KR20230057890A - 기계적 방위각 및 기계적 경사각의 현행화 방법 및 장치 - Google Patents

Abstract

기계적 방위각 및 기계적 경사각의 현행화 방법이 개시된다. 본 발명에 따른 기계적 방위각 및 기계적 경사각의 현행화 방법은, 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하는 단계, 상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계, 상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계, 및, 상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 단계를 포함한다.

Description

기계적 방위각 및 기계적 경사각의 현행화 방법 및 장치{METHOD AND APPARATUS FOR UPDATING MECHANICAL AZIMUTH AND MECHANICAL TILT}

본 발명은, 안테나가 설치된 현장의 방문 없이 안테나의 기계적 방위각 및 기계적 경사각을 현행화 할 수 있는, 기계적 방위각 및 기계적 경사각의 현행화 방법 및 장치에 관한 것이다.

도 1과 같은 무선망 설계 및 최적화 시스템은, 무선 품질 측정 데이터, 기지국 및 안테나 정보, 지형 고도 및 건물 지도 등을 입수하여 기지국의 커버리지 및 간섭 분석, 자동 최적화, 측정 데이터 분석 등을 수행하고, 목적한 지역의 커버리지 율 통계, 커버리지 맵, 최적 안테나의 방향 및 경사각 등을 산출한다.

이동 통신 기지국은, 엔지니어가 최적화 할 수 있는 다양한 무선망 파라미터를 가지고 있다. 그리고 무선망 파라미터를 어떻게 설정하는지에 따라 사용자의 단말에서 수신하는 서빙셀의 수신 세기나 신호 대 간섭비가 달라지므로 사용자의 무선망 체감 품질이 달라지게 된다. 따라서, 이동 통신 사업자는 지속적으로 무선망 품질을 모니터링하고 무선망 품질 열화가 발생한 지역에 대한 최적화를 수행한다.

한편 실제와는 다른 무선망 파라미터를 이용하여 무선망 설계 및 최적화를 수행하면, 이는 전체 무선망의 성능 저하로 이어진다. 따라서 무선망 설계 및 최적화를 수행하기 위해서는, 현재의 무선망 파라미터를 정확하게 파악하는 것이 필수 적이다.

무선망 파라미터에는 다양한 요소를 포함하며, 요소들 대부분은 고정된 값이거나 원격의 EMS(Element Management System)에서 현재 상태 파악 및 변경이 가능한 값이기 때문에, 현행화에 큰 어려움이 없다.

다만 안테나의 기계적 방위각 및 기계적 경사각의 경우, 현장 엔지니어의 방문에 의해 현행화가 가능한 문제가 있다. 예를 들어 현장 엔지니어가 안테나를 직접 방문하여 기계적 방위각 및 기계적 경사각을 측정해야 하기 때문에 현행화를 위한 많은 인력과 시간이 필요한 문제가 발생하며, 안테나의 경우 보통 건물 옥상 등 위험한 장소에 설치되기 때문에 추락 등의 안전 사고의 위험성이 존재한다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은, 안테나가 설치된 현장의 방문 없이 안테나의 기계적 방위각 및 기계적 경사각을 현행화 할 수 있는 기계적 방위각 및 기계적 경사각의 현행화 방법 및 장치를 제공하기 위함이다.

본 발명에 따른 기계적 방위각 및 기계적 경사각의 현행화 방법은, 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하는 단계, 상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계, 상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계, 및, 상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 단계를 포함한다.

이 경우 상기 안테나의 기계적 경사각을 결정하는 단계는, 상기 복수의 무선망 파라미터 중 제1 무선망 파라미터에 기반하여 상기 인공지능 모델이 출력한 예측 값과 상기 실측 값의 차이가 가장 작은 경우, 상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계를 포함할 수 있다.

이 경우 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계는, 상기 제1 무선망 파라미터 및 제1 수신점에 대응하는 제1 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-1 예측 값을 획득하는 단계, 및, 상기 제1 무선망 파라미터 및 제2 수신점에 대응하는 제2 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-2 예측 값을 획득하는 단계를 포함하고, 상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계는, 상기 제1-1 예측 값 및 상기 제1 수신점에서 측정된 제1 실측 값의 차이와, 상기 제1-2 예측 값 및 상기 제2 수신점에서 측정된 제2 실측 값의 차이를 이용하여 상기 제1 무선망 파라미터에 대응하는 제1 차이 값을 획득하는 단계, 및, 상기 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 상기 제1 차이 값이 가장 작은 경우, 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계를 포함할 수 있다.

한편 무선망 파라미터 및 환경 정보를 훈련 데이터로 사용하고 신호 품질 값을 레이블링 데이터로 사용하여 상기 인공지능 모델을 트레이닝 하는 단계를 더 포함할 수 있다.

한편 상기 기계적 방위각 및 상기 기계적 경사각을 제외한, 무선망 파라미터에 포함되는 기타 요소를 현행화 하는 단계를 더 포함하고, 상기 기타 요소는, 상기 안테나의 전기적 방위각, 상기 안테나의 전기적 경사각, 상기 안테나의 위치, 상기 안테나의 높이, 상기 안테나의 타입, 기지국 출력, 제어 빔 옵션 중 적어도 하나를 포함할 수 있다.

이 경우 상기 복수의 무선망 파라미터는, 상기 결정된 기계적 방위각 및 상기 기타 요소를 동일하게 포함할 수 있다.

한편 상기 안테나의 기계적 방위각을 결정하는 단계는, 상기 안테나와 관련된 무선 품질 측정 데이터가 수집된 복수의 수신점의 위치를 획득하는 단계, 및, 상기 복수의 수신점의 위치를 이용하여 상기 복수의 수신점의 무게 중심 점을 산출하고, 상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정하는 단계를 포함할 수 있다.

이 경우 상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정하는 단계는, 상기 무선 품질 측정 데이터가 수집된 복수의 수신점 중 상기 신호 품질 값의 실측 값이 더 높은 특정 백분위의 수신 점들을 선정하고, 상기 선정된 수신 점들의 무게 중심 점을 산출할 수 있다.

한편 본 발명에 따른 기계적 방위각 및 기계적 경사각의 현행화 장치는, 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 수집하는 통신부, 및, 상기 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하고, 상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하고, 상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하고, 상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 제어부를 포함한다.

이 경우 상기 제어부는, 상기 복수의 무선망 파라미터 중 제1 무선망 파라미터에 기반하여 상기 인공지능 모델이 출력한 예측 값과 상기 실측 값의 차이가 가장 작은 경우, 상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정할 수 있다.

