利用无线特征进行阻塞预测：深度学习实现真实世界演示
信号处理
2021-11-17 v1 信息论
math.IT
摘要
克服链路阻塞挑战对于提升毫米波（mmWave）与亚太赫兹（sub-THz）通信网络的可靠性和时延至关重要。以往方法主要依赖（i）多连接，其未充分利用网络资源；或（ii）使用带外与非射频传感器预测链路阻塞，这会带来成本增加与系统复杂度上升。本文提出一种仅依赖带内 mmWave 无线测量来主动预测未来动态视距（LOS）链路阻塞的新方案。该方案利用深度神经网络以及我们称之为阻塞前无线特征的接收信号功率特殊模式来推断未来阻塞。具体而言，所开发的机器学习模型试图预测：（i）未来是否会发生阻塞？（ii）阻塞何时发生？（iii）阻塞类型为何？（iv）移动阻塞的方向为何？为评估所提方法，我们构建了一个包含近 百万个数据点（mmWave 测量值）的大规模真实世界数据集，涵盖室内与室外阻塞场景。使用该数据集的结果表明，所提方法能成功预测未来动态阻塞的发生，准确率超过 85%。此外，对于具有高度移动车载阻塞的室外场景，所提模型可预测未来 ms 内发生阻塞的精确时间，误差小于 ms。这些结果等凸显了所提主动阻塞预测方案的潜在增益，有望提升未来无线网络的可靠性与时延。
引用
@article{arxiv.2111.08242,
title = {Blockage Prediction Using Wireless Signatures: Deep Learning Enables Real-World Demonstration},
author = {Shunyao Wu and Muhammad Alrabeiah and Chaitali Chakrabarti and Ahmed Alkhateeb},
journal= {arXiv preprint arXiv:2111.08242},
year = {2021}
}
备注
Submitted to IEEE. The dataset and code files will be available on the DeepSense 6G website https://www.deepsense6g.net/