C-V2X信道特性與建模方法研究*

蘇昭陽，劉留**，樊圓圓，莊凌凡，王凱，王致遠，鄭勝潔，程立志，任婷婷

（1.北京交通大學，北京 100044；2.中國聯(lián)合網(wǎng)絡(luò)通信有限公司安徽分公司，安徽 合肥 230022）

0 引言

隨著智慧交通理念的興起，信息技術(shù)與汽車產(chǎn)業(yè)日益深度融合，車聯(lián)網(wǎng)（V2X,Vehicle-to-Everything）已經(jīng)成為未來智慧交通的關(guān)鍵解決方案。V2X 可以實現(xiàn)車輛與周圍的車、人、交通基礎(chǔ)設(shè)施和云等全方位連接和通信，可以有效提高信息的互聯(lián)互通能力，顯著提升駕駛的安全性與交通效率，降低事故發(fā)生率[1]。

目前車聯(lián)網(wǎng)的主流技術(shù)路線有兩種，分為專用短程通信（DSRC,Dedicated Short Range Communication）和蜂窩車聯(lián)網(wǎng)（C-V2X,Cellular Vehicle-to-Everything）。其中DSRC由美國最先提出，發(fā)展起步較早，但是其相比于C-V2X 缺乏演進路線，無法平滑過渡到5G，在提供高吞吐量、超低延遲與高可靠性的傳輸服務(wù)上也存在不足。另一方面，國內(nèi)C-V2X 相比于DSRC 具備更良好的研究基礎(chǔ)，各通信廠商都在積極推動C-V2X 的產(chǎn)業(yè)化，各車企也紛紛與通信企業(yè)聯(lián)合開展C-V2X 的技術(shù)測試，且國家層面也對C-V2X 技術(shù)有著強有力的指引與支持，因此在國內(nèi)C-V2X 屬于主導地位的車聯(lián)網(wǎng)技術(shù)，具備更長期的發(fā)展?jié)摿2]。

無線信道作為信息傳播的媒介，是通信系統(tǒng)設(shè)計的基礎(chǔ)，其特性決定了無線通信系統(tǒng)的性能。由于汽車行駛環(huán)境復雜多變，收發(fā)端和周圍散射體任意一方的移動，都會引起信號在傳輸過程中的多徑效應和多普勒效應，使車輛間信道特性發(fā)生變化，此外，V2X 通信場景特有的高工作頻段、低發(fā)射天線等特點也造成了V2X 通信系統(tǒng)與傳統(tǒng)蜂窩通信系統(tǒng)信道特性的顯著差異[3]，因此，研究V2X 通信系統(tǒng)的首要問題就是深入認識V2X 無線信道特性。

信道建模可以揭示無線信號在真實環(huán)境中的傳播特點，借助信道模型來了解V2X 信道的傳播特性，可以為V2X 通信系統(tǒng)設(shè)計和優(yōu)化提供有效的指導。目前，應用于V2X 通信的信道建模方法中，傳統(tǒng)建模方法缺少自動學習規(guī)律技術(shù)的支持，難以有效應對V2X 場景中信道數(shù)據(jù)海量化、多樣化的特點，而基于機器學習（ML,Machine Learning）的建模方法可以自動發(fā)現(xiàn)海量數(shù)據(jù)中的規(guī)律，并利用規(guī)律預測未知數(shù)據(jù)，逐漸在學術(shù)界和工業(yè)界得到了廣泛應用，成為了當下信道建模方法研究的熱點[4]。

本文概述了C-V2X 通信系統(tǒng)的信道特點與信道建模的方法。首先，介紹了C-V2X 的信道特性，利用實測數(shù)據(jù)對其大尺度特性與小尺度特性進行了分析，指出了與傳統(tǒng)蜂窩通信網(wǎng)絡(luò)信道特點的不同；其次，介紹了C-V2X的信道建模方法，分別概述了傳統(tǒng)信道建模方法與基于機器學習的信道建模方法，并進行了比較；最后，對全文的工作進行了總結(jié)，并給出了下一步研究方向。

