RSRP 예측 Task에 대한 LSTM과 LLM의 비교

전체적인 데이터 개요

---

RSRP를 위한 데이터셋 역시 6가지 종류로 나뉜다.

크게는 Amazon_Prime 데이터, Download 데이터, Netflix 데이터로 구분되고,

이들은 다시 각각 Driving Data와 Static Data로 구분된다.

여기서는 Driving과 관련된 데이터만 사용할 것.

 

 

다양한 feature 값들이 있는데, Feature Selection을 통해 선정된 RSRP 값과 NRxRSRP를 학습에 사용하였다.

전처리된 csv 파일

 

 

이 경우에는 따로 log transform 없이 MinMaxScaling을 적용하여 학습하였다.

Test 데이터로 RSRP의 변화가 전체적으로 잘 확인되는 500초간의 TimeStamp를 선정하였다.

또한 Unsee-LSTM의 양상을 더 명확하게 확인하기 위해 학습되는 Data를 Driving Data vs Static Data로 나누었다.

 

 

 

 

LSTM과 LLM의 비교

---

1. Seen-LSTM

우선, 모든 Driving 데이터를 학습한 LSTM을 Download/Driving의 Testset에 적용한 결과는 아래와 같다.

 

 

2. LLM

그 다음으로, LLM을 Download Traffic Prediction에 활용한 결과는 아래와 같다.

LLM 모델로 Phi-3-mini 모델을 사용하였으며, Prompt는 아래와 같이 제시하였다.

    prompt = ChatPromptTemplate.from_messages([
        ("system", 
        "You are a precise LTE RSRP time-series forecaster. "
        "Given a sequence of past 5 measurements (NRxRSRP, RSRP), predict the NEXT timestep's RSRP (dBm). "
        "Analyze the temporal trend and patterns. Handle noise/spikes robustly. "
        "Output ONLY the predicted number; no explanation."),
        ("human", 
        f"Time-series sequence (past → present):\n{examples_text}\n\nPredict the next timestep:\n{target_text}")
    ])
    chain = prompt | llm_model

 

 

MAE는 비슷해보이지만, RMSE의 결과를 보니 Seen-LSTM에 비해 차이가 크다.

크게 변동하지 않는 RSRP의 특성으로 인한 결과이다.

 

 

3. Unseen-LSTM

마지막으로 모든 Static 데이터로 학습하고, Download/Driving 데이터에 대한 예측값이다.

Traffic 예측과 마찬가지로 LSTM이 테스트 데이터에 대한 지식을 학습하지 않은 상황을 나타낸다.

 

예상할 수 있듯 가장 성능이 떨어지는 결과가 나온다.