[论文解读] Deep Learning for Moving Blockage Prediction using Real Millimeter Wave Measurements

Shunyao Wu, Muhammad Alrabeiah+3 more|arXiv (Cornell University)|Jan 18, 2021

Millimeter-Wave Propagation and Modeling参考文献 16被引用 6

一句话总结

本文提出了一种基于GRU的深度学习模型，利用实时接收信号功率序列预测毫米波通信中的移动遮挡。通过在功率动态中识别出‘遮挡前兆’，该模型在遮挡预测中实现了超过85%的准确率，并在时间预测上误差低于10个时间点，从而实现主动切换，提升网络可靠性。

ABSTRACT

Millimeter wave (mmWave) communication is a key component of 5G and beyond. Harvesting the gains of the large bandwidth and low latency at mmWave systems, however, is challenged by the sensitivity of mmWave signals to blockages; a sudden blockage in the line of sight (LOS) link leads to abrupt disconnection, which affects the reliability of the network. In addition, searching for an alternative base station to re-establish the link could result in needless latency overhead. In this paper, we address these challenges collectively by utilizing machine learning to anticipate dynamic blockages proactively. The proposed approach sees a machine learning algorithm learning to predict future blockages by observing what we refer to as the pre-blockage signature. To evaluate our proposed approach, we build a mmWave communication setup with a moving blockage and collect a dataset of received power sequences. Simulation results on a real dataset show that blockage occurrence could be predicted with more than 85% accuracy and the exact time instance of blockage occurrence can be obtained with low error. This highlights the potential of the proposed solution for dynamic blockage prediction and proactive hand-off, which enhances the reliability and latency of future wireless networks.

研究动机与目标

• 解决毫米波通信中动态遮挡导致的突发链路中断和高切换延迟问题。
• 克服现有方法依赖静态遮挡模型或外部传感器（如摄像头）的局限性。
• 开发一种仅使用接收信号功率序列的机器学习解决方案，以在遮挡发生前主动预测遮挡。
• 通过允许基站提前发起主动切换，实现可靠、低延迟的无线连接。

提出的方法

• 利用具有门控循环单元（GRUs）的循环神经网络（RNN）对接收信号功率序列中的时间依赖性进行建模。
• 在60GHz系统中采集的真实毫米波测量数据上训练模型，实验设置包含移动遮挡。
• 输入由连续10个时间点的接收功率组成，用于预测未来是否发生遮挡或遮挡的确切时间。
• 定义了两个预测任务：二分类（遮挡 vs. 无遮挡）和回归（遮挡发生的确切时间点）。
• 采用全模拟波 beamforming 架构，使用预定义码本和60GHz的OFDM信令，以实现真实的信道建模。
• 使用验证集上的Top-1准确率和平均绝对误差（MAE）及其标准差来评估性能。

实验结果

研究问题

• RQ1 基于真实接收功率序列训练的深度学习模型，能否在动态遮挡实际发生前预测其出现？
• RQ2 仅使用信号功率数据，该模型在预测遮挡发生的确切时间点方面效果如何？
• RQ3 接收功率动态中‘遮挡前兆’的存在在多大程度上提升了预测准确率？
• RQ4 随着预测时延（未来时间步数）的增加，预测准确率和时间误差如何变化？
• RQ5 所提出的方案能否优于仅依赖外部传感器或波束序列分析的现有方法？

主要发现

• 当预测未来6个时间点以内的遮挡时，模型在遮挡发生预测上的准确率超过85%。
• 在40个时间点的预测间隔下，Top-1准确率下降至约50%（随机猜测水平），表明长期预测性能明显下降。
• 对于遮挡时间点的预测，当预测间隔在10步以内时，平均绝对误差保持在1.9个时间点以下，波动性较低（±1.5）。
• 即使在40个时间点的预测时延下，平均绝对误差仍低于8个时间点，表明模型在长期预测中具有强鲁棒性。
• 接收功率序列中存在明显的‘遮挡前兆’是实现高精度预测的关键因素，尤其在遮挡即将发生时更为显著。
• 模型在短期预测中表现显著更优，证实了遮挡事件前瞬态信号动态的重要价值。