1 C-V2X信道特性

1.1 C-V2X信道特點

與傳統(tǒng)蜂窩網(wǎng)絡(luò)通信系統(tǒng)相比，C-V2X 無線信道具備以下特點：

（1）工作頻段高。目前對C-V2X 的研究大多集中在5.2—5.9 GHz 頻段[5]，帶寬為20 MHz，高于傳統(tǒng)蜂窩網(wǎng)絡(luò)的工作頻段，頻段的升高使信號的傳播能力變差，受周圍環(huán)境的影響更加嚴重。

（2）發(fā)射端天線高度低。傳統(tǒng)蜂窩網(wǎng)絡(luò)基站一般架設(shè)在數(shù)十米的高度，天線周圍環(huán)境較為空曠，發(fā)射端信號受散射體影響較小。而C-V2X 發(fā)射端天線一般架設(shè)在信號燈或者車頂上，高度較低，一般在10 m 以內(nèi)，因此發(fā)射信號除了受到高大建筑物的遮擋以外，也容易受到周圍車輛的遮擋[6]，產(chǎn)生陰影衰落，且不同類型的車輛造成的陰影衰落程度也不同。

（3）接收端移動性高。C-V2X 的通信場景一般發(fā)生在行駛的車輛之間，車輛的高速移動使信道不具備廣義平穩(wěn)（WSS,Wide-Sense Stationary）特性，且車輛之間的網(wǎng)絡(luò)拓撲也會隨著收發(fā)端的移動而產(chǎn)生劇烈變化，進而導致信道特性的變化[7]。因此，傳統(tǒng)蜂窩網(wǎng)絡(luò)中的信道模型不再適用于C-V2X 場景。

（4）受環(huán)境影響大。由于實際道路的復雜性，車輛可能行駛在高速、城區(qū)、十字路口、隧道、立交橋、停車場等多種場景中，每一種場景下的信道都有獨特的特點。因此，想要充分認識C-V2X 信道，必須針對不同場景開展信道測量與建模工作，其中城區(qū)、鄉(xiāng)村、高速公路[8]為研究的熱點場景。

在對無線信道特性進行描述時，通常關(guān)注其大尺度衰落特性與小尺度衰落特性。大尺度衰落特性有助于規(guī)劃通信網(wǎng)絡(luò)的覆蓋范圍等工作，小尺度衰落特性有助于設(shè)計接收機和評估關(guān)鍵傳輸技術(shù)性能等工作[9]，二者對于無線通信系統(tǒng)的設(shè)計尤為重要。本文工作團隊在部分車聯(lián)網(wǎng)場景下開展了實地測量與信道建模工作，下面將基于城區(qū)直道和高速直道場景下的實測數(shù)據(jù)對C-V2X 的信道特性展開分析。

1.2 大尺度特性

大尺度衰落特性對分析C-V2X 信道的可用性、無線網(wǎng)絡(luò)的規(guī)劃、優(yōu)化以及干擾分析都十分重要，它描述了較長距離內(nèi)信號強度的緩慢變化情況，由路徑損耗和陰影衰落表示。大尺度衰落可由對數(shù)距離路徑損耗來描述：

其中，d0為參考距離；A0為截斷點，表示參考距離為d0時的路徑損耗；n為路徑損耗指數(shù)，在不同交通場景下有不同的數(shù)值，用于描述路徑損耗隨距離的變化情況；XSF為陰影衰落，服從均值為0、方差為σ的高斯分布，由障礙物的遮擋產(chǎn)生，如樹木、建筑物、車輛等。

