蜂窝连接无人机的经验性 3D 信道建模：一种三层机器学习方法
信号处理
2025-05-27 v1
摘要
本工作提出了一种专为蜂窝连接无人机 (UAVs) 设计的经验性空对地 (A2G) 传播模型。在运行中的长期演进 (LTE) 网络内进行了深入的空中路测，收集了关键网络参数的全面测量数据。对这些数据的严格预处理和统计分析为训练新的三层机器学习 (ML) 模型奠定了坚实基础。所提出的 ML 框架采用系统性的分层方法。相应地，前两层，即逐步线性回归 (STW) 和装袋树集成 (EBT)，独立生成预测；同时，第三层，即高斯过程回归 (GPR)，明确作为聚合层，细化这些预测以准确估计关键性能指标 (KPIs)，如参考信号接收功率 (RSRP)、参考信号接收质量 (RSRQ)、接收信号强度 (RSSI) 和路径损耗 (PL)。与传统的单层 ML 或计算密集型射线追踪方法相比，所提出的三层 ML 框架显著提高了预测准确性和鲁棒性，在训练中实现了约 99% 的准确率，在测试中达到 90% 以上，同时使用了最小但有效的特征集：对数变换的 3D 和 2D 传播距离、方位角和仰角。这种精简的特征选择大幅降低了计算复杂度，从而增强了在各种操作环境中的可扩展性。比较分析进一步证明了所提出框架在无人机集成蜂窝网络实际部署中的实用性和有效性，凸显了其显著改进。
引用
@article{arxiv.2505.19478,
title = {Empirical 3D Channel Modeling for Cellular-Connected UAVs: A Triple-Layer Machine Learning Approach},
author = {Haider A. H. Alobaidy and Mehran Behjati and Rosdiadee Nordin and Muhammad Aidiel Zulkifley and Nor Fadzilah Abdullah and Nur Fahimah Mat Salleh},
journal= {arXiv preprint arXiv:2505.19478},
year = {2025}
}
备注
This work has been submitted to the IEEE for possible publication