基于 28 GHz 曼哈顿测量的机器学习城市峡谷路径损耗预测
信息论
2022-06-29 v1 信号处理
math.IT
摘要
毫米波的大带宽对 5G 及未来通信至关重要，但高路径损耗（PL）要求对 PL 进行高度精确的预测，以用于网络规划和优化。基于斜率-截距拟合的统计模型无法捕捉城市峡谷中观察到的大变化，而能够表征特定地点特征的射线追踪，在描述植被和街道杂乱以及相关的反射/衍射射线计算方面面临挑战。机器学习（ML）很有前景，但在 PL 预测中面临三个关键挑战：1）测量数据不足；2）缺乏对新街道的泛化能力；3）特征/模型过于复杂。我们提出了一种基于在曼哈顿进行的广泛 28 GHz 测量的 ML 城市峡谷 PL 预测模型，其中街道杂乱通过 LiDAR 点云数据集建模，建筑物通过网格建筑数据集建模。我们从点云中提取专家知识驱动的街道杂乱特征，并使用卷积自编码器积极压缩 3D 建筑信息。采用新的逐街训练和测试程序以提高泛化能力，所提出的同时使用杂乱和建筑特征的模型实现了 dB 的预测误差（RMSE），相比之下，3GPP LOS 和斜率-截距预测的误差分别为 dB 和 dB，其中标准差表示街道间的变化。仅使用四个最有影响的杂乱特征，即可实现 dB 的 RMSE。
引用
@article{arxiv.2202.05107,
title = {Machine Learning-based Urban Canyon Path Loss Prediction using 28 GHz Manhattan Measurements},
author = {Ankit Gupta and Jinfeng Du and Dmitry Chizhik and Reinaldo A. Valenzuela and Mathini Sellathurai},
journal= {arXiv preprint arXiv:2202.05107},
year = {2022}
}
备注
Accepted for publication at IEEE Transactions on Antennas and Propagation