本文工作團隊在上海市對5.9 GHz 頻段下的高速直道與城區(qū)直道信道進行了測量。其中高速道路測試全長500 m，城區(qū)道路測試全長440 m，V2I 發(fā)射端天線架設(shè)到路側(cè)，高度約為5 m，接收端天線均架設(shè)到車輛頂部的中間位置，高度約為2 m，兩個場景均沒有明顯遮擋區(qū)域，屬于視距傳輸，測量時車輛均從靜止加速到40 km/h，再勻速行駛。由于實際測試道路長度不同，為了保證數(shù)據(jù)分析的準確性，對高速場景與城區(qū)場景均截取收發(fā)端間距0-400 m 范圍的數(shù)據(jù)進行分析對比，得到如表1 所示的大尺度參數(shù)：

表1 大尺度衰落參數(shù)

其中，WINNER II D2a 模型為蜂窩通信中常用的信道模型，因此將WINNER II D2a 模型與高速道路場景的V2I 及V2V進行對比。從表1 中可以看出，WINNER II D2a 模型的路損指數(shù)小于測得的高速場景下V2I、V2V 的路損指數(shù)，這是因為傳統(tǒng)蜂窩網(wǎng)絡(luò)中基站架設(shè)的高度約為10～35 m，發(fā)端周圍沒有明顯的散射體，而V2I 天線高度約為4～6 m，一般架設(shè)到電警桿或者燈桿上，V2V 天線高度約為2 m，一般架設(shè)到車頂，因此V2V 發(fā)射的信號受到發(fā)端周圍散射體的影響最大，V2I 次之，這也導致V2I 及V2V 信道的路損指數(shù)大于同場景的蜂窩網(wǎng)絡(luò)模型的路損指數(shù)。通過與WINNER II D2a 模型的對比，說明了傳統(tǒng)蜂窩網(wǎng)絡(luò)模型不適合用于描述C-V2X 通信的大尺度特性。

此外，對比城區(qū)場景下與高速場景可以發(fā)現(xiàn)，城區(qū)場景的路損指數(shù)大于高速場景的路損指數(shù)，這是由于城區(qū)場景存在較多的散射體，例如密集的建筑物、路燈、植被、車輛等，導致傳播環(huán)境更加惡劣，信號質(zhì)量衰減更快。

1.3 小尺度特性

在C-V2X 場景中，大量車輛的高速移動使傳播信號產(chǎn)生了豐富的多徑分量，它們以不同的時間、不同的強度以及不同的角度到達接收端，造成接收信號幅度的快速變化，是造成小尺度衰落的主要因素[10]。

在多徑傳播條件下，由于各條多徑傳播時長不同，導致接收端的信號在時延域上出現(xiàn)色散，通常采用功率時延分布（PDP,Power-Delay Profile）的二階矩均方根（RMS,Root Mean Square）時延來描述時延擴展的程度。常用的RMS 時延擴展σt表示為：

其中，P(τk) 表示時延τk上抽頭的功率，由式(2)～ 式(4)可知，當只有1 條有效徑時，σt為0。表2 為本文工作團隊對5.9 GHz 頻段下城區(qū)直道與高速直道信道測量后得到的RMS 時延擴展統(tǒng)計結(jié)果：

表2 RMS時延擴展統(tǒng)計值

可以看出，V2V 場景下的RMS 時延明顯大于V2I 場景，這是因為V2V 場景是車輛間進行的通信，發(fā)射信號經(jīng)過的反射更多，從而產(chǎn)生了更多的多徑，導致RMS 時延也較大。此外，在V2I 場景下，城區(qū)環(huán)境的RMS 時延大于高速環(huán)境，這是因為高速環(huán)境更加開闊，多徑分量較少；而V2V 場景下，城區(qū)環(huán)境的RMS 時延小于高速環(huán)境，這是因為測試的天線擺放在車頂，同時城區(qū)交通密度較大，車輛間距相比高速環(huán)境很小，導致信號在收發(fā)端之間的傳播間距較小。因此，RMS 時延擴展受到多種因素影響，如天線位置[11]、信號所受遮擋[12]、交通密度[13]等。

