基于机器学习的建筑物射频信号损耗分类
机器学习
2026-04-28 v1
摘要
准确建模户外到室内（O2I）和室内到室内（I2I）信号损耗对于提高密集城市地区的室内无线网络性能至关重要。传统的现场测量成本高昂、耗时且在广大区域内难以实施。实际数据集往往噪声较大且不平衡，这使得信号损耗预测具有挑战性。本研究提出了一种用于分类射频（RF）建筑物损耗的机器学习框架。该框架将来自3GPP兼容网络的被动收集、众包用户设备（UE）数据与公共建筑信息相结合。我们评估了随机森林、XGBoost、LightGBM和投票分类器，分别使用监督学习（SL）和半监督学习（SSL）。与仅使用SL推断相比，本文提出的SL和SSL框架在相同的数据约束下提高了预测准确率和置信度，O2I损耗实现最高可达12.6%的相对精度提升，I2I损耗为3.4%，同时将预测熵降低最高可达8.4%。在所评估的模型中，SSL XGBoost为O2I损耗分类提供了最高的置信度，而SSL LightGBM在I2I损耗方面实现了最佳性能。这些结果表明，所提出的方法为传统模型提供了一种实用的数据驱动方法，具有促进更好网络规划和室内覆盖优化的前景。
引用
@article{arxiv.2604.24143,
title = {Machine-Learning-Based Classification of Radio Frequency Building Loss},
author = {Jiayi Tan and Neelabhro Roy and James Gross and Rohit Chandra and Tsao-Tsen Chen},
journal= {arXiv preprint arXiv:2604.24143},
year = {2026}
}
备注
Accepted as a short paper in International Conference on Telecommunications (ICT) 2026