基于视觉变换器的 3D 动态无线电图预测
机器学习
2026-01-06 v2
摘要
低空无线电网络（Low-altitude wireless networks, LAWN）正在快速扩张，得益于无人机（UAVs）在物流、监视和紧急响应领域的部署日益增多。由于三维（3D）移动性、时间可变的用户密度以及受限的功率预算，保持可靠的连接仍是一个关键且具有挑战性的任务。基站（BSs）的发射功率会根据用户位置和流量需求进行动态波动，导致高度非平稳的 3D 无线电环境。无线电图 (Radio maps, RMs) 已成为描述空间功率分布并支持无线电感知网络优化的有效手段。然而，大多数现有工作构建的是静态或离线的 RMs，忽略了多无人机网络中实时功率变化以及时空依赖性。为克服这一限制，我们提出了 3D 动态无线电图（3D-DRM）框架，通过学习和预测接收功率的时空演化。具体而言，视觉变换器（Vision Transformer, ViT）编码器从 3D RMs 中提取高维空间表征，基于变换器的模块建模序列依赖性，以预测未来的功率分布。实验结果表明，3D-DRM 能够准确捕捉快速变化的功率动态，在无线电图重建和短期预测方面显著优于基线模型。
引用
@article{arxiv.2511.19019,
title = {3D Dynamic Radio Map Prediction Using Vision Transformers for Low-Altitude Wireless Networks},
author = {Nguyen Duc Minh Quang and Chang Liu and Huy-Trung Nguyen and Shuangyang Li and Derrick Wing Kwan Ng and Wei Xiang},
journal= {arXiv preprint arXiv:2511.19019},
year = {2026}
}
备注
7 pages, 4 figures, submitted to IEEE ICC 2026