基于众包数据和局部环境特征的无线射频指标建模机器学习方法
机器学习
2025-01-03 v1
摘要
本文提出了一套机器学习模型 CRC-ML-Radio Metrics，用于建模 4G 环境中的 RSRP、RSRQ 和 RSSI 无线射频指标。这些模型利用众包数据结合局部环境特征，以提高在室内高程和户外城市等复杂场景下的预测准确性。在 Toronto、蒙特利尔和温斯多华等加拿大城市测试了超过 30 万个数据点，评估结果显示，RSRP 的 RMSE 为 9.76至 11.69 dB，RSRQ 的 RMSE 为 2.90至 3.23 dB，RSSI 的 RMSE 为 9.50至 10.36 dB。这些结果表明了该模型方法的稳健性和适应性，支持在复杂的加拿大城市环境中实现精确的网络规划和服务质量优化。
引用
@article{arxiv.2501.01344,
title = {Machine Learning for Modeling Wireless Radio Metrics with Crowdsourced Data and Local Environment Features},
author = {Yifeng Qiu and Alexis Bose},
journal= {arXiv preprint arXiv:2501.01344},
year = {2025}
}
备注
6 pages, 12 figures