이 경우 상기 제어부는, 상기 제1 무선망 파라미터 및 제1 수신점에 대응하는 제1 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-1 예측 값을 획득하고, 상기 제1 무선망 파라미터 및 제2 수신점에 대응하는 제2 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-2 예측 값을 획득하고, 상기 제1-1 예측 값 및 상기 제1 수신점에서 측정된 제1 실측 값의 차이와, 상기 제1-2 예측 값 및 상기 제2 수신점에서 측정된 제2 실측 값의 차이를 이용하여 상기 제1 무선망 파라미터에 대응하는 제1 차이 값을 획득하고, 상기 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 상기 제1 차이 값이 가장 작은 경우, 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정할 수 있다.

한편 상기 제어부는, 무선망 파라미터 및 환경 정보를 훈련 데이터로 사용하고 신호 품질 값을 레이블링 데이터로 사용하여 상기 인공지능 모델을 트레이닝 할 수 있다.

한편 상기 제어부는, 상기 기계적 방위각 및 상기 기계적 경사각을 제외한, 무선망 파라미터에 포함되는 기타 요소를 현행화 하고, 상기 기타 요소는, 상기 안테나의 전기적 방위각, 상기 안테나의 전기적 경사각, 상기 안테나의 위치, 상기 안테나의 높이, 상기 안테나의 타입, 기지국 출력, 제어 빔 옵션 중 적어도 하나를 포함할 수 있다.

이 경우 상기 복수의 무선망 파라미터는, 상기 결정된 기계적 방위각 및 상기 기타 요소를 동일하게 포함할 수 있다.

한편 상기 제어부는, 상기 안테나와 관련된 무선 품질 측정 데이터가 수집된 복수의 수신점의 위치를 획득하고, 상기 복수의 수신점의 위치를 이용하여 상기 복수의 수신점의 무게 중심 점을 산출하고, 상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정할 수 있다.

이 경우 상기 제어부는, 상기 무선 품질 측정 데이터가 수집된 복수의 수신점 중 상기 신호 품질 값의 실측 값이 더 높은 특정 백분위의 수신 점들을 선정하고, 상기 선정된 수신 점들의 무게 중심 점을 산출할 수 있다.

한편 본 발명에 따른, 매체에 저장된 컴퓨터 프로그램은, 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하는 단계, 상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계, 상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계, 및, 상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 단계를 포함하는 기계적 방위각 및 기계적 경사각의 현행화 방법을 수행할 수 있다.

본 발명에 따르면, 안테나가 설치된 현장의 방문 없이도 안테나의 기계적 방위각 및 기계적 경사각을 현행화 할 수 있다. 이에 따라 현행화에 필요한 인력 및 시간을 절감하고, 현행화 시 발생할 수 있는 추락 등의 안전 사고 위험을 줄일 수 있는 장점이 있다.

도 1은 무선망 설계 및 최적화 시스템을 도시한 도면이다.
도 2는 본 발명에 따른, 기계적 방위각 및 기계적 경사각의 현행화 장치를 설명하기 위한 블록도이다.
도 3은 본 발명에 따른, 기계적 방위각 및 기계적 경사각의 현행화 방법을 설명하기 위한 순서도이다.
도 4는 본 발명에 따른 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.
도 5는 RSRP에 서로 다른 백분위를 적용하여 무게 중심 점을 산출한 경우, 기계적 방위각 추정의 정확도를 평가한 결과이다.
도 6은 본 발명에 따른, 복수의 수신 점에서 측정된 무선 품질 측정 데이터를 이용하여 안테나의 기계적 경사각을 산출하는 방법을 설명하기 위한 도면이다.
도 7은 기계적 방위각 및 기계적 경사각의 현행화 방법을 적용한 실험 결과를 도시한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

본 발명을 구현함에 있어서 설명의 편의를 위하여 구성요소를 세분화하여 설명할 수 있으나, 이들 구성요소가 하나의 장치 또는 모듈 내에 구현될 수도 있고, 혹은 하나의 구성요소가 다수의 장치 또는 모듈들에 나뉘어져서 구현될 수도 있다.

이하의 설명은 5G 이동 통신 시스템의 예를 들어 설명하나 이에 한정되지 않으며, 본 발명은 모든 이동 통신 시스템에 적용 가능하다.

도 2는 본 발명에 따른, 기계적 방위각 및 기계적 경사각의 현행화 장치를 설명하기 위한 블록도이다.

기계적 방위각 및 기계적 경사각의 현행화 장치(100)는 통신부(110), 제어부(120) 및 메모리(130)를 포함할 수 있다.

통신부(110)는, 유선/무선 통신 네트워크를 통해 다른 통신 장치들로부터 전송된 데이터를 수신하여 제어부(120)에 전달하거나, 제어부(120)에서 생성되거나 처리된 데이터를 다른 장치로 전송하도록 구성될 수 있다. 이를 위해, 통신부(110)는 유/무선 통신을 수행하는 통신 모뎀을 포함할 수 있다.

또한 통신부(110)는 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 수신할 수 있다.

제어부(120)는, 기계적 방위각 및 기계적 경사각의 현행화 장치(100)의 전반적인 동작을 제어할 수 있다.

또한 제어부(120)는 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 안테나의 기계적 방위각 및 기계적 경사각을 추정할 수 있다.

한편 용어 제어부(120)는, “프로세서, “마이크로 프로세서”, “컨트롤러”, “마이크로 컨트롤러” 등의 용어로도 사용될 수 있다.

한편 메모리(130)는, 기계적 방위각 및 기계적 경사각의 현행화 장치(100)의 동작을 위한 명령어 또는 기타 프로그램을 저장할 수 있다. 이를 위해 메모리(130)는, ROM, RAM, EEPROM, 레지스터, 플래시 메모리, CD-ROM, 자기 테이프, 하드 디스크, 플로피디스크, 광 데이터 기록장치 등의 다양한 저장 매체들을 선택적으로 포함할 수 있다.

한편 기계적 방위각 및 기계적 경사각의 현행화 장치(100)는, 운영자 또는 관리자의 명령이나 데이터를 입력 받는 입력부(미도시) 및 데이터나 정보를 시각적 또는 시청각적으로 출력하는 출력부(미도시)를 더 포함할 수 있다.

도 3은 본 발명에 따른, 기계적 방위각 및 기계적 경사각의 현행화 방법을 설명하기 위한 순서도이다.

본 발명에 따른 기계적 방위각 및 기계적 경사각의 현행화 방법은, 무선망 파라미터 및 환경 정보를 입력 데이터로 사용하고 수신 신호 세기를 레이블로 사용하여 인공지능 모델을 트레이닝 하는 단계(S310), 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 수집하는 단계(S320), 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 안테나의 기계적 방위각을 결정하는 단계(S330), 결정된 기계적 방위각을 포함하고, 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계(S340), 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계(S350), 및, 무선 품질 측정 데이터에 포함되는 수신 신호 세기의 실측 값과 예측 값들의 차이 들에 기반하여 안테나의 기계적 경사각을 결정하는 단계(S360)를 포함할 수 있다.