小尺度衰落中另一個重要的現(xiàn)象是頻率色散，由多普勒效應產(chǎn)生，在頻域上表現(xiàn)為時間選擇性衰落，即信道特征在信號傳播過程中就發(fā)生了變化。無線信道的頻率色散特性通常利用多普勒功率譜表征。不同的入射角產(chǎn)生不同的多普勒頻移，因此所有多徑分量的疊加就形成了多普勒功率譜。對信道沖激響應的自相關(guān)函數(shù)進行離散傅里葉變換可以得到多普勒功率譜：

其中，v表示多普勒頻偏，{?}F表示DFT 運算；(?)*表示共軛運算；WFFT為DFT 窗的長度。與蜂窩通信不同，C-V2X通信中收發(fā)端均在運動，因此其多普勒頻移由收發(fā)端車輛速度與方向共同決定。文獻[7]指出，在收發(fā)端與周圍物體運動速度相同的情況下，C-V2X 中最大多普勒頻移可以達到蜂窩通信的4 倍，因此，在不同交通場景下研究多普勒頻移是一項非常有必要的工作。

圖1 為基于實測數(shù)據(jù)的高速場景下瞬時DPSD 和多普勒擴展，圖1（a）與圖1（b）分別選取了收發(fā)端相遇時的4 個DPSD 快照對比，圖1（a）中，收發(fā)端在38～41 s 相遇，可以看到這段時間內(nèi)的多普勒頻偏呈現(xiàn)快變特性，即從最大正頻偏向最小負頻偏快速變化，這種現(xiàn)象同樣發(fā)生在圖1（b）中39～42 s 的過程，可以看到瞬時DPSD 隨時間變化的特點，表明了C-V2X 信道的非平穩(wěn)特性。此外，兩種場景的多普勒功率譜均出現(xiàn)一定程度的多普勒擴展，如圖1（c）所示，V2V 對向行駛的多普勒擴展最大，V2I 次之，這是因為多普勒擴展除了與多徑數(shù)有關(guān)，也與多普勒頻偏有關(guān)，V2V 對向行駛的多徑數(shù)和多普勒頻偏均為最大。

圖1 高速道路場景的DPSD與多普勒擴展

綜上所述，C-V2X 信道的大尺度特性和小尺度特性與蜂窩通信存在很大不同，傳統(tǒng)信道模型不適用于C-V2X通信場景，因此有必要針對不同頻段、不同傳播環(huán)境、不同車輛速度展開更深入的研究，建立新的信道模型。

2 C-V2X信道建模方法

2.1 傳統(tǒng)信道建模方法

信道建模是探索并表征真實環(huán)境中信道傳播特性的過程，根據(jù)建模方法的差異可以將傳統(tǒng)信道建模方法分為確定性模型（GBDM,Geometry-based Deterministic Model）和隨機性模型，其中隨機性模型又分為基于幾何的隨機性模型（GBSM,Geometry-Based Stochastic Model）和非幾何隨機性模型（NGSM,Non-Geometrical Stochastic Model）。

確定性模型對傳播環(huán)境信息的依賴度很高，需要還原真實車輛的通信環(huán)境，模擬真實的信號傳播過程，常用方法為射線追蹤法。其優(yōu)點是可以精確反映出信道的特性，與實際更相符，但是其建模過程復雜、對環(huán)境精確信息要求高、計算量大，且由于環(huán)境的獨特性難以推廣到其他場景，因此一般只適用于小范圍、環(huán)境復雜度低的場景。C-V2X 場景復雜，遮擋物多，車輛的移動更使得信道具有顯著的時變特性，使用確定性建模獲取這種時變信道大量參數(shù)的過程具有一定的復雜性和挑戰(zhàn)性。

