論文の概要: The Vienna 4G/5G Drive-Test Dataset

• arxiv url: http://arxiv.org/abs/2603.02638v1
• Date: Tue, 03 Mar 2026 06:06:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.663189
• Title: The Vienna 4G/5G Drive-Test Dataset
• Title（参考訳）: ウィーンの4G/5Gドライブテストデータセット
• Authors: Wilfried Wiedner, Lukas Eller, Mariam Mussbah, Dominik Rössler, Valerian Maresch, Philipp Svoboda, Markus Rupp,
• Abstract要約: モバイルネットワーク分析、計画、最適化のための機械学習は、大規模で包括的な現実世界のデータセットが欠如しているため、しばしば制限される。 本稿では,オーストリアのウィーンで収集された地理基準長周期進化(LTE)と5Gニューラジオ(NR)の都市規模オープンデータセットであるウィーン4G/5Gドライブテストデータセットを紹介する。
• 参考スコア（独自算出の注目度）: 1.4345688417084757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning for mobile network analysis, planning, and optimization is often limited by the lack of large, comprehensive real-world datasets. This paper introduces the Vienna 4G/5G Drive-Test Dataset, a city-scale open dataset of georeferenced Long Term Evolution (LTE) and 5G New Radio (NR) measurements collected across Vienna, Austria. The dataset combines passive wideband scanner observations with active handset logs, providing complementary network-side and user-side views of deployed radio access networks. The measurements cover diverse urban and suburban settings and are aligned with time and location information to support consistent evaluation. For a representative subset of base stations (BSs), we provide inferred deployment descriptors, including estimated BS locations, sector azimuths, and antenna heights. The release further includes high-resolution building and terrain models, enabling geometry-conditioned learning and calibration of deterministic approaches such as ray tracing. To facilitate practical reuse, the data are organized into scanner, handset, estimated cell information, and city-model components, and the accompanying documentation describes the available fields and intended joins between them. The dataset enables reproducible benchmarking across environment-aware learning, propagation modeling, coverage analysis, and ray-tracing calibration workflows.
• Abstract（参考訳）: モバイルネットワーク分析、計画、最適化のための機械学習は、大規模で包括的な現実世界のデータセットが欠如しているため、しばしば制限される。 本稿では,オーストリアのウィーンで収集された地理基準長周期進化(LTE)と5Gニューラジオ(NR)の都市規模オープンデータセットであるウィーン4G/5G Drive-Test Datasetを紹介する。 このデータセットは、パッシブ広帯域スキャナ観察とアクティブハンドセットログを組み合わせることで、デプロイされた無線アクセスネットワークの補完的なネットワークサイドとユーザサイドビューを提供する。 この測定は、様々な都市や郊外の設定をカバーし、一貫した評価を支援するために、時間や位置情報と一致している。 基地局(BS)の代表的サブセットとして,推定BS位置,セクター方位,アンテナ高さなどの推定配置記述子を提供する。 このリリースには高解像度の建物と地形モデルが含まれており、幾何条件の学習とレイトレーシングのような決定論的アプローチの校正を可能にする。 実際の再利用を容易にするため、データはスキャナー、ハンドセット、推定セル情報、都市モデルコンポーネントに整理され、付随するドキュメントには利用可能なフィールドとそれら間の結合が記述されている。 このデータセットは、環境認識学習、伝搬モデリング、カバレッジ分析、レイトレーシングキャリブレーションワークフローにわたる再現可能なベンチマークを可能にする。

