5G海上无线信号强度预测：机器学习模型比较研究与决策树算法的卓越性能解析

本研究针对5G海上陆地-船舶(L2S)场景中无线信号强度预测的难题，通过构建包含12,213条数据样本的自研数据集，系统比较了8种机器学习模型与4种线性回归模型在参考信号接收功率(RSRP)和接收信号强度指示(RSSI)预测中的表现。结果表明，基于决策树回归(DTR)和随机森林回归(RFR)的规则模型能精准捕捉大尺度和小尺度衰落效应，其平均绝对误差(MAE)低于2.0，为海上通信系统数字化提供了高精度、强可解释性的建模方案。

　　

在数字化海洋战略背景下，5G海上通信面临独特挑战：动态海况导致信号传播存在复杂的大尺度衰落（如地球曲率影响）和小尺度衰落（如海浪引起的多普勒效应）。传统模型如自由空间(FS)模型和国际电联ITU-R P.1546-5仅适用于特定场景，而确定性建模方法计算复杂度高。如何建立兼顾精度与实用性的海上信道模型，成为制约海洋通信发展的关键瓶颈。

中国某研究团队在《Engineering Applications of Artificial Intelligence》发表的研究，通过自主研发的四元天线阵列5G终端，在东海海域采集了12,213组包含19维特征（几何参数、船舶状态、气象数据）的实测数据。研究采用特征工程优化与九项评估指标，系统对比了12种预测模型，包括线性回归与机器学习算法。关键技术包括：1）基于5G Band的自适应信号采集系统；2）针对海上多径效应的特征构造；3）以均方误差(MSE)为损失函数的模型训练框架。

【模型定义】
将RSRP/RSSI预测建模为回归问题，通过最小化MSE损失函数优化模型参数φ，数学表达为：
φ? = argmin_φ(1/n∑ⁿ_i=1(y_i-f(x_i,φ))²)。

【评估实验与结果】
测试集验证显示，决策树回归(DTR)和随机森林回归(RFR)表现最优，其MAE低于2.0 dB，显著优于传统线性模型。特别值得注意的是，DTR能通过树形结构直观反映海面反射、天线仰角等关键特征的分裂阈值。

【讨论】
规则模型的成功源于：1）对海上特有传播机制（如波浪引起的信号起伏）的离散化表征能力；2）无需复杂电磁理论先验知识的数据驱动特性。但研究也指出，船舶变速航行时的多普勒效应建模仍需深化。

【结论】
该研究建立了首个面向5G海上L2S场景的机器学习预测基准，证实决策树类算法在保持模型可解释性同时，其精度接近深度学习模型。成果为海上智能通信系统提供了可工程化的建模工具，其中特征构造方法论对复杂环境无线传播研究具有普适指导意义。作者Lisha Peng和Kun Yang团队特别强调，未来将探索模型在动态海况（如不同道格拉斯海况等级）下的泛化能力。