現(xiàn)在已經(jīng)有部分學者利用射線追蹤法對V2V 信道開展了建模工作，如文獻[14]利用射線追蹤法建立了城區(qū)十字路口V2V 信道確定性模型，對該場景的多徑分布進行了深入分析；文獻[15]在高速公路場景中利用3D 射線追蹤方法建立了確定性模型，并研究了不同天線位置對車車通信的影響。但是這些模型都缺少在大車流量密度情況下的研究，這也正是確定性模型在C-V2X 場景中應用的難點所在。

非幾何的隨機性模型假設(shè)散射體以完全隨機的方式分布在車聯(lián)網(wǎng)通信環(huán)境中，將每條多徑的相關(guān)參數(shù)（功率、時延、角度等）視為隨機變量，是一種基于多徑信道參數(shù)統(tǒng)計特性建立的信道模型。這種建模方式側(cè)重于實測數(shù)據(jù)，需要先對現(xiàn)實環(huán)境中的信道進行測量，對實測數(shù)據(jù)進行統(tǒng)計分析，提取其多徑參數(shù)以建立模型，通常有TDL與CDL 模型。TDL 模型將每一條可分辨多徑用抽頭來表示，依據(jù)收發(fā)端之間是否存在直射徑來建模為萊斯分布或者瑞利分布。CDL 模型將具有相似時延、到達角與離開角等參數(shù)的多徑劃分到一個簇內(nèi)，相比于TDL 模型更符合真實環(huán)境，但參數(shù)提取的工作量也相應增大。

非幾何的隨機性模型較為簡單，結(jié)果可推廣到類似場景，得到了廣泛使用。但是該模型也存在以下缺點：1）難以通過調(diào)整模型參數(shù)（如車流量、車輛軌跡等）將模型推廣到更廣泛的場景類別；2）沒有考慮C-V2X 場景中快時變性引起的信道非平穩(wěn)性；3）參數(shù)隨機的特點使模型精度較低。

基于幾何的隨機性模型假定散射體在一定的幾何形狀上分布，通過改變這種幾何區(qū)域的形狀和散射體分布位置，可以將模型容易地推廣到不同場景。這種建模方式將環(huán)境中的散射體抽象為具有一定概率分布的簇，并根據(jù)散射體是否分布在規(guī)則形狀上可進一步分為規(guī)則形GBSM（RS-GBSM,Regular Shape GBSM）和非規(guī)則形GBSM（IS-GBSM,Irregular Shape GBSM）。RS-GBSM的優(yōu)勢在于可以進行幾何推導，建模過程比較便利，而IS-GBSM 更加符合物理現(xiàn)實的隨機性，且其在散射體分布的假設(shè)過程中就考慮到了移動的散射體，可以較好應對C-V2X 信道的非平穩(wěn)特性。由于基于幾何的隨機性模型具備比確定性模型更低的復雜度，且相比非幾何的隨機性模型能通過調(diào)整參數(shù)更好地反映一類環(huán)境中的信道傳播特性，從而得到了廣泛應用。但是其散射體的分布與實際環(huán)境存在差異，使模型的準確性受到一定影響。

可以看到，傳統(tǒng)信道模型是在特定的場景和頻率下，基于信道測量數(shù)據(jù)進行人工統(tǒng)計分析來建立的。由于電磁波傳播的復雜性，傳統(tǒng)建模方法做了大量的假設(shè)與近似，以簡化數(shù)據(jù)處理與建模過程[16]。但是在C-V2X 通信場景中，傳播場景多樣、數(shù)據(jù)海量增加、拓撲變化劇烈、信道非平穩(wěn)特性顯著[1]，這些特點使傳統(tǒng)信道建模方法的準確度與效率大大下降，因此亟需具有自學習、自適應能力，且高效準確的建模方法。

