RadioMapMotion：用于主动时空无线环境预测的数据集与基线
网络与互联网体系结构
2025-11-25 v1 人工智能
摘要
无线电地图 (RM) 提供基于位置的路径损耗估计，对实现6G网络中的主动、环境感知通信至关重要。然而，现有基于深度学习的RM构建方法常将动态环境建模为一系列独立的静态快照，从而忽略了由动态实体运动引起的信号传播变化所固有的时序连续性。为此，本文提出时空RM预测任务，即从历史观察结果预测未来一系列地图的序列。为支持这一预测方法，一个关键障碍是缺乏捕获连续环境演变的数据集。为填补这一空白，本文引入RadioMapMotion，首个大规模公开的连续RM序列数据集，其由物理一致的车辆轨迹生成。作为本任务的基线，本文提出RadioLSTM，一种基于卷积长短期记忆 (ConvLSTM) 的UNet架构，专为多步序列预测而设计。实验评估表明，RadioLSTM在预测精度和结构保真度方面优于代表性基线方法。此外，模型表现出低推理延迟，表明其潜在适用于实时网络操作。本项目的源码将在论文接受后公开发布于：https://github.com/UNIC-Lab/RadioMapMotion。
引用
@article{arxiv.2511.17526,
title = {RadioMapMotion: A Dataset and Baseline for Proactive Spatio-Temporal Radio Environment Prediction},
author = {Honggang Jia and Nan Cheng and Xiucheng Wang},
journal= {arXiv preprint arXiv:2511.17526},
year = {2025}
}