基于3D電子地圖和信道實測數據的市區路徑損耗機器學習模型研究

耿綏燕 胡 瑋 丁海成 錢肇鈞 趙雄文

①(新能源電力系統國家重點實驗室(華北電力大學) 北京 102206)

②(河北省電力物聯網技術重點實驗室(華北電力大學) 保定 071003)

③(國家無線電監測中心 北京 100037)

1 引言

5G移動通信系統支持更廣的覆蓋范圍、更高的連接密度、更低的無線電延遲和更高的頻譜效率，是近年來國內外研究的熱點[1]。路徑損耗導致的信號衰減會嚴重影響無線通信鏈路的質量，因此5G移動通信系統復雜的傳播環境使得接收信號強度的預測成為重要的研究方向。目前，Sub-6 GHz作為5G商用的主要頻段，傳輸損耗和衰減較小，具有支持中高速移動和非視距無線通信的特點，對該頻段進行路徑損耗建模對于5G鏈路預算、覆蓋預測、系統性能優化和基站位置選擇至關重要。

路徑損耗用于描述電磁波在空間中傳播時的衰減[2]，傳統的路徑損耗模型可以分為經驗模型和確定性模型[3]。經驗模型是路徑損耗與傳播參數之間關系的統計描述，其本質是獲得特定地理環境中電磁波傳播的一般公式[4]。對數距離經驗模型[5,6]根據確定的路徑損耗指數來表征接收器功率如何隨天線分離距離而下降，均值為0的高斯隨機變量用于描述由陰影衰落引起的衰減。另外大量建模工作是對典型經驗模型進行的修正，即根據特定場景下的測量數據對經驗模型進行參數優化[7,8]。確定性模型通常基于特定傳播環境、信道場景以及收發器的位置，可以實現高精度路徑損耗預測并提供任何特定位置的路徑損耗[9]。常用的確定性信道建模方法如射線追蹤等[10–12]，可以得到與環境相匹配的3D信道模型，其精度及計算復雜度較高。

機器學習(Machine Learning, ML)能夠有效地從海量數據中找到特定的規則并進一步做出預測，在數據量激增以及快速有效地進行數據交換的今天優勢突顯。相比于傳統的統計與確定性信道模型，ML建模方法是近年來5G無線信道建模領域較為熱門的一個研究方向。機器學習算法在通信系統中的路徑損耗預測方面具有準確高效的性能[13,14]。簡單神經網絡可以用于信道建模，利用反向傳播(Back Propagation, BP)、徑向基函數(Radial Basis Function, RBF)等神經網絡可以對信道參數進行預測[15–17]，其他參與路徑損耗預測的機器學習模型還有決策樹、支持向量機[18,19]等。上述機器學習方法僅利用收發端的位置及距離作為特征進行網絡訓練，特征參數少，預測結果受測試場景的限制，通常需要將視距路徑與非視距路徑分開預測，泛化能力不強。城市環境信道復雜多樣，為了進一步將信道模型與環境相匹配，深度卷積神經網絡(Convolutional Neural Networks, CNN)也是一個路徑損耗建模的新方向[20–23]。文獻[20]利用衛星圖像輔助深度學習，建立準確的信道模型，文獻[21]在900 MHz頻段用衛星圖像作為深度卷積網絡的輸入，來估計路損指數和陰影衰落因子，以實現城市、農村等12類場景的識別。文獻[22]將谷歌地圖獲取的圖像用增強型局部區域多重掃描算法提取環境信息，然后輸入卷積神經網絡中對路徑損耗進行預測。文獻[23]使用射線追蹤方法仿真數據集，將建筑物高度、發射機高度與地勢特征用于CNN的訓練，以提高預測精度。

遷移學習(Transfer Learning, TL)是一種機器學習方法，即把一個領域的知識遷移到另一個領域，幫助目標領域取得更好的訓練效果[24]。在實際通信系統中，信道測量或路測耗時且成本很高，為了解決這類問題，文獻[25]提出利用遷移學習進行通信場景轉移的研究思路，文獻[26]利用蹤仿真數據集，將遷移學習的方法應用到新頻率或新場景下的路徑損耗預測中，并且提出多特征信道參數預測方法和相應的特征選擇方案。文獻[27]將遷移學習作為擴充信道數據集的方法，以便在待預測數據量有限時，可以從已有數據中學習知識和經驗，以提高建模效率。