먼저 S310과 관련하여 도 4를 참고하여 설명한다.

도 4는 본 발명에 따른 인공지능 모델의 트레이닝 방법을 설명하기 위한 도면이다.

본 명세서에서는, 기계적 경사각의 추정에 사용되는 데이터(무선망 파라미터, 환경 정보)와, 인공지능 모델(200)의 트레이닝에 사용되는 데이터(무선망 파라미터, 환경 정보)를 서로 구분하기 위하여, 인공지능 모델(200)의 트레이닝에 사용되는 데이터는 훈련용 무선망 파라미터 및 훈련용 환경 정보라 명칭하도록 한다.

인공지능 모델(200)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 훈련 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

또한 인공지능 모델(200)은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법인 지도 학습 알고리즘에 의해 트레이닝 될 수 있다. 이 경우 인공지능 모델(200)은 훈련 데이터 및 레이블링 데이터(훈련 데이터가 입력되는 경우 인공지능 모델(200)이 추론해 내야 하는 정답)을 이용하여 트레이닝 되며, 트레이닝의 반복에 따라 인공지능 모델(200)의 파라미터(가중치, 편향 등)이 최적화 될 수 있다.

그리고 제어부(120)는, 지도 학습 알고리즘에 기반하여, 훈련용 무선망 파라미터 및 훈련용 환경 정보를 훈련 데이터로 사용하고, 수신 신호 세기를 레이블링 데이터로 사용하여, 인공지능 모델(200)을 트레이닝 할 수 있다.

여기서 훈련용 무선망 파라미터는, 안테나의 기계적 방위각(Mechanical Azimuth) 및 안테나의 기계적 경사각(Mechanical Tilt)을 포함할 수 있다. 또한 훈련용 무선망 파라미터는, 안테나의 전기적 방위각(Electric Azimuth), 전기적 경사각(Electric Tilt), 안테나의 위치, 안테나의 높이, 안테나의 타입, 기지국(Radio Unit, RU) 출력, 제어 빔 옵션, 안테나 이득(수평 안테나 이득, 수직 안테나 이득) 중 적어도 하나를 더 포함할 수 있다.

또한 훈련용 무선망 파라미터는, 수평 안테나 이득 및 수직 안테나 이득 대신, 수평 안테나 이득 및 수직 안테나 이득을 3차원으로 보간한 안테나 이득을 더 포함할 수 있다.

또한 훈련용 환경 정보는, 무선 신호의 송신 점인 안테나로부터 무선 신호의 수신 점인 단말까지의 건물 및 지형 정보를 포함할 수 있다. 예를 들어 환경 정보는, 안테나로부터 수신 점까지의 지형, 고도, 건물 정보(건물 위치, 건물 높이, 건물 형상 등), 건물 투과 여부, 건물 투과 횟수, 건물 투과 거리, 송신 점으로부터 수신 점까지의 2차원 거리, 송신 점으로부터 수신 점까지의 3차원 거리 등을 포함할 수 있다. 또한 훈련용 환경 정보는, 자유 공간 손실, 수신 점의 전파 환경(가시경로(LOS) 지점 또는 비 가시경로(NLOS) 지점 여부) 등을 더 포함할 수 있다.

본 발명에서는 인공지능 모델로 LightGBM 모델이 사용되었으며, 안테나 및 송신 점과 수신 점 사이의 관계를 나타내기 위한 13가지 특징(feature)과 건물 및 지형 정보를 나타내기 위한 3200가지 특징(feature)이 사용되었다.

한편 레이블링 데이터는 인공지능 모델(200)이 추론해야 하는 정답으로, 수신된 신호의 품질을 나타내는 신호 품질 값이 사용될 수 있다. 예를 들어 신호 품질 값은, RSRP(Reference Signal Received Power), RSRQ(Reference Signal Received Quality), SINR(Signal to Interference Ratio) 중 적어도 하나를 포함할 수 있다. 이하에서는, 신호 품질 값으로 RSRP가 사용되는 것으로 가정하여 설명한다.

한편 신호 품질 값은, 노트북 또는 단말 기반의 품질 수집 소프트웨어, 스캐너 장비 등을 통하여 수집되거나, MDT(Minimization of Drive Test) 표준을 활용하여 이동 통신 서비스에 가입된 사용자 단말로부터 수집될 수 있다. 즉 레이블링 데이터로써 사용되는 신호 품질 값은, 단말에 의해 측정된 신호 품질 값의 실측 값을 의미할 수 있다.

한편 제어부(120)는, 훈련 데이터(훈련용 무선망 파라미터 및 훈련용 환경 정보) 및 레이블링 데이터(신호 품질 값)을 하나의 데이터 셋으로 구성할 수 있다. 이 경우 하나의 데이터 셋을 구성하는 훈련 데이터 및 레이블링 데이터는 서로 연관될 수 있다. 예를 들어 특정 안테나와 관련된 무선망 파라미터 및 특정 수신점과 관련된 훈련용 환경 정보가 훈련 데이터로 사용되는 경우, 동일한 데이트 셋을 구성하는 레이블링 데이터는 상기 특정 수신점에서 상기 특정 안테나로부터 수신된 신호에 대한 신호 품질 값을 의미할 수 있다.

한편 제어부(120)는 훈련 데이터를 인공지능 모델(200)에 입력할 수 있다. 이 경우 인공지능 모델(200)은 훈련 데이터에 기반하여 신호 품질 값의 예측 값을 출력할 수 있다.

이 경우 제어부(120)는 레이블링 데이터로써 제공된 신호 품질 값(신호 품질 값의 실측 값) 및 인공지능 모델(200)이 출력한 신호 품질 값의 예측 값 간의 차이(손실 값)에 기반하여 인공지능 모델(200)의 파라미터(가중치, 편향 등)를 업데이트 할 수 있다.

한편 제어부(120)는, 다양한 기지국 및 안테나과 관련된 훈련용 무선망 파라미터들, 다양한 수신점들과 관련된 훈련용 환경 정보, 다양한 수신점 들에서 측정된 신호 품질 값을 이용하여 다양한 데이터 셋을 구성하고, 다양한 데이터 셋을 인공지능 모델(200)에 제공하여 인공지능 모델(200)을 트레이닝 할 수 있다. 이에 따라 인공지능 모델(200)의 파라미터가 최적화 되며, 인공지능 모델(200)의 트레이닝이 완료될 수 있다.

한편 제어부(120)는 트레이닝이 완료된 인공지능 모델(200)에 대한 평가를 수행할 수 있다.

