6G 네트워크에서 환경 인식을 위한 위치 기반 경로 손실 추정치인 Radio Map (RM)은 중요합니다. 기존 딥러닝 기반 RM 생성 방법은 동적 환경을 독립적인 정적 스냅샷으로 모델링하여 동적 객체의 움직임에 따른 신호 전파 변화의 시간적 연속성을 간과합니다. 본 논문에서는 과거 관측을 기반으로 미래 RM 시퀀스를 예측하는 시공간 RM 예측을 제안합니다. 연속적인 환경 변화를 포착하는 데이터셋의 부재가 예측 접근 방식의 주요 과제였으며, 이를 해결하기 위해 물리적으로 일관된 차량 궤적에서 생성된 연속 RM 시퀀스에 대한 최초의 대규모 공개 데이터셋인 RadioMapMotion을 소개합니다. 이 작업의 기준선으로 Convolutional Long Short-Term Memory (ConvLSTM)을 기반으로 하는 UNet 아키텍처인 RadioLSTM을 제안하여 다단계 시퀀스 예측을 수행합니다. 실험 결과 RadioLSTM이 기존 기준선 방법보다 높은 예측 정확도와 구조적 충실도를 달성했으며, 낮은 추론 지연 시간을 보여 실시간 네트워크 운영에 적합함을 시사합니다.