基于機器學習以及遷移學習的路徑損耗建模已經有了一定的研究基礎，但是許多工作仍然基于射線追蹤軟件的仿真數據，沒有在實測數據集下的驗證作為模型支撐，并且在建筑物密集的城市環境中遮擋效應明顯，傳統的以收發端距離為基礎的機器學習預測模型不再適用。另外，用深度卷積網絡進行建模時可以結合環境特征，但其輸入多為2維平面衛星圖像，通常多用作大范圍區域內的場景識別問題。

本文針對5G商用的700 MHz, 2.4 GHz和3.5 GHz頻段，使用城市環境下視距(Line of Sight, LoS)非視距(None Line of Sight, NLoS)混合路徑的實測數據，根據3D電子地圖提取環境特征參數集用于機器學習路徑損耗模型以提高其預測精度。具體地，將收發端位置、距離、相對余隙、建筑物密度、平均高度等作為環境特征，建立基于3D電子地圖的機器學習路徑損耗預測模型，并在此基礎上提出頻率遷移學習路徑損耗預測模型，與傳統的以收發端距離為輸入的預測方法做比較，最后利用均方誤差、平均絕對百分比誤差、均方根誤差、決定系數等指標來評價其預測性能。

2 測試場景

本文測量以及電子地圖數據均基于國家無線電監測中心無線電業務頻率規劃研究實驗室3期工程在中國蘇州市中心地區的現場測量。圖1(a)是實際測試場景及測試點的俯視圖，圖1(b)為3D電子地圖數據的2維平面圖，其中紅色箭頭表示接收機移動路徑RX，右側色條以地面0 m為參考，從藍色到黃色的顏色變化表示測試場景中所有建筑物的不同高度。其中，發射機TX距地面80 m，固定在東經120.53425°，北緯31.27765°的建筑物頂部(圖1(b)紅色十字處)，由此可知發射機左右兩側均有較高的建筑物遮擋；接收機及GPS定位器固定在汽車頂部，距地面2 m，沿圖1(b)箭頭所示方向緩緩移動，可以記錄接收信號強度及經緯度位置信息，路徑長度大約為1 km。另外，在該測量路徑下，進行了3次獨立測量，測試頻段分別為700 MHz, 2.4 GHz,3.5 GHz，測量參數的詳細配置見表1。

表1 測試參數設置

3 基于3D電子地圖的路徑損耗模型

路徑損耗(Path Loss, PL)的預測對于5G鏈路預算、覆蓋預測、系統性能優化和基站位置選擇至關重要。PL定義為發射機和接收機之間信號的平均衰落，通常與頻率和距離呈對數關系，可表達為

使用Matlab Curve Fitting擬合工具箱，選取建筑物平均高度為權重因子，將建筑物密度和主相對余隙與路徑損耗建立聯系，由最小二乘法根據3D電子地圖和實際測試數據得到遮擋損耗的公式為

由此可見，由環境阻擋效應引起的遮擋損耗與信號頻率(MHz)、主相對余隙以及收發端之間的建筑物密度有關。由于建筑物平均高度與主相對余隙呈正相關關系，即建筑物平均高度越高，則越有可能引起遮擋，主相對余隙越大，因此將建筑物平均高度作為模型擬合過程中的權重因子，可以在參數不冗余的前提下，提高模型的擬合度，減小遮擋損耗曲面的擬合誤差。圖4以700 MHz為例代入式(3)，得到遮擋損耗與建筑物密度和主相對余隙的擬合曲面。

圖4中黑色點為實測值，由此可見附加損耗隨建筑物密度和主相對余隙的增大而增大，因此在大型城市建筑物密集的視距非視距混合信道中，路徑損耗與環境特征密不可分。

4 基于3D電子地圖和實測數據的機器學習路徑損耗預測模型

近年來，機器學習算法因其準確性和高效性廣泛應用于信道建模領域，而利用機器學習算法預測路徑損耗是重點研究方向。自適應粒子群優化(Adaptive Particle Swarm Optimization, APSO)的RBF機器學習算法，即APSO-RBF算法可以建立精確的室內毫米波信道路徑損耗模型[16]。本文基于3D電子地圖環境特征參數集，提出基于3D電子地圖的機器學習路徑損耗預測模型，并在此基礎上提出頻率遷移路徑損耗預測模型，以精確地預測復雜環境下的路徑損耗值。

