V2Iパス損失予測のための説明可能なAIとEDA

科学分野:

• 無線通信
• 機械学習
• 信号伝搬

背景:

• 正確なパス損失（PL）予測は、複雑な都市環境における信頼性の高い車両-インフラ（V2I）通信にとって重要である。
• 従来の経験的モデルとブラックボックス機械学習（ML）手法は、精度、透明性、および安全クリティカルなV2Xアプリケーションへの適合性において限界がある。

研究 の 目的:

• 完全に説明可能なV2I PL予測フレームワークを提案する。
• V2X通信システムにおける透明性と信頼性を高める。
• PL予測における特徴量の寄与に関する堅牢なグローバルおよびローカルの説明を提供する。

主な方法:

• 探索的データ分析（EDA）、最適化されたカルマンフィルタリング、および解釈可能なMLモデル（EBM、GAM、GNAM）の統合。
• 24の異種都市シナリオにわたる大規模データセットを使用した検証。
• 5倍交差検証およびマルチシード実行による評価。

主要な成果:

• 解釈可能なモデルは、ブラックボックスアプローチと比較して競争力のある精度を示す。
• このフレームワークは、特徴量の寄与に関する堅牢なグローバルおよびローカルの説明を提供する。
• 提案されたモデルは、リアルタイムV2X展開に対して計算的に実行可能である。

結論:

• 説明可能なV2I PL予測フレームワークは、将来の5G/6Gシステムに透明で信頼性の高いソリューションを提供する。
• 解釈可能なMLモデルは、説明可能性を必要とする安全クリティカルなV2Xアプリケーションに適している。
• 本研究は、実用的なV2X展開における計算、リアルタイム、および倫理的な考慮事項に対処する。