To compensate the loss from outdated channel state information in wideband massive multiple-input multiple-output (MIMO) systems, channel prediction can be performed by leveraging the temporal correlation of wireless channels. Machine learning (ML)-based channel predictors for massive MIMO systems were designed recently; however, the time overhead of training phase directly affects the latency of the system. In this paper, we propose a novel ML-based channel prediction technique, which can reduce both the time overhead of collecting training data and training a neural network by transforming the domain of channels from subcarrier to antenna in wideband massive MIMO systems. Numerical results show that the proposed technique can not only reduce the time overhead but also improve channel prediction performance compared to the ML-based channel prediction techniques without domain transformation.
거대 다중 안테나 통신 시스템에서 시간적으로 뒤처진 채널 상태 정보는 통신 성능을 저하시킨다. 무선 통신 채널의 시간적 상관을 이용한 채널 예측은 통신 성능 열화 문제를 해결할 수 있는데, 최근에는 기계 학습 기반 채널 예측 기법들이 활발하게 연구되고 있다. 하지만 기존의 기계 학습 기반 연구들은 학습 단계에서 소요되는 시간 오버헤드를 고려하고 있지 않다. 본 논문은 거대 다중 안테나 통신 시스템에서 기계 학습 기반의 채널 예측을 할 시에 발생하는 시간 오버헤드를 감소시키기 위한 기법을 제안한다. 특히 학습 데이터의 형태를 변환하여 시간 오버헤드를 감소시키면서도 채널 예측 성능을 유지하는 기법을 제안한다.
