論文の概要: Intelligent Base Station Deployment in Urban Wireless Networks: A Geographic Data-Informed Digital Twin Approach

• arxiv url: http://arxiv.org/abs/2608.14599v2
• Date: Tue, 15 Sep 2026 12:11:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.227649
• Title: Intelligent Base Station Deployment in Urban Wireless Networks: A Geographic Data-Informed Digital Twin Approach
• Title（参考訳）: 都市無線ネットワークにおけるインテリジェントな基地局配置:地理データを用いたディジタルツインアプローチ
• Abstract要約: 地理的データを用いた無線ネットワークディジタルツイン(DT)と深部強化学習(DRL)を統合したインテリジェントベースステーション(BS)デプロイメントフレームワークを提案する。 我々は,多段階マルコフ決定過程(MDP)としてBS配置を定式化し,空間構造DRLアルゴリズムを用いて解いた。 実世界の都市シナリオにおける実験結果は、地理的データインフォームドDTが100サンプルの予測に匹敵する精度を得ることを示した。
• 参考スコア（独自算出の注目度）: 39.62738465338706
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The placement of base station (BS) is a fundamental determinant of coverage and capacity of urban wireless networks. Yet large-scale BS deployment optimization remains challenging due to its dependency on site-specific radio propagation and user spatial distributions, both of which are unfortunately difficult to obtain prior to deployment. To overcome this barrier, we propose an intelligent BS deployment framework that integrates a geographic data-informed wireless network digital twin (DT) with deep reinforcement learning (DRL), enabling sample-free macro BS deployment optimization from solely open geographic data, without on-site measurements, real user trajectories, or exhaustive ray tracing. The proposed DT incorporates a sample-free radio map prediction model with hybrid input representation to achieve kilometer-scale signal strength estimation in milliseconds, complemented by a diffusion-based generative model for trajectory synthesis to collectively characterize channel and user distributions. Leveraging the DT as a virtual training environment, we formulate BS deployment as a multi-step Markov decision process (MDP) and solve it via a spatially structured DRL algorithm. A local search process and a Wasserstein distance-based deployment buffer are further incorporated to efficiently explore the large combinatorial solution space. Experimental results in real-world urban scenarios demonstrate that the geographic data-informed DT attains accuracy comparable to 100-sample-based prediction, and the intelligent BS deployment framework achieves up to 98.9% of the idealized benchmark performance while reducing optimization overhead by over 99%.
• Abstract（参考訳）: 基地局(BS)の設置は、都市無線ネットワークの網羅と容量の基本的な決定要因である。 しかし、サイト固有の電波伝搬とユーザ空間分布に依存しているため、大規模なBSデプロイメントの最適化は依然として難しい。 この障壁を克服するために,地理的データインフォームド無線ネットワークディジタルツイン(DT)と深部強化学習(DRL)を統合したインテリジェントなBSデプロイメントフレームワークを提案する。 提案したDTは,ミリ秒間におけるミリ秒単位の広帯域信号強度推定を実現するためのハイブリッド入力表現を用いたサンプルフリー無線地図予測モデルを導入し,トラジェクトリ合成のための拡散ベース生成モデルを用いて,チャネルとユーザ分布をまとめて特徴付ける。 DTを仮想トレーニング環境として活用し,多段階マルコフ決定過程(MDP)としてBS配置を定式化し,空間構造DRLアルゴリズムを用いて解く。 さらに、局所探索プロセスとワッサーシュタイン距離に基づく展開バッファを組み込んで、大規模な組合せ解空間を効率的に探索する。 実世界の都市シナリオにおける実験結果は、地理的データインフォームドDTが100サンプルベースの予測に匹敵する精度を達成し、インテリジェントなBSデプロイメントフレームワークは、最適化オーバーヘッドを99%以上削減しつつ、理想的なベンチマーク性能の98.9%を達成していることを示している。

