IA Explicable con EDA para la Predicción de Pérdida de Trayectoria V2I

Área de la Ciencia:

• Comunicaciones Inalámbricas
• Aprendizaje Automático
• Propagación de Señales

Sus antecedentes:

• La predicción precisa de la pérdida de trayectoria (PL) es fundamental para la comunicación confiable de Vehículo a Infraestructura (V2I) en entornos urbanos complejos.
• Los modelos empíricos tradicionales y los métodos de aprendizaje automático (ML) de caja negra tienen limitaciones en cuanto a precisión, transparencia y idoneidad para aplicaciones V2X críticas para la seguridad.

Objetivo del estudio:

• Proponer un marco explicable de predicción de PL V2I.
• Mejorar la transparencia y la confiabilidad en los sistemas de comunicación V2X.
• Proporcionar explicaciones globales y locales sólidas de las contribuciones de las características en la predicción de PL.

Principales métodos:

• Integración de Análisis Exploratorio de Datos (EDA), filtrado optimizado de Kalman y modelos de ML interpretables (EBM, GAM, GNAM).
• Validación utilizando un conjunto de datos a gran escala en 24 escenarios urbanos heterogéneos.
• Evaluación mediante validación cruzada de 5 pliegues y ejecuciones de múltiples semillas.

Principales resultados:

• Los modelos interpretables demuestran una precisión competitiva en comparación con los enfoques de caja negra.
• El marco proporciona explicaciones globales y locales sólidas de las contribuciones de las características.
• Los modelos propuestos son computacionalmente factibles para el despliegue V2X en tiempo real.

Conclusiones:

• El marco explicable de predicción de PL V2I ofrece una solución transparente y confiable para futuros sistemas 5G/6G.
• Los modelos de ML interpretables son adecuados para aplicaciones V2X críticas para la seguridad que requieren explicabilidad.
• El estudio aborda consideraciones computacionales, en tiempo real y éticas para el despliegue práctico de V2X.