2.2 機器學習信道建模方法

作為人工智能的重要分支，機器學習在分析數(shù)據(jù)中有著天然的優(yōu)勢，它具有以下優(yōu)勢[4]：

（1）優(yōu)異的自學習能力和預測能力。機器學習可以從海量數(shù)據(jù)中挖掘出隱藏規(guī)律并進行預測或分類。與傳統(tǒng)信道建模方法不同，它不需要依賴于某個特定的模型或參數(shù)，而是基于數(shù)據(jù)驅(qū)動的方式學習數(shù)據(jù)集的特征，從而直接獲得信道的統(tǒng)計特性，建模方式更簡單，結(jié)果更準確。例如傳統(tǒng)的確定性模型的建立需要獲取環(huán)境中的參數(shù)，且難以推廣到更廣泛的場景，而基于機器學習的信道模型可以通過學習多種場景的數(shù)據(jù)集來建立適用性更強的信道模型。

（2）良好的非線性擬合能力。如前文所述，高速移動的汽車使C-V2X 信道具備顯著的非平穩(wěn)特性，導致信道是非線性的，傳統(tǒng)信道建模方法在擬合非線性信道上均存在一定困難，而機器學習恰好有著強大的非線性擬合能力。只需要用實測數(shù)據(jù)使模型得到足夠的訓練，就能準確地還原實際信道的非平穩(wěn)特性，相比與傳統(tǒng)模型有更高的準確度。

（3）強大的特征提取能力。C-V2X 場景數(shù)據(jù)量龐大，數(shù)據(jù)類型復雜，這給傳統(tǒng)信道建模方法在獲取、存儲、處理數(shù)據(jù)方面提出了很大挑戰(zhàn)。而機器學習中回歸、聚類、分類等算法在處理大數(shù)據(jù)、從海量數(shù)據(jù)中提取特征上有著獨特的優(yōu)勢，更適合5G 及之后的無線大數(shù)據(jù)時代的信道建模。

機器學習被認為是理解數(shù)據(jù)特征、構(gòu)造傳播模型的有力工具，但是基于機器學習的信道建模研究仍處于起步階段，下面將簡要概述當前機器學習在信道建模中的應用，并對其存在的挑戰(zhàn)加以討論。

（1）多徑分量聚簇。為了簡化建模過程，常將一組具有相似時延、角度等參數(shù)的多徑分量作為一簇，通過研究簇內(nèi)與簇間的傳播特性來降低建模復雜度，因此需要一種與多徑傳播特性相適應的聚類算法。實際上，多徑分量在環(huán)境中本身就是以簇狀分布的[17-18]，過去人們是將測量的數(shù)據(jù)圖片化再手動分簇，但是這樣的分簇結(jié)果沒有一種可靠標準來評判，而機器方法中非監(jiān)督學習的聚類算法恰好能很好地解決這個問題。自從機器學習被引入信道建模以來，k-means 算法、高斯混合模型（GMM,Gaussian Mixed Model）算法、基于密度的含噪空間聚類（DBSCAN,Density-Based Spatial Clustering of Applications with Noise）算法等經(jīng)典機器學習算法就成為了多徑分簇的主流算法。

在C-V2X 場景中，隨著信道維度的增加和時延分辨率的降低，信道測量所得到的多徑數(shù)量將會爆炸性增加，面對龐大的數(shù)據(jù)量，尋找一種快速、高效的多徑聚簇算法就顯得尤為重要，且目前還沒有一種能適用于多頻段、多場景的聚類算法[19]。此外，由于聚簇算法屬于無監(jiān)督學習，因此需要一種評價指標評判分簇結(jié)果，且這種指標需要將簇和散射體的關(guān)系一并納入評價體系中。