구체적으로 제어부(120)는 다양한 기지국, 안테나, 수신점과 관련된 데이터를 이용하여 데이터 셋들을 구성할 수 있다.

이 경우 제어부(120)는 데이터 셋들을 훈련 데이터 셋과 평가 데이터 셋으로 분류할 수 있다.

여기서 훈련 데이터 셋이란 인공지능 모델(200)의 트레이닝에 사용되는 데이터 셋이고, 평가 데이터 셋이란 인공지능 모델(200)에 대한 평가(중간 평가, 최종 평가)에 사용되는 데이터 셋일 수 있다.

한편 데이터 셋들을 무작위로 훈련 데이터 셋과 평가 데이터 셋으로 분류하는 방법은, 인공지능 모델(200)의 성능 검증에는 활용이 가능하다. 다만 이러한 방법은, 기지국/안테나의 최적화 또는 신설 시 신호 품질 값 예측의 정확도 평가에 사용되기 어려우며, 또한 이후에 설명하는 기계적 경사각 추정에는 사용되기가 어렵다.

따라서, 제어부(120)는 기지국/안테나의 최적화를 기준으로, 기지국/안테나의 최적화 이전에 수집된 데이터를 훈련 데이터 셋으로, 기지국/안테나의 최적화 이후에 수집된 데이터를 평가 데이터 셋으로 분류할 수 있다.

또한 제어부(120)는, 복수의 기지국 중 일부 기지국을 신설될 기지국으로 가정하고, 신설될 기지국으로 가정한 기지국을 서빙 셀로 하는 데이터 셋을 평가 데이터 셋으로, 나머지 데이터 셋을 훈련 데이터 셋으로 분류할 수 있다.

또한 제어부(120)는, 안테나의 기계적 방위각 및 기계적 경사각의 추정의 대상이 되는 기지국(또는 안테나)과 관련된 데이터 셋을 제외하고, 나머지 기지국(또는 안테나)와 관련된 데이터 셋을 훈련 데이터 셋으로 분류할 수도 있다.

한편 제어부(120)는 평가 데이터 셋에 포함되는 무선망 파라미터 및 환경 정보를 인공지능 모델(200)에 입력할 수 있다. 그리고 인공지능 모델(200)이 신호 품질 값의 예측 값을 출력하면, 제어부(120)는 평가 데이터 셋에 포함되는 신호 품질 값의 실측 값 및 인공지능 모델(200)이 출력한 신호 품질 값의 예측 값의 차이에 기반한 평가를 수행하고, 인공지능 모델(200)의 재 트레이닝 여부를 결정할 수 있다.

다음으로, 제어부(120)는 통신부(110)를 통하여 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 수집할 수 있다(S320).

여기서 현행화 대상 안테나와 관련된 무선 품질 측정 데이터는, 앞서 설명한 인공지능 모델(200)의 트레이닝 과정에서 미리 수집될 수도 있으며, 인공지능 모델(200)의 트레이닝이 완료된 이후에 별도로 수집되는 것도 가능하다.

한편 제어부(120)에서 수집한 무선 품질 측정 데이터는, 측정 지점(무선 신호의 수신 점)에서의 신호 품질 값의 실측 값을 포함할 수 있다. 또한 무선 품질 측정 데이터는, 무선 품질 측정 데이터가 측정된 지점(수신 점)에 대한 위치 정보, 신호를 전송한 안테나의 PCI (Physical Cell ID) 등을 더 포함할 수 있다.

이 중 측정 지점(수신점)에 대한 위치 정보는, 무선 신호의 수신점과 관련된 환경 정보를 선정하는데 사용될 수 있다.

또한 제어부(120)는 수집된 무선 품질 측정 데이터 중 현행화 대상 안테나의 PCI를 서빙 셀(Serving Cell) 또는 이웃 셀(neighbor Cell)로 가지는 무선 품질 측정 데이터를 선별할 수 있다. 이 경우 선별된 무선 품질 측정 데이터는, 현행화 대상 안테나의 기계적 방위각 및 기계적 경사각을 추정하는데 사용될 수 있다.

한편 PCI의 수가 5G에서는 1008개, LTE에서는 504개로 제한됨에 따라, PCI는 재 사용된다. 따라서 제어부(120)는 현행화 대상 안테나의 PCI를 포함하는 무선 품질 측정 데이터 중에서, 현행화 대상 안테나와 먼 거리에서 측정된 무선 품질 측정 데이터를 제외하고, 나머지를 선별할 수 있다.

이 경우 제어부(120)는 IQR(Inter Quantile Range) 방식으로, 현행화 대상 안테나와 먼 거리에서 측정된 무선 품질 측정 데이터를 제외할 수 있다.

한편 다음 단계의 동작을 수행하기 이전, 제어부(120)는 무선망 파라미터에 포함되는 요소들 중, 기계적 방위각 및 기계적 경사각을 제외한 기타 요소를 현행화 할 수 있다.

구체적으로, 무선망 파라미터는 현행화 대상 안테나 및 현행화 대상 안테나를 운용하는 기지국과 관련된 다양한 요소를 포함할 수 있다. 예를 들어 무선망 파라미터는, 현행화 대상 안테나의 기계적 방위각(Mechanical Azimuth) 및 현행화 대상 안테나의 기계적 경사각(Mechanical Tilt), 현행화 대상 안테나의 전기적 방위각(Electric Azimuth), 현행화 대상 안테나의 전기적 경사각(Electric Tilt), 현행화 대상 안테나의 위치, 현행화 대상 안테나의 높이, 현행화 대상 안테나의 타입, 기지국(Radio Unit, RU) 출력, 제어 빔 옵션, 현행화 대상 안테나의 안테나 이득(수평 안테나 이득, 수직 안테나 이득) 등을 포함할 수 있다.

그리고 기계적 방위각 및 기계적 경사각을 제외한 기타 요소의 경우, 현장 엔지니어나 망 관리자의 방문 없이, 그리고 본 발명에서 설명하는 기계적 방위각 및 기계적 경사각의 현행화 방법을 사용하는 것 없이도, 현행화가 가능한 값일 수 있다.

예를 들어 안테나의 위치 및 높이는, 안테나 또는 기지국의 신설 및 이설을 제외하고는 변동되지 않는 값이다. 또한 안테나 타입의 경우, 물리적인 안테나를 교체하는 경우에 변경되는 값이다. 따라서 제어부(120)는 안테나의 위치, 높이 및 타입의 초기 값(예를 들어 설계도나 스펙 상에서 명시된 값)을 그대로 사용할 수 있다.