4.1 APSO-RBF機器學習算法

APSO-RBF算法是具有全局收斂能力的前饋型神經網絡，RBF本身具有結構簡單、訓練成本低的特點，并且通過APSO算法的優化可以得到RBF神經網絡的最優擴展速度，增加了RBF模型的精度以及對較大波動數據的適應性[16]，在信道建模領域中廣泛應用。APSO-RBF模型通過中間層(隱藏層)神經元的非線性傳遞，能夠實現從輸入空間到輸出空間的任意非線性映射，逼近任意的非線性函數關系。網絡輸出可表示為

4.2 基于3D電子地圖的路徑損耗機器學習預測模型

在建筑物密集的城市中，無線信號的傳播信道為LoS與NLoS同時存在的混合信道，路徑損耗與距離沒有明顯的線性關系，另外，當頻率已知時，遮擋損耗與建筑物密度和相對余隙均呈正相關關系，路徑損耗預測與環境特征密不可分，傳統的只將收發端距離作為輸入特征的機器學習預測方法不再適用。首先需要預處理原始接收信號，得到訓練集中的路徑損耗值，即數據標簽，為了進一步精準預測每個測試點的路徑損耗值，根據3D電子地圖，可以得到每個測試點下的特征參數集

其中，下標i表示第i個測試點的參數值，由于發射機位置固定，因此dtx,dty無下標。圖5為基于3D電子地圖的APSO-RBF機器學習路徑損耗預測流程，該模型的輸入為3D電子地圖中提取的每個測試點的特征參數集，輸出為路徑損耗值，其映射關系為

4.3 基于3D電子地圖的路徑損耗頻率遷移預測模型

遷移學習是機器學習領域的一類方法，其目標是將某個領域或任務上學習到的知識或模式應用到不同但相關的領域或問題中。現有表現比較好的機器學習算法需要大量的帶標簽數據，對數據有很強的依賴性，獲得帶標簽數據成本高、周期長，但是若沒有大量訓練數據作為模型的支撐，會嚴重降低機器學習算法的預測性能，因此為了減少數據測量的時間消耗和成本，引入遷移學習方法來解決此類問題。

由于路徑損耗與頻率有關，因此基于頻率遷移的機器學習預測方法可以利用現有頻段中的大量測試數據來預測其他頻段的路徑損耗。首先，用已有頻段的歷史數據訓練APSO-RBF機器學習基本模型，然后通過訓練好的模型預測當前場景中采集到的有限數據在當前頻率下的路徑損耗值，用來計算優化因子，最后，訓練好的模型需要通過相應的優化因子進行調整，根據文獻[26]，經過頻率遷移學習的預測修正值為

5 結果分析

本節分析驗證所提出的基于3D電子地圖的路徑損耗機器學習預測模型，以及頻率路徑損耗預測模型的性能。將本文方法預測的路徑損耗值與測量數據和傳統的基于收發端距離的預測值進行比較[15–19]，并使用均方誤差(Mean Squared Error,MSE)、平均絕對百分比誤差(Mean Absolute Percentage Error, MAPE)、均方根誤差(Root Mean Squard Error, RMSE)、決定系數R2等指標來評估其性能。