（2）信道參數(shù)估計。準確的信道參數(shù)估計有助于采取有效的措施對抗衰落，對通信質(zhì)量的可靠性非常重要。空間交替的廣義期望最大化（SAGE,Space-Alternating Generalized Expectation-Maximization）算法是應用最廣泛的傳統(tǒng)參數(shù)估計算法，這種算法的復雜度在C-V2X 場景的大數(shù)據(jù)化下急劇增加，很難滿足參數(shù)估計高效、準確的要求。基于機器學習的信道參數(shù)估計可以大大降低計算復雜度，只需要在訓練階段用已知參數(shù)集對模型進行訓練，就可以在測試階段根據(jù)輸入的信道信息自動獲取待估計的參數(shù)。目前已經(jīng)有研究人員將遺傳算法、粒子群算法、稀疏貝葉斯算法等應用到信道參數(shù)估計中，結(jié)果表明，這些算法可以在不降低估計準確性的前提下大大降低計算時間。

（3）信道模型構(gòu)建。前文已經(jīng)提到，確定性信道建模預測準確但對環(huán)境信息依賴性強，且建模復雜度高；隨機性信道建模復雜度低但是精度不高，且與實際環(huán)境吻合度較低。目前國內(nèi)外基于機器學習主要提出了兩種信道建模方法，分別為基于神經(jīng)網(wǎng)絡(luò)的信道建模[20]和基于簇核的信道建模[21]。

基于神經(jīng)網(wǎng)絡(luò)的信道建模利用神經(jīng)網(wǎng)絡(luò)來描述數(shù)據(jù)特性、提取系統(tǒng)輸入與輸出之間的關(guān)系。這種方法將測試數(shù)據(jù)作為系統(tǒng)的輸入層，信道特征參數(shù)作為系統(tǒng)的輸出層，利用實測數(shù)據(jù)集對神經(jīng)網(wǎng)絡(luò)進行充分的訓練，提高其預測的精度。當變換建模場景時，只需要更換訓練用的數(shù)據(jù)集即可，可以有效模擬各種實際場景的無線信道特征。目前用于信道建模的神經(jīng)網(wǎng)絡(luò)類型主要有前饋神經(jīng)網(wǎng)絡(luò)（FNN,Feedforward Neural Network）、反向傳播神經(jīng)網(wǎng)絡(luò)（BPNN,Back Propagation Neural Network）、徑向基神經(jīng)網(wǎng)絡(luò)（RBFNN,Radial Basis Function Neural Network）和卷積神經(jīng)網(wǎng)絡(luò)。信道在這種方法中單純當作大數(shù)據(jù)來處理，是一種完全數(shù)據(jù)驅(qū)動的方式，利用了神經(jīng)網(wǎng)絡(luò)學習、自適應和非線性擬合的特點，對于分析統(tǒng)計特性難以提取、非平穩(wěn)特性顯著、場景豐富的C-V2X 信道非常重要。但是目前還沒有有效的方法說明如何進行神經(jīng)網(wǎng)絡(luò)的參數(shù)設(shè)置才能有最好的輸出，通常都是人為調(diào)試，這對于信道建模來說也是一項繁瑣的工作。圖2 是本文工作團隊利用BP 神經(jīng)網(wǎng)絡(luò)對高速直道V2I 場景下路徑損耗的預測結(jié)果與回歸分析。該網(wǎng)絡(luò)采用雙隱藏層的網(wǎng)絡(luò)架構(gòu)，每個隱藏層13 個神經(jīng)元，進行3 000 次訓練，學習率為0.1%，其中藍線為實際測量值，紅線為輸入汽車行駛距離的預測值，可以看到預測結(jié)果與實測數(shù)據(jù)有良好的擬合效果。模型評價指標采用均方誤差（MSE）與相關(guān)系數(shù)，各項參數(shù)如表3 所示。

圖2 V2I高速直道路徑損耗預測結(jié)果與回歸分析

表3 神經(jīng)網(wǎng)絡(luò)參數(shù)