다른 예를 들어, 전기적 방위각(Electric Azimuth), 전기적 경사각(Electric Tilt), 기지국(Radio Unit, RU) 출력, 제어 빔 옵션 등은, 원격의 시스템(예를 들어 EMS(Element Management System))에서, 파악 및 변경이 가능한 값이다.

구체적으로 전기적 방위각과 전기적 경사각은, 물리적인 방위각과 경사각 변경 없이, 안테나의 파라미터 변경을 통해서 안테나에 방위각과 경사각을 주는 것이다. 특히 5G 이동 통신 시스템에서는, 현장 엔지니어의 현장 출동 없이, 원격에서 전기적 방위각 및 전기적 경사각 모두를 조정하는 것이 가능하다.

또한 5G 이동 통신 시스템에서의 안테나 일체형 RU들은, 안테나 교체 없이, 관리 시스템에서 운용 파라미터를 변경하여 제어 빔 옵션을 변경하는 방식으로 안테나의 방사 패턴을 변경할 수 있다. 이에 따라 제어 빔 옵션 역시, 원격에서 파악 및 변경이 가능한 값이다.

따라서 제어부(120)는 현행화 대상 안테나의 전기적 방위각(Electric Azimuth), 전기적 경사각(Electric Tilt), 기지국(Radio Unit, RU) 출력, 제어 빔 옵션 등의 값을 획득하여 현행화 할 수 있다.

여기서 현행화의 기준이 되는 시점은, 무선 품질 측정 데이터의 측정 시점일 수 있다. 즉 제어부(120)는 무선 품질 측정 데이터의 측정 시점 당시의 값으로 무선망 파라미터를 현행화 할 수 있다.

한편 기계적 방위각 및 기계적 경사각은, 안테나 고정용 폴 또는 벽면에 안테나를 부착할 때 물리적으로 방위각과 경사각을 할당하는 것이다. 그리고 기계적 방위각과 기계적 경사각의 경우, 기지국의 신설 및 이설 이후로도 빈번하게 변경된다. 예를 들어 현장 엔지니어는 최적화를 위하여 안테나의 기계적 방위각 및 기계적 경사각을 변경할 수 있다. 또한 기계적 방위각과 기계적 경사각은 원격에서 파악이 불가능한 값이다. 따라서 기계적 방위각과 기계적 경사각은 아래의 동작을 통하여 추정되게 된다.

다음으로, 제어부(120)는 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 안테나의 기계적 방위각을 결정할 수 있다(S330).

구체적으로 제어부(120)는, 현행화 대상 안테나와 관련된 무선 품질 측정 데이터가 수집된 복수의 수신점의 위치를 획득할 수 있다. 예를 들어 제어부(120)는 현행화 대상 안테나의 PCI를 포함하는 무선 품질 측정 데이터를 선별하고, 선별된 무선 품질 측정 데이터가 수집된 위치를 획득할 수 있다.

그리고 제어부(120)는 복수의 수신점의 위치를 이용하여 복수의 수신점의 무게 중심(centroid) 점을 산출하고, 현행화 대상 안테나의 위치와 무게 중심 점의 위치에 기초하여 현행화 대상 안테나의 기계적 방위각을 결정할 수 있다.

이 경우 제어부(120)는, 무선 품질 측정 데이터가 수집된 복수의 수신점 중 신호 품질 값의 실측 값이 더 높은 특정 백분위수의 수신 점들을 선정하고, 선정된 수신 점들의 무게 중심 점을 산출할 수 있다. 그리고 제어부(120)는 현행화 대상 안테나의 위치와 무게 중심 점의 위치에 기초하여 현행화 대상 안테나의 기계적 방위각을 결정할 수 있다.

구체적으로, 일반적으로 이동 통신 시스템에는 무선 품질 향상과 간섭 억제를 위하여 지향성 안테나가 사용된다. 따라서 안테나의 방위각 범위는, 안테나 주엽(main lobe), 부엽(side lobe) 및 후엽(back lobe)을 포함할 수 있다.

그리고 안테나의 주엽(main lobe) 방향으로 송출되는 무선 신호에는 안테나 이득이 크게 적용되기 때문에, 안테나의 주엽(main lobe) 방향에 위치한 수신 점들에서 측정되는 RSRP는, 안테나의 부엽(side lobe) 및 후엽(back lobe) 방향에 위치한 수신 점들에서 측정되는 RSRP보다 크다.

따라서 제어부(120)는 무선 품질 측정 데이터가 수집된 복수의 수신점 중 신호 품질 값의 실측 값이 더 높은 수신 점들을 선정할 수 있다. 이 경우 제어부(120)는 신호 품질 값의 실측 값이 더 높은, 특정 백분위의 수신 점들을 선정할 수 있다. 예를 들어 특정 백분위가 90인 경우, 제어부(120)는 복수의 수신점 중 상위 10프로의 실측 값이 측정된 10프로의 수신 점들을 선정할 수 있다.

이 경우 제어부(120)는 선정된 수신 점들의 위치를 이용하여, 선정된 수신점 들의 위치를 조합한 새로운 위치를 산출할 수 있다. 여기서 새로운 위치는, 선정된 수신 점들의 무게 중심 점을 포함할 수 있다.

그리고 제어부(120)는 무게 중심 점의 위치와 현행화 대상 안테나의 위치에 기초하여 안테나의 기계적 방위각을 결정할 수 있다. 즉 안테나와 무게 중심 점을 연결하는 선의 각도가, 안테나의 기계적 방위각으로 결정될 수 있다.

도 5는 RSRP에 서로 다른 백분위를 적용하여 무게 중심 점을 산출한 경우, 기계적 방위각 추정의 정확도를 평가한 결과이다.

20의 백분위를 적용했을 때의 평균 절대 오차(Mean Absolute Error: MAE)는 평균 27 dB, 50의 백분위를 적용했을 때의 평균 절대 오차(Mean Absolute Error: MAE)는 평균 21 dB, 70의 백분위를 적용했을 때의 평균 절대 오차(Mean Absolute Error: MAE)는 평균 21 dB, 90의 백분위를 적용했을 때의 평균 절대 오차(Mean Absolute Error: MAE)는 평균 18 dB 로써, 더 높은 백분위를 적용한 경우에 기계적 방위각 추정의 정확도가 높아지는 것을 알 수 있다.

즉, 더 높은 백분위를 적용할수록, 안테나의 주엽(main lobe) 방향에 위치하는 수신 점들이 남을 확률이 높아지기 때문에, 기계적 방위각 추정의 정확도가 높아지는 것을 알 수 있다.

다음으로, 제어부(120)는 결정된 기계적 방위각을 포함하고, 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성할 수 있다(S340).

