一种用于联网车辆网络中时空建模的生成式学习方法
信号处理
2020-03-17 v1 机器学习
摘要
无线接入时延的时空建模对联网车辆系统至关重要。建模结果的质量严重依赖于样本的数量与质量，而这些会因传感器部署密度以及交通流量与密度而显著变化。本文提出 LaMI（Latency Model Inpainting，时延模型修复），一种新颖的框架，用于生成联网车辆在大地理区域内无线接入时延的完整时空数据。LaMI 借鉴图像修复与合成的思想，可通过两步流程重建缺失的时延样本。具体而言，它首先利用基于分块的方法发现不同地区所收集样本间的空间相关性，然后将原始与高度相关的样本输入变分自编码器（VAE，一种深度生成模型），以生成与原始样本具有相似概率分布的时延样本。最后，LaMI 建立时延性能的经验 PDF 并将这些 PDF 映射至不同车辆业务需求的置信水平。我们利用某大学校园内商用 LTE 网络收集的真实轨迹进行了广泛的性能评估。仿真结果表明，与插值及基于最近邻的现有流行方案相比，我们所提模型能显著提升时延建模精度。
引用
@article{arxiv.2003.07004,
title = {A Generative Learning Approach for Spatio-temporal Modeling in Connected Vehicular Network},
author = {Rong Xia and Yong Xiao and Yingyu Li and Marwan Krunz and Dusit Niyato},
journal= {arXiv preprint arXiv:2003.07004},
year = {2020}
}
备注
6 pages, 8 figures. Accepted at IEEE International Conference on Communications (ICC), Dublin, Ireland, June 2020