在环境变化下使用增强机器学习算法提高LoRaWAN性能

科学领域:

• 无线通信无线通信
• 机器学习 机器学习
• 环境传感器环境传感器

背景情况:

• 路径损失预测对于远程广域网 (LoRaWAN) 优化至关重要.
• 现有的机器学习 (ML) 模型往往忽略了动态环境因素,如温度,湿度,压力和颗粒物.

研究的目的:

• 为了评估五个增强ML模型 (AdaBoost,XGBoost,LightGBM,GentleBoost,LogitBoost) 在不同的环境条件下对LoRaWAN路径损失预测的性能.
• 将这些模型与理论方法和以前的研究进行比较,使用RMSE,MAE和R2.2等指标.
• 分析模型准确性和计算复杂性之间的权衡 (训练时间,推理延迟,模型大小,能源消耗).

主要方法:

• 实施和评估了五种促进ML算法:AdaBoost,XGBoost,LightGBM,GentleBoost和LogitBoost. 这些算法包括:
• 与Log-Distance和Okumura-Hata理论模型进行比较.
• 使用贝叶斯优化进行超参数调整.
• 使用根平均平方误差 (RMSE),平均绝对误差 (MAE) 和R2.2进行性能评估.
• 计算复杂性分析包括训练时间,推断延迟,模型大小和能源消耗.

主要成果:

• 在所有评估模型中,气压被确定为影响路径损失的最重要的环境因素.
• 轻GBM表现出卓越的性能,实现了最低的RMSE (0.5166) 和最高的R2 (0.7151).
• 轻GBM提供了预测准确性和计算效率之间的最佳平衡.

结论:

• 增强算法,特别是LightGBM,对于在LoRaWAN环境中准确预测路径损失非常有效,即使在动态环境条件下也是如此.
• 结合气压等环境因素,可以显著提高预测的准确性.
• 轻GBM为高效准确的LoRaWAN路径损失建模提供了一个引人注目的解决方案.