구체적으로 제어부(120)는 S330에서 결정된 기계적 방위각을 고정한 상태에서, 기계적 경사각을 변경하면서 복수의 무선망 파라미터를 생성할 수 있다. 또한 제어부(120)는 안테나가 가질 수 있는 기계적 경사각 범위 내에서, 기계적 경사각을 변경하면서 복수의 무선망 파라미터를 생성할 수 있다.

예를 들어 S330에서 결정된 기계적 방위각이 170도인 것으로 가정하고, 현행화 대상 안테나가 가질 수 있는 기계적 경사각이 0 내지 50도인 것으로 가정한다. 이 경우 제어부(120)는 170도의 기계적 방위각 및 0도의 기계적 경사각을 포함하는 제1 무선망 파라미터, 170도의 기계적 방위각 및 1도의 기계적 경사각을 포함하는 제2 무선망 파라미터, 170도의 기계적 방위각 및 3도의 기계적 경사각을 포함하는 제3 무선망 파라미터를 생성할 수 있다. 그리고 이와 같은 방식으로, 제어부(120)는 170도의 기계적 방위각 및 50도의 기계적 경사각을 포함하는 제50 무선망 파라미터까지 생성할 수 있다.

즉 제어부(120)에 의해 생성되는 복수의 무선망 파라미터는, S330에서 결정된 기계적 방위각을 동일하게 포함할 수 있다.

또한 앞서 설명한 바와 같이, 인공지능 모델(200)은 다양한 요소들을 포함하는 무선망 파라미터를 이용하여 트레이닝 되었다.

따라서 제어부(120)에 의해 생성되는 복수의 무선망 파라미터 역시, 기계적 방위각 및 기계적 경사각을 제외한 기타 요소(현행화 대상 안테나의 전기적 방위각(Electric Azimuth), 현행화 대상 안테나의 전기적 경사각(Electric Tilt), 현행화 대상 안테나의 위치, 현행화 대상 안테나의 높이, 현행화 대상 안테나의 타입, 기지국(Radio Unit, RU) 출력, 제어 빔 옵션, 현행화 대상 안테나의 안테나 이득 등)를 포함할 수 있다.

또한 기계적 방위각 및 기계적 경사각을 제외한 기타 요소는 무선 품질 측정 데이터의 측정 시점을 기준으로 현행화 된 상태이다. 그리고 제어부(120)에 의해 생성되는 복수의 무선망 파라미터 모두는, 상기 기타 요소를 동일하게 포함할 수 있다.

정리하면, 제어부(120)에 의해 생성되는 복수의 무선망 파라미터는, 서로 다른 기계적 경사각을 포함할 수 있다. 또한 제어부(120)에 의해 생성되는 복수의 무선망 파라미터는, 기계적 경사각을 제외한 다른 요소들을 모두 동일하게 포함할 수 있다.

즉 이후에서 설명하는 인공지능 모델(200)의 신호 품질 값의 예측은, 다른 요소들은 동일하되 기계적 경사각만 상이한 입력 데이터를 이용하여 수행될 수 있다.

다음으로, 제어부(120)는 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델(200)에 제공하여 인공지능 모델이 출력한 수신 신호 세기의 예측 값들을 획득할 수 있다(S350).

구체적으로 제어부(120)는 제1 무선망 파라미터(예를 들어, 70의 기계적 방위각, 0도의 기계적 경사각 및 기타 요소를 포함) 및 제1 수신 점과 관련된 환경 정보를 인공지능 모델(200)에 입력할 수 있다. 이 경우 인공지능 모델(200)은 제1 무선망 파라미터 및 제1 수신점과 관련된 환경 정보를 이용하여 제1 수신 점에서의 신호 품질 값의 제1 예측 값을 출력할 수 있다.

또한 제어부(120)는 제2 무선망 파라미터(예를 들어, 70의 기계적 방위각, 1도의 기계적 경사각 및 기타 요소를 포함) 및 제1 수신 점과 관련된 환경 정보를 인공지능 모델(200)에 입력할 수 있다. 이 경우 인공지능 모델(200)은 제2 무선망 파라미터 및 제1 수신점과 관련된 환경 정보를 이용하여 제1 수신 점에서의 신호 품질 값의 제2 예측 값을 출력할 수 있다.

이와 같은 방식으로, 제어부(120)는 복수의 무선망 파라미터 및 환경 정보를 순차적으로 인공지능 모델(200)에 제공하고, 인공지능 모델(200)이 순차적으로 출력하는 복수의 예측 값을 획득할 수 있다.

다음으로, 제어부(120)는 무선 품질 측정 데이터에 포함되는 수신 신호 세기의 실측 값과 예측 값들의 차이 들에 기반하여 안테나의 기계적 경사각을 결정할 수 있다(S360).

구체적으로 기계적 방위각 및 기계적 경사각의 현행화 장치(100)는 제1 수신점에서의 신호 품질 값의 실측 값을 이미 보유하고 있다. 따라서 제어부(120)는 제1 수신점에서의 신호 품질 값의 실측 값과, 인공지능 모델(200)이 출력한 복수의 예측 값 간의 차이 들을 산출할 수 있다. 이 경우 실측 값과 예측 값 간의 차이는, 실측 값과 예측 값 간의 제곱근 편차(Root Mean Square Error: RMSE)일 수 있다.

예를 들어 제어부(120)는 ‘제1 수신점에서의 신호 품질 값의 실측 값’과, ‘제1 무선망 파라미터 및 제1 수신점과 관련된 환경 정보에 기반하여 인공지능 모델(200)이 출력한 제1 예측 값’ 간의 제1 차이 값(제곱근 편차(Root Mean Square Error: RMSE))을 산출할 수 있다.

또한 제어부(120)는 ‘제1 수신점에서의 신호 품질 값의 실측 값’과, ‘제2 무선망 파라미터 및 제1 수신점과 관련된 환경 정보에 기반하여 인공지능 모델(200)이 출력한 예측 값’ 간의 제2 차이 값(제곱근 편차(Root Mean Square Error: RMSE))을 산출할 수 있다.

동일한 방식으로, 제어부(120)는 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값을 산출할 수 있다.

그리고 복수의 무선망 파라미터 중 제1 무선망 파라미터에 기반하여 인공지능 모델(200)이 출력한 예측 값과 실측 값의 차이가 가장 작은 경우, 제어부(120)는 제1 무선망 파라미터에 포함된 기계적 경사각을 안테나의 기계적 경사각으로 결정할 수 있다.

예를 들어 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 제1 무선망 파라미터에 대응하는 차이 값이 가장 작은 경우를 가정한다. 그리고 제1 무선망 파라미터는 0도의 기계적 경사각을 포함한다. 이 경우 제어부(120)는 제1 무선망 파라미터에 포함된 0도의 기계적 경사각이 현행화 대상 안테나의 기계적 경사각인 것으로 최종 결정할 수 있다.

