面向 6G OTFS 车载网络的延迈-多普勒域信道预测大模型
信号处理
2025-05-09 v2 机器学习
摘要
信道预测对于高速车载网络至关重要，因为它使能够预测未来的信道条件并主动调整通信策略。然而，由于高速车辆移动和复杂传输环境导致的显著多普勒效应和快速信道变化，实现准确的车载信道预测颇具挑战性。本文提出一种面向高速车载网络的创新性延迈-多普勒（DD）域信道预测框架。通过将信道表示转化为 DD 域，我们获得一种直观、稀疏且稳定的表述，紧密对应于底层物理传输过程，从而有效地将复杂的车载信道简化为一组具有增强可预测性的时间序列参数。进一步，我们利用大型人工智能模型预测这些 DD 域时间序列参数，凭借其处理时序相关性的先进能力。预训练大型 AI 模型的零样能力使得无需针对特定任务进行训练即可实现准确信道预测，而后续在特定车载信道数据上的微调进一步提升预测精度。广泛的仿真结果表明，我们的 DD 域信道预测框架有效果，大型 AI 模型在预测时间序列信道参数方面精度显著提升，从而凸显了该方法在稳健车载通信系统中的潜力。
引用
@article{arxiv.2503.01116,
title = {Large AI Model for Delay-Doppler Domain Channel Prediction in 6G OTFS-Based Vehicular Networks},
author = {Jianzhe Xue and Dongcheng Yuan and Zhanxi Ma and Tiankai Jiang and Yu Sun and Haibo Zhou and Xuemin Shen},
journal= {arXiv preprint arXiv:2503.01116},
year = {2025}
}
备注
This manuscript has been accepted by SCIENCE CHINA Information Sciences