, 24 Oct 2025 03:25:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-07 19:06:32.243204
• Title: RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction
• Title（参考訳）: RadioMapMotion: アクティブな時空間無線環境予測のためのデータセットとベースライン
• Authors: Honggang Jia, Nan Cheng, Xiucheng Wang,
• Abstract要約: 本稿では,過去の観測から将来の地図の列を予測することを含む,動的RM予測の課題を提案する。 この予測アプローチの鍵となる障壁は、継続的環境進化をキャプチャするデータセットの欠如である。 物理的に一貫した車両軌道から生成された連続RMシーケンスの大規模公開データセットであるRadioMapMotionを紹介する。
• 参考スコア（独自算出の注目度）: 21.594684328904403
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Radio maps (RMs), which provide location-based pathloss estimations, are fundamental to enabling proactive, environment-aware communication in 6G networks. However, existing deep learning-based methods for RM construction often model dynamic environments as a series of independent static snapshots, thereby omitting the temporal continuity inherent in signal propagation changes caused by the motion of dynamic entities. To address this limitation, we propose the task of spatio-temporal RM prediction, which involves forecasting a sequence of future maps from historical observations. A key barrier to this predictive approach has been the lack of datasets capturing continuous environmental evolution. To fill this gap, we introduce RadioMapMotion, the first large-scale public dataset of continuous RM sequences generated from physically consistent vehicle trajectories. As a baseline for this task, we propose RadioLSTM, a UNet architecture based on Convolutional Long Short-Term Memory (ConvLSTM) and designed for multi-step sequence forecasting. Experimental evaluations show that RadioLSTM achieves higher prediction accuracy and structural fidelity compared to representative baseline methods. Furthermore, the model exhibits a low inference latency, indicating its potential suitability for real-time network operations. Our project will be publicly released at: https://github.com/UNIC-Lab/RadioMapMotion upon paper acceptance.
• Abstract（参考訳）: 位置に基づくパスロス推定を提供する無線マップ (RM) は, 6Gネットワークにおいて, 能動的かつ環境に配慮した通信を可能にするための基礎となる。 しかし、RM構築のための既存のディープラーニングベースの手法は、動的環境を一連の独立した静的スナップショットとしてモデル化することが多く、これにより、動的実体の運動によって引き起こされる信号伝搬変化に固有の時間的連続性を省略する。 この制限に対処するために,過去の観測から将来の地図列を予測することを含む時空間RM予測の課題を提案する。 この予測アプローチの鍵となる障壁は、継続的環境進化をキャプチャするデータセットの欠如である。 このギャップを埋めるために、RadioMapMotionは、物理的に一貫した車両軌道から生成された連続RMシーケンスの大規模な公開データセットである。 このタスクのベースラインとして,畳み込み長短期記憶(ConvLSTM)に基づくマルチステップシーケンス予測のためのUNetアーキテクチャであるRadioLSTMを提案する。 実験により,RadioLSTMは代表ベースライン法と比較して高い予測精度と構造忠実度が得られることが示された。 さらに、このモデルは低遅延を示し、リアルタイムネットワーク操作に適した可能性を示している。 私たちのプロジェクトは、 https://github.com/UNIC-Lab/RadioMapMotionで公開されます。

関連論文リスト

• 3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks [52.73015408160948]
  低高度無線ネットワーク(LAWN)は無人航空機(UAV)の普及に伴い急速に拡大している 信頼性の高い接続性は、三次元(3D)モビリティ、時間変化によるユーザ密度、限られた電力予算のために、依然として重要な課題である。 本稿では,受信電力の進化を学習し,予測する3次元動的無線マップ(3D高度)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-24T11:47:17Z)
• RadioFormer: A Multiple-Granularity Radio Map Estimation Transformer with 1\textpertenthousand Spatial Sampling [60.267226205350596]
  電波マップ推定は、電磁スペクトル量の密度の高い表現を生成することを目的としている。 空間スパース観測によって生じる制約に対処する新しい多重粒度変換器であるRadioFormerを提案する。 また,RadioFormerは,最小計算コストを維持しつつ,無線マップ推定における最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-04-27T08:44:41Z)
• RadioDiff-$k^2$: Helmholtz Equation Informed Generative Diffusion Model for Multi-Path Aware Radio Map Construction [76.24833675757033]
  物理インフォームド・ジェネレーティブ・ラーニング・アプローチであるRadioDiff-$k2$を提案する。 提案するRadioDiff-$k2$フレームワークは,画像レベルのRM構成とローカライズタスクの両方において,最先端(SOTA)性能を実現する。
  論文  参考訳（メタデータ） (2025-04-22T06:28:13Z)
• RadioDiff-Inverse: Diffusion Enhanced Bayesian Inverse Estimation for ISAC Radio Map Construction [24.3983954491267]
  無線地図(RM)は、環境に配慮した通信やセンシングに不可欠であり、位置固有の無線チャネル情報を提供する。 既存のRM構築法は、しばしば正確な環境データと基地局(BS)の場所に依存しており、動的またはプライバシーに敏感な環境では必ずしも利用できない。 本稿では、粗い環境知識とノイズスパース測定の下でのベイズ逆問題としてRM構築を定式化する。 拡散強化ベイズ逆推定フレームワークであるRadioDiff-Inverseを提案する。
  論文  参考訳（メタデータ） (2025-04-19T13:49:59Z)
• RadioGAT: A Joint Model-based and Data-driven Framework for Multi-band Radiomap Reconstruction via Graph Attention Networks [36.8227064106456]
  マルチバンド無線マップ再構成(MB-RMR)は、スペクトル管理やネットワーク計画といったタスクのための無線通信において重要な要素である。 シミュレーションデータに大きく依存する従来の機械学習ベースのMB-RMRメソッドは、重要なデプロイメント課題に直面している。 本研究では,単一領域におけるMB-RMRに適したグラフ注意ネットワーク(GAT)に基づく新しいフレームワークであるRadioGATを提案する。
  論文  参考訳（メタデータ） (2024-03-25T03:23:10Z)
• AMP: Autoregressive Motion Prediction Revisited with Next Token Prediction for Autonomous Driving [59.94343412438211]
  本稿では,GPT方式の次のトークン動作予測を動作予測に導入する。 同種単位-ワードからなる言語データとは異なり、運転シーンの要素は複雑な空間的・時間的・意味的な関係を持つ可能性がある。 そこで本稿では,情報集約と位置符号化スタイルの異なる3つの因子化アテンションモジュールを用いて,それらの関係を捉えることを提案する。
  論文  参考訳（メタデータ） (2024-03-20T06:22:37Z)
• Three-Way Deep Neural Network for Radio Frequency Map Generation and Source Localization [67.93423427193055]
  空間、時間、周波数領域にわたる無線スペクトルのモニタリングは、5Gと6G以上の通信技術において重要な特徴となる。 本稿では,空間領域全体にわたる不規則分散計測を補間するGAN(Generative Adversarial Network)機械学習モデルを提案する。
  論文  参考訳（メタデータ） (2021-11-23T22:25:10Z)

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。