즉 무선망 파라미터는 기계적 방위각, 기계적 경사각 및 기타 요소를 포함하고, 기타 요소는 미리 현행화가 된 상태이다. 또한 S330에 의해 기계적 방위각이 결정되고, S340 내지 S360에 의해 기계적 경사각이 결정된다. 따라서 현행화 대상 안테나에 대한 무선망 파라미터의 모든 요소들이 현행화 될 수 있다.

도 6은 본 발명에 따른, 복수의 수신 점에서 측정된 무선 품질 측정 데이터를 이용하여 안테나의 기계적 경사각을 산출하는 방법을 설명하기 위한 도면이다.

설명의 편의를 위해, 동일한 기계적 방위각(170도) 및 서로 다른 기계적 경사각(2도, 0도, 5도)을 포함하는 3개의 무선망 파라미터가 존재하고, 수신점이 10개인 것으로 가정한다.

이 경우 제1 무선망 파라미터는 170도의 기계적 방위각, 2도의 기계적 경사각 및 기타 요소를 포함한다. 또한 제2 무선망 파라미터는 170도의 기계적 방위각, 0도의 기계적 경사각 및 기타 요소를 포함한다. 또한 제3 무선망 파라미터는 170도의 기계적 방위각, 5도의 기계적 경사각 및 기타 요소를 포함한다.

그리고 제어부(120)는 제1 무선망 파라미터에 대응하는 제1 예측 값을 산출할 수 있다. 이 경우 제어부(120)는 제1 무선망 파라미터 및 복수의 수신 점에 각각 대응하는 복수의 환경 정보를 이용하여 제1 예측 값을 산출할 수 있다.

구체적으로 제어부(120)는 제1 무선망 파라미터 및 제1 수신점에 대응하는 제1 환경 정보를 인공지능 모델(200)에 제공하여, 제1 무선망 파라미터에 대응하는 제1-1 예측 값을 획득할 수 있다. 또한 제어부(120)는 제1 무선망 파라미터 및 제2 수신점에 대응하는 제2 환경 정보를 인공지능 모델(200)에 제공하여, 제1 무선망 파라미터에 대응하는 제1-2 예측 값을 획득할 수 있다.

이와 같은 방식으로, 제어부(120)는 제1 무선망 파라미터를 고정한 상태에서, 제1 내지 제10 수신점에 각각 대응하는 제1 내지 제10 환경 정보를 인공지능 모델(200)에 제공하여, 제1-1 내지 제1-10 예측 값을 획득할 수 있다.

또한 제어부(120)는 제1-1 예측 값 및 제1 수신점에서 측정된 무선 품질 측정 데이터에 포함되는 제1 실측 값의 차이와, 제1-2 예측 값 및 제2 수신점에서 측정된 무선 품질 측정 데이터에 포함되는 제2 실측 값의 차이를 이용하여 제1 무선망 파라미터에 대응하는 제1 예측 값을 획득할 수 있다.

구체적으로 제어부(120)는 제1-1 예측 값 및 제1 수신점에서 측정된 무선 품질 측정 데이터에 포함되는 제1 실측 값을 이용하여 제1-1 차이 값을 획득할 수 있다. 또한 제어부(120)는 제1-2 예측 값 및 제2 수신점에서 측정된 무선 품질 측정 데이터에 포함되는 제2 실측 값을 이용하여 제1-2 차이 값을 획득할 수 있다. 그리고, 동일한 방식으로, 제어부(120)는 제1-1 내지 제1-10 차이 값을 획득할 수 있다.

이 경우 제어부(120)는 제1-1 내지 제1-10 차이 값을 이용하여, 제1 무선망 파라미터에 대응하는 제1 차이 값을 획득할 수 있다. 도 6에서는 2도의 기계적 경사각을 포함하는 제1 무선망 파라미터에 대응하는 제1 차이 값이 5.0 dB인 것으로 도시되어 있다.

동일한 방식으로, 제어부(120)는 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값을 산출할 수 있다. 예를 들어 도 6에서는, 0도의 기계적 경사각을 포함하는 제2 무선망 파라미터에 대응하는 제2 차이 값이 23.8 dB인 것으로 도시되어 있으며, 5도의 기계적 경사각을 포함하는 제3 무선망 파라미터에 대응하는 제3 차이 값이 18.1 dB인 것으로 도시되어 있다.

그리고 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 상기 제1 차이 값이 가장 작은 경우, 제어부(120)는 제1 무선망 파라미터에 포함된 기계적 경사각을 안테나의 기계적 경사각으로 결정할 수 있다. 즉 제1 무선망 파라미터에 대응하는 제1 차이 값은 5.0 dB이고, 제2 무선망 파라미터에 대응하는 제2 차이 값은 23.8 dB이며, 제3 무선망 파라미터에 대응하는 제3 차이 값은 18.1 dB이다. 따라서 제어부(120)는 제1 무선망 파라미터에 포함된 기계적 경사각(2도) 을 안테나의 기계적 경사각으로 최종 결정할 수 있다.

도 7은 기계적 방위각 및 기계적 경사각의 현행화 방법을 적용한 실험 결과를 도시한 도면이다.

다양한 안테나(A 내지 I)에 대하여 실험을 수행하여 기계적 방위각 및 기계적 경사각을 추정하였다. 그리고 추정된 기계적 방위각과 실측된 기계적 방위각의 평균 절대 오차는 17.1도로, 추정된 기계적 경사각과 실측된 기계적 경사각의 평균 절대 오차는 5.6도로 산출되었다.

즉 본 발명에 따른 기계적 방위각 및 기계적 경사각의 현행화 방법으로, 상당한 수준의 정확도로 안테나의 기계적 방위각 및 기계적 경사각을 추정할 수 있음을 알 수 있다.

이와 같이 본 발명에 따르면, 안테나가 설치된 현장의 방문 없이도 안테나의 기계적 방위각 및 기계적 경사각을 현행화 할 수 있다. 이에 따라 현행화에 필요한 인력 및 시간을 절감하고, 현행화 시 발생할 수 있는 추락 등의 안전 사고 위험을 줄일 수 있는 장점이 있다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 서버의 프로세서(180)를 포함할 수도 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다.

