[论文解读] Predicting the Path Loss of Wireless Channel Models Using Machine Learning Techniques in MmWave Urban Communications

Saud Alhajaj Aldossari, Kwang‐Cheng Chen|arXiv (Cornell University)|May 2, 2020

Advanced MIMO Systems Optimization参考文献 13被引用 4

一句话总结

本文提出了一种基于机器学习的方法，利用回归模型对城市环境中毫米波路径损耗进行预测，显著减少了对新测量数据的依赖。通过利用距离、延迟以及到达/出发角等特征，该方法在路径损耗预测中实现了高达72%的决定系数（R-squared）精度，表明在某一环境中训练的模型能够以高效率和低复杂度泛化到其他环境。

ABSTRACT

The classic wireless communication channel modeling is performed using Deterministic and Stochastic channel methodologies. Machine learning (ML) emerges to revolutionize system design for 5G and beyond. ML techniques such as supervise leaning methods will be used to predict the wireless channel path loss of a variate of environments base on a certain dataset. The propagation signal of communication systems fundamentals is focusing on channel modeling particularly for new frequency bands such as MmWave. Machine learning can facilitate rapid channel modeling for 5G and beyond wireless communication systems due to the availability of partially relevant channel measurement data and model. When irregularity of the wireless channels lead to a complex methodology to achieve accurate models, appropriate machine learning methodology explores to reduce the complexity and increase the accuracy. In this paper, we demonstrate alternative procedures beyond traditional channel modeling to enhance the path loss models using machine learning techniques, to alleviate the dilemma of channel complexity and time-consuming process that the measurements were taken. This demonstrated regression uses the measurement data of a certain scenario to successfully assist the prediction of path loss model of a different operating environment.

研究动机与目标

• 解决传统城市环境中毫米波信道建模所面临的高复杂度和高测量负担问题。
• 通过机器学习技术在不同城市场景间泛化模型，减少所需信道测量的数量。
• 利用监督学习技术，提升路径损耗预测精度，超越传统确定性和随机模型。
• 利用来自微城市（UMi）和宏城市（UMa）环境的真实信道测量数据，验证回归模型的有效性。

提出的方法

• 本研究采用监督机器学习回归技术，特别是线性回归和多元线性回归，对测量得到的毫米波信道数据进行处理。
• 所用特征包括收发器间距（米）、时间延迟（纳秒）、接收功率（dBm）、均方根延迟扩展（纳秒），以及以度为单位的出发角/到达角（AoD/AoA）。
• 路径损耗模型被表述为这些特征的线性函数：$\hat{PL} = \alpha + L_0[\text{dB}] + \dots + X_\sigma[\text{dB}]$，其中$L_0[\text{dB}]$表示参考路径损耗。
• 模型在微城市（UMi）环境的数据上进行训练，并在宏城市（UMa）环境中测试其泛化能力。
• 通过标准指标评估模型性能：平均绝对误差（MAE）、均方误差（MSE）、均方根误差（RMSE）和决定系数（$R^2$）。
• 该方法实现了从一种环境（如UMi）到另一种环境（如UMa）的迁移学习，最大限度减少了新的测量活动。

实验结果

研究问题

• RQ1 在某一城市环境中训练的机器学习模型，能否准确预测另一不同城市环境中路径损耗？
• RQ2 与单特征模型相比，引入多个信道特征（如延迟、角度、功率）对路径损耗预测精度有何影响？
• RQ3 回归模型在毫米波城市通信中，能在多大程度上减少所需信道测量的数量？
• RQ4 多元线性回归相较于简单线性回归，在预测毫米波路径损耗方面带来了多大的性能提升？

主要发现

• 使用八个特征（距离、延迟、功率、均方根延迟扩展以及AoD/AoA角度）的多元线性回归模型性能最佳，决定系数（R-squared）达到0.72。
• 在微城市（UMi）数据上训练的模型成功预测了宏城市（UMa）环境中的路径损耗，平均绝对误差（MAE）为6.66 dB。
• 均方根误差（RMSE）从单特征模型的11.25 dB降低至八特征模型的6.67 dB，表明预测精度显著提升。
• 决定系数（R-squared）从单特征模型的0.21提升至八特征模型的0.72，表明引入相关信道特征能显著增强模型拟合度和预测能力。
• 该模型展现出良好的泛化能力，可在新增环境中仅依赖少量额外测量即实现准确的路径损耗预测。
• 本研究证实，机器学习可有效降低毫米波信道建模的复杂度和测量负担，同时提升预测精度。