基于可解释人工智能的大规模三维路径损耗预测模型以实现新兴自动驾驶网络
网络与互联网体系结构
2022-02-08 v1 机器学习
摘要
在现代无线通信系统中，用于估计路径损耗的电波传播建模一直是系统设计与优化中的基础任务。最先进的经验传播模型基于特定环境中的测量，在捕捉各种传播环境的特性方面能力有限。为应对此问题，商业规划工具中使用了基于射线追踪的解决方案，但它们往往极其耗时且昂贵。我们提出了一种基于机器学习(ML)的模型，利用新颖的关键预测因子来估计路径损耗。通过定量评估各种 ML 算法在预测、泛化和计算性能方面的能力，我们的结果表明，轻量梯度提升机(LightGBM)算法总体上优于其他算法，即使在稀疏训练数据下，与经验模型相比预测精度提高 65%，与射线追踪相比预测时间减少 13 倍。为解决阻碍大多数基于 ML 的模型被采用的 Interpretability 挑战，我们使用 SHapley Additive exPlanations (SHAP) 方法进行了广泛的二次分析，得出了许多具有实际用途的见解，可用于智能调优网络配置、真实网络中训练数据的选择性增强，以及构建更轻量的基于 ML 的传播模型以实现低时延用例。
引用
@article{arxiv.2201.12899,
title = {Interpretable AI-based Large-scale 3D Pathloss Prediction Model for enabling Emerging Self-Driving Networks},
author = {Usama Masood and Hasan Farooq and Ali Imran and Adnan Abu-Dayya},
journal= {arXiv preprint arXiv:2201.12899},
year = {2022}
}
备注
Accepted at IEEE Transactions on Mobile Computing