110: 통신부 120: 제어부
130: 메모리

Claims (17)

1. 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하는 단계;
   상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계;
   상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계; 및
   상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 단계;를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
2. 제 1항에 있어서,
   상기 안테나의 기계적 경사각을 결정하는 단계는,
   상기 복수의 무선망 파라미터 중 제1 무선망 파라미터에 기반하여 상기 인공지능 모델이 출력한 예측 값과 상기 실측 값의 차이가 가장 작은 경우, 상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계;를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
3. 제 2항에 있어서,
   상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계는,
   상기 제1 무선망 파라미터 및 제1 수신점에 대응하는 제1 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-1 예측 값을 획득하는 단계; 및
   상기 제1 무선망 파라미터 및 제2 수신점에 대응하는 제2 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-2 예측 값을 획득하는 단계;를 포함하고,
   상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계는,
   상기 제1-1 예측 값 및 상기 제1 수신점에서 측정된 제1 실측 값의 차이와, 상기 제1-2 예측 값 및 상기 제2 수신점에서 측정된 제2 실측 값의 차이를 이용하여 상기 제1 무선망 파라미터에 대응하는 제1 차이 값을 획득하는 단계; 및
   상기 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 상기 제1 차이 값이 가장 작은 경우, 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는 단계;를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
4. 제 1항에 있어서,
   무선망 파라미터 및 환경 정보를 훈련 데이터로 사용하고 신호 품질 값을 레이블링 데이터로 사용하여 상기 인공지능 모델을 트레이닝 하는 단계;를 더 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
5. 제 1항에 있어서,
   상기 기계적 방위각 및 상기 기계적 경사각을 제외한, 무선망 파라미터에 포함되는 기타 요소를 현행화 하는 단계;를 더 포함하고,
   상기 기타 요소는,
   상기 안테나의 전기적 방위각, 상기 안테나의 전기적 경사각, 상기 안테나의 위치, 상기 안테나의 높이, 상기 안테나의 타입, 기지국 출력, 제어 빔 옵션 중 적어도 하나를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
6. 제 5항에 있어서,
   상기 복수의 무선망 파라미터는,
   상기 결정된 기계적 방위각 및 상기 기타 요소를 동일하게 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
7. 제 1항에 있어서,
   상기 안테나의 기계적 방위각을 결정하는 단계는,
   상기 안테나와 관련된 무선 품질 측정 데이터가 수집된 복수의 수신점의 위치를 획득하는 단계; 및
   상기 복수의 수신점의 위치를 이용하여 상기 복수의 수신점의 무게 중심 점을 산출하고, 상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정하는 단계;를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
8. 제 7항에 있어서,
   상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정하는 단계는,
   상기 무선 품질 측정 데이터가 수집된 복수의 수신점 중 상기 신호 품질 값의 실측 값이 더 높은 특정 백분위의 수신 점들을 선정하고, 상기 선정된 수신 점들의 무게 중심 점을 산출하는
   기계적 방위각 및 기계적 경사각의 현행화 방법.
9. 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 수집하는 통신부; 및
   상기 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하고, 상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하고, 상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하고, 상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 제어부;를 포함하는
   기계적 방위각 및 기계적 경사각의 현행화 장치.
10. 제 9항에 있어서,
    상기 제어부는,
    상기 복수의 무선망 파라미터 중 제1 무선망 파라미터에 기반하여 상기 인공지능 모델이 출력한 예측 값과 상기 실측 값의 차이가 가장 작은 경우, 상기 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
11. 제 10항에 있어서,
    상기 제어부는,
    상기 제1 무선망 파라미터 및 제1 수신점에 대응하는 제1 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-1 예측 값을 획득하고,
    상기 제1 무선망 파라미터 및 제2 수신점에 대응하는 제2 환경 정보를 상기 인공지능 모델에 제공하여, 상기 제1 무선망 파라미터에 대응하는 제1-2 예측 값을 획득하고,
    상기 제1-1 예측 값 및 상기 제1 수신점에서 측정된 제1 실측 값의 차이와, 상기 제1-2 예측 값 및 상기 제2 수신점에서 측정된 제2 실측 값의 차이를 이용하여 상기 제1 무선망 파라미터에 대응하는 제1 차이 값을 획득하고,
    상기 복수의 무선망 파라미터에 각각 대응하는 복수의 차이 값 중 상기 제1 차이 값이 가장 작은 경우, 제1 무선망 파라미터에 포함된 기계적 경사각을 상기 안테나의 기계적 경사각으로 결정하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
12. 제 9항에 있어서,
    상기 제어부는,
    무선망 파라미터 및 환경 정보를 훈련 데이터로 사용하고 신호 품질 값을 레이블링 데이터로 사용하여 상기 인공지능 모델을 트레이닝 하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
13. 제 9항에 있어서,
    상기 제어부는,
    상기 기계적 방위각 및 상기 기계적 경사각을 제외한, 무선망 파라미터에 포함되는 기타 요소를 현행화 하고,
    상기 기타 요소는,
    상기 안테나의 전기적 방위각, 상기 안테나의 전기적 경사각, 상기 안테나의 위치, 상기 안테나의 높이, 상기 안테나의 타입, 기지국 출력, 제어 빔 옵션 중 적어도 하나를 포함하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
14. 제 13항에 있어서,
    상기 복수의 무선망 파라미터는,
    상기 결정된 기계적 방위각 및 상기 기타 요소를 동일하게 포함하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
15. 제 9항에 있어서,
    상기 제어부는,
    상기 안테나와 관련된 무선 품질 측정 데이터가 수집된 복수의 수신점의 위치를 획득하고,
    상기 복수의 수신점의 위치를 이용하여 상기 복수의 수신점의 무게 중심 점을 산출하고,
    상기 안테나의 위치와 상기 무게 중심 점의 위치에 기초하여 상기 안테나의 기계적 방위각을 결정하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
16. 제 15항에 있어서,
    상기 제어부는,
    상기 무선 품질 측정 데이터가 수집된 복수의 수신점 중 상기 신호 품질 값의 실측 값이 더 높은 특정 백분위의 수신 점들을 선정하고, 상기 선정된 수신 점들의 무게 중심 점을 산출하는
    기계적 방위각 및 기계적 경사각의 현행화 장치.
17. 현행화 대상 안테나와 관련된 무선 품질 측정 데이터를 이용하여 상기 안테나의 기계적 방위각을 결정하는 단계;
    상기 결정된 기계적 방위각을 포함하고, 상기 안테나가 가질 수 있는 기계적 경사각 범위 내의 서로 다른 기계적 경사각을 포함하는 복수의 무선망 파라미터를 생성하는 단계;
    상기 복수의 무선망 파라미터 및 환경 정보를 인공지능 모델에 제공하여, 상기 인공지능 모델이 출력한 신호 품질 값의 예측 값들을 획득하는 단계; 및
    상기 무선 품질 측정 데이터에 포함되는 신호 품질 값의 실측 값과 상기 예측 값들의 차이 들에 기반하여 상기 안테나의 기계적 경사각을 결정하는 단계;를 포함하는 기계적 방위각 및 기계적 경사각의 현행화 방법을 수행하기 위하여 매체에 저장된 컴퓨터 프로그램.
    

Images