- 당 기술은 LTE(Long-Term Evolution) 시스템의 셀당 최번시 RB(Resource Block) 사용률에 대한 확률분포를 추정하고, 추정된 분포를 활용하여 LTE 주파수 포화기준이 되는 실질 RB 사용률에 대한 정규분포를 도출한 후, 이를 이용한 학습 데이터 생성으로, LSTM(Long Short-Term Memory) 신경망 학습을 통해 미래의 실질 RB 사용률을 예측하는 것으로, ① RB 사용률 분포 추정 ② 가상 국소 실질 RB 사용률 ③ 예측 신경망 학습 ④ RB 사용률 예측 등으로 구성된다.
- RB 사용률 분포 추정을 위한 방법 및 수식, 예측 신경망 학습을 위한 전처리 방법, LSTM 신경망 구성 source code, 예측 방법 및 툴을 제공한다.
- 당 기술의 목적은 보통 여러 개의 분리된 대역으로 구성된 LTE 주파수 자원의 포화 여부를 판단할 수 있는 수치를 정의하고, 이 수치의 월별 불규칙적인 변동을 학습하여 미래의 포화여부를 예측할 수 있는 심층 LSTM 신경망 활용방법을 제공하는 것이다.
- 현재 국내 LTE 주파수의 포화는 전국트래픽을 기준으로 판단하고 있으나, 실제 이동통신 시스템은 셀 단위로 운용되고, 기지국이나 단말의 기술향상은 주파수효율의 향상을 가져올 수 있으므로, 셀 단위의 실제 주파수 이용률을 기반으로 한 포화 여부 판단 및 예측이 필요하다.
- RB 사용률 분포 추정 기술은 수집 데이터를 근거로 LTE 최번시 RB 사용률의 분포 특성을 반영하여 광범위한 적용이 가능하다.
- 여러 대역으로 나뉘어있는 LTE 주파수 자원에 대해 총 주파수 자원의 포화 여부를 판별할 수 있는 가상 국소의 개념을 정립하여 매월 정규분포를 따르는 하나의 확률변수로 포화를 분석할 수 있는 장점이 있다.
가. 기술이전 내용
본 기술이전은 LTE 시스템의 셀당 최번시 RB 사용률에 대한 확률분포 추정 방법, 전 대역을 고려할 수 있는 가상 국소를 정의하여 주파수 자원의 포화를 판단할 수 있는 실질 RB 사용률에 대한 정규분포 도출 방법, 도출된 정규분포로 데이터를 생성하여 심층 LSTM 신경망 학습으로 미래의 월별 실질 RB 사용률을 예측하는 방법을 제공한다.
나. 기술이전 범위
본 기술이전의 범위는 셀당 최번시 RB 사용률의 확률분포 추정에서 전 대역에 대한 실질 RB 사용률의 정규분포를 도출하고 이를 이용하여 심층 LSTM 신경망을 학습시켜 미래 실질 RB 사용률을 예측하는 방법 및 툴을 제공하는 것이다.
- RB 사용률 분포 추정
· 분포 추정용 데이터 추출 알고리즘
· 최적의 확률분포 parameter 계산식 및 도출 알고리즘
- 가상 국소 실질 RB 사용률
· 대역별 분위수 정규분포 parameter 계산식
· 가상 국소 정의 방법
· 대역별 가중치 및 가상 국소 실질 RB 사용률 정규분포 parameter 계산식
- 예측 신경망 학습
· 신경망 학습용 데이터 생성 및 전처리 알고리즘
· LSTM 신경망 구성 방법 및 툴
· LSTM 신경망 학습 방법 및 툴
- RB 사용률 예측
· RB 사용률 예측용 데이터 생성 방법 및 툴
· 실질 RB 사용률 예측 방법 및 툴
- 현재 셀 단위 RB 사용률의 확률적 특성을 객관적으로 설명하는 확률분포 기반의 분석 기술이 없으므로, 이에 대한 분포 추정이 필요하다. 또한, 월별 포화기준이 되는 실질 RB 사용률의 변동이 크고 불규칙적이므로 이를 반영할 수 있는 심층 학습 기반의 예측방법 및 툴이 필요하다.
- 월별 실질 RB 사용률의 분포 도출 및 이를 활용한 심층 LSTM 신경망 기반의 예측을 통해 셀 단위 RB 사용률을 기준으로 포화시기를 전망하여 기지국의 증설, 부하 분산 등의 선제적인 조치 또는 추가 주파수 확보 논의 등에 대한 과학적인 근거로 활용될 수 있다.