関連論文リスト

• Generative MIMO Beam Map Construction for Location Recovery and Beam Tracking [67.65578956523403]
  本稿では,スパースチャネル状態情報(CSI)から位置ラベルを直接復元する生成フレームワークを提案する。 生のCSIを直接格納する代わりに、小型の低次元無線地図の埋め込みを学び、生成モデルを利用して高次元CSIを再構築する。 数値実験により,NLOSシナリオにおける局所化精度が30%以上向上し,20%のキャパシティゲインが得られることが示された。
  論文  参考訳（メタデータ） (2025-11-21T07:25:49Z)
• Transport-Related Surface Detection with Machine Learning: Analyzing Temporal Trends in Madrid and Vienna [0.0]
  本研究では,都市大気画像解析における機械学習の統合について検討する。 車や歩行者のインフラ面の特定と、歴史的傾向の分析に重点を置いている。 畳み込みアーキテクチャからトランスフォーマーベースの事前訓練モデルへの移行を強調している。
  論文  参考訳（メタデータ） (2025-03-19T19:09:02Z)
• EarthView: A Large Scale Remote Sensing Dataset for Self-Supervision [72.84868704100595]
  本稿では,地球モニタリングタスクにおける深層学習アプリケーションを強化することを目的とした,リモートセンシングデータの自己監督を目的としたデータセットを提案する。 このデータセットは15テラピクセルのグローバルリモートセンシングデータにまたがっており、NEON、Sentinel、Satellogicによる1mの空間解像度データの新たなリリースなど、さまざまなソースの画像を組み合わせている。 このデータセットは、リモートセンシングデータの異なる課題に取り組むために開発されたMasked Autoencoderである。
  論文  参考訳（メタデータ） (2025-01-14T13:42:22Z)
• Radio Map Prediction from Aerial Images and Application to Coverage Optimization [46.870065000932016]
  畳み込みニューラルネットワークを用いた経路損失無線マップの予測に着目する。 既存の無線地図データセットに対して開発された最先端モデルがこの課題に効果的に適応できることを示す。 UNetDCNと呼ばれる新しいモデルを導入し、複雑さを低減した最先端モデルと比較して、同等以上の性能を実現した。
  論文  参考訳（メタデータ） (2024-10-07T09:19:20Z)
• Cross-domain Learning Framework for Tracking Users in RIS-aided Multi-band ISAC Systems with Sparse Labeled Data [55.70071704247794]
  統合センシング・通信(ISAC)は6G通信において重要であり、再構成可能なインテリジェントサーフェス(RIS)の急速な発展によって促進される 本稿では,複数の帯域にまたがるマルチモーダルCSIインジケータを協調的に活用し,クロスドメイン方式で追跡機能をモデル化するX2Trackフレームワークを提案する。 X2Trackの下では、トランスフォーマーニューラルネットワークと逆学習技術に基づいて、トラッキングエラーを最小限に抑える効率的なディープラーニングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2024-05-10T08:04:27Z)
• VBR: A Vision Benchmark in Rome [1.71787484850503]
  本稿では,RGBデータ,3次元点雲,IMU,GPSデータを含む,ローマで収集された視覚・知覚研究データセットについて述べる。 我々は、自律ロボット工学とコンピュータビジョンの研究を進めるために、視覚計測とSLAMをターゲットにした新しいベンチマークを導入する。
  論文  参考訳（メタデータ） (2024-04-17T12:34:49Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol Particles for Frontier Exploration [55.41644538483948]
  本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。 ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。 本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
  論文  参考訳（メタデータ） (2023-04-27T20:21:18Z)
• Real-time Outdoor Localization Using Radio Maps: A Deep Learning Approach [59.17191114000146]
  LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。 我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
  論文  参考訳（メタデータ） (2021-06-23T17:27:04Z)
• It's All Around You: Range-Guided Cylindrical Network for 3D Object Detection [4.518012967046983]
  本研究は,360度深度スキャナーによって生成された3次元データを解析するための新しい手法を提案する。 距離誘導畳み込みの概念を導入し,エゴ車と物体のスケールからの距離で受容場を適応させる。 我々のネットワークは、現在の最先端アーキテクチャに匹敵するnuScenesチャレンジにおいて、強力な結果を示す。
  論文  参考訳（メタデータ） (2020-12-05T21:02:18Z)
• Weakly-supervised land classification for coastal zone based on deep convolutional neural networks by incorporating dual-polarimetric characteristics into training dataset [1.0494061710470493]
  本研究では, 空間偏光合成開口レーダ(PolSAR)を用いた意味的セグメンテーションにおけるDCNNの性能について検討する。 PolSARデータを用いたセマンティックセグメンテーションタスクは、SARデータの特徴とアノテート手順が考慮されている場合、弱い教師付き学習に分類することができる。 次に、SegNet、U-Net、LinkNetを含む3つのDCNNモデルが実装されている。
  論文  参考訳（メタデータ） (2020-03-30T17:32:49Z)

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。