関連論文リスト

• Spatio-temporally complementary feature propagation on graphs for longitudinal AADT estimation [7.982704385959317]
  交通計画やインフラ整備には,年間平均日当たり交通量(AADT)の推定が不可欠である。 本研究では,2つのデータソースの強みを生かした新しい高時間補完機能フレームワークを提案する。 この枠組みは、理論モデルと経験的基底真理を効果的に一致させ、正規化された平均絶対誤差を10%以下にする。
  論文  参考訳（メタデータ） (2026-09-24T14:47:04Z)
• Accelerating Robot Path Planning via Connectivity-Preserving Region Proposal Network [5.81838331663612]
  移動ロボット経路計画法は、しばしば広大な探索空間によって制約され、サンプリングベースアルゴリズムの遅延が発生する。 本稿では,コンパクトでトポロジカルに連結した候補領域の予測を目的としたセグメンテーション誘導モデルであるCP-RPNを提案する。
  論文  参考訳（メタデータ） (2026-05-27T11:59:03Z)
• Bridging the Sampling Distribution Shift in Radio Map Estimation: A Trajectory-Aware Paradigm [19.549188944529753]
  学習に基づく無線地図推定(RME)は、UAV支援無線センシングにおいて重要な役割を担い、カバレッジ予測やネットワーク最適化といったタスクを可能にする。 現在のほとんどの手法では、ランダムサンプリングに基づいて独立に同一に分散されたトレーニングとテストの設定を前提としている。 このミスマッチはサンプリング分布シフトを導入し、空間場回復の本質的な困難を増大させる。 そこで本研究では,Triggered Trajectory-Based (ST-TBS) に基づくトラジェクティブ・アウェア・トレーニング・パラダイムを提案する。
  論文  参考訳（メタデータ） (2026-05-27T09:47:23Z)
• Wireless Traffic Prediction with Large Language Model [54.07581399989292]
  TIDESは、無線トラフィック予測のための空間時間相関をキャプチャする新しいフレームワークである。 TIDESは過剰なトレーニングオーバーヘッドを発生させることなく、ドメイン固有のパターンへの効率的な適応を実現する。 この結果から,将来の6Gシステムにおいて,空間認識をLCMベースの予測器に統合することが,スケーラブルでインテリジェントなネットワーク管理の鍵であることが示唆された。
  論文  参考訳（メタデータ） (2025-12-19T04:47:40Z)
• 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)
• An Efficient Privacy-aware Split Learning Framework for Satellite Communications [33.608696987158424]
  衛星通信におけるより効率的なSLのための新しいフレームワークを提案する。 我々のアプローチであるDynamic Topology Informed Pruningは、分散学習のためのグラフニューラルネットワークを最適化するために、差分プライバシとグラフとモデルプルーニングを組み合わせる。 当社のフレームワークは,衛星通信の運用効率を大幅に向上するだけでなく,プライバシに配慮した分散学習の新たなベンチマークも確立している。
  論文  参考訳（メタデータ） (2024-09-13T04:59:35Z)
• Semi-Federated Learning: Convergence Analysis and Optimization of A Hybrid Learning Framework [70.83511997272457]
  本稿では,ベースステーション(BS)とデバイスの両方を活用するセミフェデレーション学習(SemiFL)パラダイムを提案し,中央集権学習(CL)とFLのハイブリッド実装を提案する。 我々はこの難解な問題を解くための2段階のアルゴリズムを提案し、ビームフォーマに閉形式解を提供する。
  論文  参考訳（メタデータ） (2023-10-04T03:32:39Z)
• Distributed Multi-agent Meta Learning for Trajectory Design in Wireless Drone Networks [151.27147513363502]
  本稿では,動的無線ネットワーク環境で動作するエネルギー制約型ドローン群に対する軌道設計の問題点について検討する。 値ベース強化学習(VDRL)ソリューションとメタトレイン機構を提案する。
  論文  参考訳（メタデータ） (2020-12-06T01:30:12Z)
• Meta-Reinforcement Learning for Trajectory Design in Wireless UAV Networks [151.65541208130995]
  ドローン基地局(DBS)は、要求が動的で予測不可能な地上ユーザーへのアップリンク接続を提供するために派遣される。 この場合、DBSの軌道は動的ユーザアクセス要求を満たすように適応的に調整されなければならない。 新たな環境に遭遇したDBSの軌道に適応するために,メタラーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-05-25T20:43:59Z)

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。