基于簇核的信道建模方法通過機器學習的方法挖掘信道數(shù)據(jù)中的規(guī)律，尋找確定性模型中散射體和隨機性模型中簇的映射關(guān)系，通過有限個有物理意義的簇核進行信道建模。具體流程如下：一方面，利用參數(shù)提取算法（如SAGE 算法）提取實測信道數(shù)據(jù)的參數(shù)并對多徑分簇；另一方面，利用計算機視覺和圖像處理的方法對實際傳播環(huán)境進行三維重構(gòu)，提取主要散射體；最終，利用機器學習找到簇和散射體之間的映射關(guān)系，得到對應場景的簇核。這種方式結(jié)合了確定性模型和隨機性模型的優(yōu)點，避免了確定性模型復雜度高和隨機性模型缺少物理含義的缺點，但是由于其較為依賴特定場景的信息，其模型泛化程度有待提高，C-V2X 場景多樣化實時處理的需求對這種方法來說也是一種挑戰(zhàn)。

（4）信道場景識別。在C-V2X 場景中，由于車輛的移動使得用戶處于不同場景之間切換的狀態(tài)，且不同場景之間可能存在明顯差異，如開闊的高速公路與半封閉的隧道。一般來說，當用戶從開闊地帶進入到隧道后，會明顯感受到通信質(zhì)量的下降甚至中斷，如果能及時識別對應的場景，進而針對場景的變化優(yōu)化無線傳輸，就可以給用戶帶來更好的通信體驗，因此，信道場景識別具有非常重要的意義。

傳統(tǒng)的場景識別針對LOS/NLOS 場景，是一種二元假設(shè)檢驗，根據(jù)不同信道參數(shù)的差異進行分類。然而C-V2X的場景進一步細化為城區(qū)、郊區(qū)、農(nóng)村、高速、隧道等，僅僅局限于對LOS/NLOS 場景分類是顯然不夠的。機器學習在數(shù)據(jù)分類上具有很大優(yōu)勢，通過自動挖掘場景特征，將數(shù)據(jù)劃分為不同場景，進而進行資源管理、系統(tǒng)優(yōu)化等應用。目前已經(jīng)有很多機器學習算法用于場景識別，如支持向量機、神經(jīng)網(wǎng)絡(luò)、隨機森林、決策樹等，現(xiàn)有的場景識別方法可以概括為以下幾個方面：1）先將數(shù)據(jù)分為一大類，再利用機器學習的方法識別特定場景；2）用場景信息訓練神經(jīng)網(wǎng)絡(luò)，利用神經(jīng)網(wǎng)絡(luò)對場景分類；3）利用主成分分析等方法進行數(shù)據(jù)降維，再利用支持向量機、神經(jīng)網(wǎng)絡(luò)、隨機森林等方法進行分類。然而目前已公開的信道數(shù)據(jù)集較少，這就給多場景識別訓練帶來了困難，因此可以結(jié)合深度學習，最大化挖掘有限數(shù)據(jù)的信道特征，提高識別準確度。

3 結(jié)束語

本文探討了C-V2X 信道特性與建模方法。首先介紹了C-V2X 的信道特點，結(jié)合本文工作團隊在高速和城區(qū)的實測數(shù)據(jù)分析了其大尺度與小尺度特征，并指出了與傳統(tǒng)蜂窩網(wǎng)絡(luò)信道的不同。其次，對傳統(tǒng)信道建模方法做了介紹，重點介紹了確定性建模方法、基于幾何的隨機性建模方法和非幾何的隨機性建模方法，并分析了各自的優(yōu)缺點。最后，針對C-V2X 場景數(shù)據(jù)海量化、場景多樣化、信道非平穩(wěn)化的特點，將機器學習引入C-V2X 信道建模，指出了機器學習相比于傳統(tǒng)方法的優(yōu)勢，概述了當前機器學習在信道建模中的應用，并討論了存在的挑戰(zhàn)。本文希望通過對C-V2X 信道特性與建模方法的介紹，幫助相關(guān)領(lǐng)域研究人員快速了解C-V2X 信道，為其他研究提供參考和幫助。