5.1 基于3D電子地圖的機器學習路徑損耗模型預測性能

700 MHz, 2.4 GHz, 3.5 GHz頻段的樣本數量分別為3995, 1644, 2444。將每組測量數據，以4:1的比例等間隔將測試數據分為訓練集和測試集。使用MATLAB神經網絡工具箱，驗證本文所提方法的有效性。

圖7為不同頻段下基于電子地圖的機器學習PL預測結果，以及與傳統的基于收發端距離的PL預測對比。由圖7可知，本文所提基于電子地圖的機器學習PL預測模型預測精度更高，可以更詳盡地學習環境地理信息，精準地反映原始數據特征，而傳統的基于收發端距離的PL預測模型預測效果較差。這是因為隨著RX由北向南移動，RX與TX之間的距離先減小后增大，但其對應的PL值沒有明顯的先減小后增大趨勢，PL與距離不滿足線性關系，因此在建筑物密集的城市環境下傳統方法不再適用。值得注意的是，在同一條路徑下不同頻率的接收測試點數量和信號趨勢有所不同，這是因為3種頻段的信號折射、繞射能力均不同，另外3次測量相對獨立，容易受實時路況和行人車輛等的影響。

表2為不同頻段下的模型預測誤差指標評價表。由表可知，在所有頻段中，本文所提基于電子地圖的機器學習路徑損耗預測方法誤差小，模型擬合度高，其中700 MHz預測結果優于其他頻段，其誤差參數分別為MSE, RMSE, MAPE，R2分別為0.621, 0.788, 1.87%, 0.8669，這是因為路徑損耗模型與頻率呈正相關關系，所以頻率越低誤差越小。

表2 基于3D電子地圖的路損預測誤差評價表

5.2 基于3D電子地圖的頻率遷移路徑損耗模型預測性能

基于頻率遷移的預測方法可以利用現有頻段中的全部測試數據來預測其他頻段的路徑損耗。路徑RX中，頻率遷移學習數據集取3D電子地圖多特征PL預測數據集中3個頻段的子集，用2.4 GHz作為待預測頻段。將700 MHz和3.5 GHz的全部數據分別獨立作為訓練集，再分別利用20%,30%以及50%的2.4 GHz數據用于調整模型，其余2.4 GHz數據用于頻率遷移模型驗證，共6次獨立試驗。以模型調整數據為30%的2.4 GHz數據為例，基于3D電子地圖的頻率遷移路徑損耗預測結果如圖8所示(訓練集為全部歷史數據并用30%的2.4 GHz數據調整模型)。由圖8可知，雖然訓練集頻率和待預測頻率不同，但是基于頻率遷移學習模型可以很好地擬合實測值。

表3為基于3D電子地圖的頻率遷移PL預測誤差指標評價表。由表3可見在遷移學習調整模型階段，使用的調整數據越多，其模型誤差越小。以RMSE為例，訓練集為700 MHz全部數據時，20%, 30%,50%的2.4 GHz數據用于模型調整的RMSE分別為5.2867, 4.7480, 4.5189。另外，在加入相同數量的調整數據時，以3.5 GHz為訓練集的模型預測效果要優于700 MHz，因為相比于700 MHz，3.5 GHz更接近待預測頻率，因此當歷史數據頻率更接近待預測頻率時，頻率遷移學習模型會取得更好的效果。

表3 基于3D電子地圖的頻率遷移PL預測誤差指標評價表

6 結論

本文針對大型城市場景，基于5G典型商用700 MHz,2.4 GHz, 3.5 GHz 3個頻段的實測數據，以主相對余隙、建筑物高度、平均密度等作為環境特征，建立了基于3D電子地圖的機器學習路徑損耗預測模和頻率遷移的有限數據集路徑損耗預測模型，并與傳統的基于收發端距離的機器學習路損預測模型相比較，利用MSE, RMSE, MAPE, R2等指標驗證其預測性能。結果表明，在復雜大型城市環境下，路徑損耗除距離因素外，還與建筑物的遮擋特性密切相關，本文所提預測模型在各個頻段下的預測精度均優于傳統模型，模型擬合度較高，各類誤差較小。在路徑損耗與距離為非線性關系的LoS/NLoS混合信道中，可以很好地預測由建筑物遮擋引起的巨大波動，而且頻率越低誤差越小。另外，基于頻率遷移的機器學習預測模型可以利用已測頻段的數據，在同一場景中預測新頻段下的路徑損耗，并且當歷史數據頻率更接近待預測頻率時，頻率遷移學習模型會取得更好的效果。綜上，本文提出的基于3D電子地圖的機器學習路徑損耗模型對建筑物密集的城市環境有良好的適應性，對于5G無線網絡的性能優化具有重要意義。