[论文解读] A Hybrid Model-Assisted Approach for Path Loss Prediction in Suburban Scenarios

Chenlong Wang, Bo Ai+6 more|arXiv (Cornell University)|Mar 10, 2026

Millimeter-Wave Propagation and Modeling被引用 0

一句话总结

该论文提出了一种模型辅助的混合路径损耗预测方法，将基于 CI 的经验建模与从多模态环境图像（卫星 + 高程）和系统参数中学习到的环境自适应补偿相结合，在郊区复杂地形和地物条件下实现了更高的预测精度。

ABSTRACT

Accurate path loss prediction is crucial for wireless network planning and optimization in suburban environments with complex terrain variation and diverse land cover. This paper proposes a model assisted hybrid path loss prediction method that introduces an environment adaptive compensation on top of the classic close-in free-space reference distance (CI) path loss model. By jointly predicting the path loss exponent and a compensation term, the proposed approach dynamically adjusts the empirical trend. To improve the effectiveness of environmental representation, three environmental image organization schemes are constructed and evaluated. Experiments on measurement data collected in Pingtan Island show that the proposed method outperforms the CI model and a conventional model assisted baseline, achieving a test root mean square error of 4.04 dB.

研究动机与目标

• 解决郊区复杂地形和地物条件下实现准确、就地特定的路径损耗预测的需求。
• 开发一个混合模型，将经验的 CI 路径损耗与从数据中学习的环境自适应补偿相结合。
• 探索多模态环境表示以提升路径损耗建模中的环境感知能力。
• 在平潭真实测量数据上验证该方法，并与基线和 CI 模型进行对比。

提出的方法

• 以 CI 路径损耗作为物理基线，由神经网络预测的环境相关路径损耗指数 n_hat。
• 将来自 ResNet-50 针对多模态环境图像（卫星 RGB 与高程）的 256 维图像特征，与 256 维系统特征（距离、FSPL、角度、海拔、CI 预测值）通过一个多头自注意力融合模块进行融合。
• 预测一个叠加补偿项 Delta_PL_hat 和一个自适应的路径损耗指数，将两者结合得到 PL_hat = PL_CI(f_c, d_3D; n_hat) + Delta_PL_hat。
• 使用 ReLU 激活对学习得到的指数进行正化约束，确保非负。
• 端到端训练，使用测量的路径损耗的 RMSE 作为损失函数；指数和补偿项不直接监督。
• 比较不同的图像格式（Resize、Stacksize、Fullsize）和骨架网络（ResNet-34/50）在是否包含融合模块的配置。
• 数据集：在平潭路线上的 1210 MHz（带宽 20 MHz）通道测量；训练/验证/测试分割为 9285/2207/3546 样本。

实验结果

研究问题

• RQ1 环境表示（多模态图像）如何影响郊区路径损耗预测的准确性？
• RQ2 一个联合学习环境自适应 PLE 与补偿的模型辅助框架是否能超过 CI 和传统的模型辅助方法？
• RQ3 图像组织格式与骨干网络的选择对预测性能有何影响？
• RQ4 提出的环境补偿是否更好地与测量路径损耗趋势和局部变化对齐？

主要发现

Model	RMSE (dB)	MAPE (%)	PCC
Proposed	4.04	2.57	0.93
Model-assisted	4.77	3.04	0.91
CI	5.58	3.63	0.87
Baseline	5.09	3.35	0.89

• 所提出的方法在测试集上实现 RMSE 4.04 dB、MAPE 2.57%、PCC 0.93。
• 所提出的方法优于 CI 模型（RMSE 5.58 dB、MAPE 3.63%、PCC 0.87）和传统的模型辅助基线（RMSE 4.77 dB、MAPE 3.04%、PCC 0.91）。
• 统一尺度的全链路环境表示（Resize）在 RMSE 方面低于 Stacksize 或 Fullsize。
• ResNet-50 搭配融合模块的性能优于 ResNet-34 和直接特征拼接。
• 网络隐式学习到正的路径损耗指数和自适应补偿项，形成物理上有据的、灵活的先验，更好地拟合郊区传播。