基于机器学习的Sub-6 GHz频段郊区环境路径损耗预测
信号处理
2025-10-02 v1
摘要
准确的路径损耗(PL)预测对于无线通信系统中的成功网络规划、天线设计和性能优化至关重要。已采用多种传统的PL预测方法，但已被证明缺乏灵活性和准确性。在本工作中，我们研究了机器学习(ML)模型在预测PL方面的有效性，特别是针对KAUST郊区校园的Sub-6 GHz频段。为了训练目的，我们使用射线追踪仿真技术生成合成数据集。ML-based PL模型的可行性和准确性通过合成和测量数据集进行了验证和确认。随机森林回归(RFR)和K近邻(KNN)算法与其他ML模型相比提供了最佳的PL预测精度。此外，我们将开发的ML-based PL模型的性能与传统传播模型进行了比较，包括COST-231 Hata、Longley-Rice和Close-in模型。结果表明ML-based PL模型优于传统模型。因此，结合射线追踪技术的ML方法可以为灵活预测和建模各种场景中的无线电波传播提供一种有前景且经济的解决方案。
引用
@article{arxiv.2510.00696,
title = {Machine Learning-based Path Loss Prediction in Suburban Environment in the Sub-6 GHz Band},
author = {Ferdaous Tarhouni and Muneer AlZubi and Mohamed-Slim Alouini},
journal= {arXiv preprint arXiv:2510.00696},
year = {2025}
}