机器学习用于改善城市车辆与基础设施通信系统中的路径丢失预测

科学领域:

• 无线通信无线通信
• 机器学习 机器学习
• 无线电传播 无线电传播

背景情况:

• 可靠的车辆到基础设施 (V2I) 通信对于智能交通系统至关重要.
• 准确的路径损失预测对于V2I系统设计和性能优化至关重要.
• 现有的实证模型可能会在复杂的城市无线电环境中扎.

研究的目的:

• 研究和比较机器学习模型的性能与V2I路径损失预测的传统实证模型.
• 开发一个增强的路径损失预测模型,包括环境分类系统.
• 在城市V2I场景中确定影响路径丢失的关键因素.

主要方法:

• 从八个路边单元 (RSU) 站点采集了5.9 GHz的经验路径损失测量.
• 机器学习模型,包括极端梯度增强 (XGBoost) 和多层感知器 (MLP),进行了训练和评估.
• 性能与传统的双斜坡和第三代伙伴关系项目 (3GPP) 模型在开放,郊区和密集城市化环境中进行了基准测试.
• 基于建筑密度,街道几何形状和发射器位置,开发了一个新的环境分类系统.

主要成果:

• 与传统模型相比,机器学习模型,特别是XGBoost,在较低的根平均平方误差 (RMSE) 方面表现出卓越的性能,特别是在复杂的城市环境中.
• 拟议的环境分类系统提高了预测的稳定性.
• 功能重要性分析确定了距离,环境类和发射器高度作为路径损失的关键预测因素.

结论:

• 机器学习技术,特别是XGBoost,在各种城市环境中为V2I路径损失预测准确性提供了重大进步.
• 开发的环境分类系统提高了预测可靠性.
• 结果为设计适应性和可靠的V2I通信系统提供了宝贵的见解.