PathFinder：改进单发射器到多发射器场景下的路径损耗预测技术

《Pattern Recognition》：PathFinder: Advancing path loss prediction for single-to-multi-transmitter scenario

无线电路径损耗预测关键问题在于环境建模不足、单发射器场景过度依赖及分布偏移应对不足。本文提出PathFinder模型，通过解耦特征编码、发射器导向混合增强策略及Mask-Guided低秩注意力机制，有效提升多发射器场景下的预测精度，并建立首个单到多发射器RPP基准S2MT-RPP，实验验证其优于现有SOTA方法。

　　

钟志杰|余志文|李鹏宇|吕建明|陈C.L.菲利普|陈敏

华南理工大学，广州，510650，广东，中国

摘要

无线电路径损耗预测（RPP）对于优化5G网络以及实现物联网（IoT）、智慧城市等应用至关重要。然而，现有的基于深度学习的RPP方法缺乏主动的环境建模能力，在处理现实中的多发射机场景时存在困难，并且在分布变化情况下泛化能力较差，尤其是在训练/测试环境在建筑密度或发射机配置上不同时。本文指出了三个关键问题：（1）被动的环境建模忽略了发射机和关键的环境特征；（2）尽管现实世界中多发射机现象普遍存在，但研究方法仍过分强调单发射机场景；（3）过度关注分布内的性能，而忽视了分布变化的挑战。为了解决这些问题，我们提出了PathFinder这一新颖架构，它通过解耦特征编码主动建模建筑物和发射机，并结合了掩码引导的低秩注意力机制（Mask-Guided Low-Rank Attention）来独立关注接收机和建筑物区域。我们还引入了一种面向发射机的混合策略（Transmitter-Oriented Mixup）以增强训练的鲁棒性，并提出了一个新的基准测试方法——单发射机到多发射机的RPP（S2MT-RPP），用于评估在单发射机训练后的多发射机场景下的预测性能。实验结果表明，PathFinder在处理具有挑战性的多发射机场景时显著优于现有方法。我们的代码和项目网站地址为：https://emorzz1g.github.io/PathFinder/

引言

5G通信技术的快速发展带来了低延迟和广泛覆盖等优势，为物联网（IoT）、智能驾驶和智慧城市等应用奠定了基础[1]，[2]。其中，无线电路径损耗预测在通信网络规划、信号预测和无人机基站/发射机部署中起着关键作用[3]，[4]，[5]。无线电路径损耗预测（RPP）的任务旨在根据基站位置和特定建筑环境内的相关数据预测信息损失分布[3]，[4]，[5]。如图1(a)所示。

这一预测任务面临的挑战通常源于不同环境中的建筑物高度和密度差异。此外，衍射、折射和反射等复杂的物理现象也会影响无线电信号的传播[3]，[6]，[7]。

射线追踪方法被广泛用于移动通信环境中的无线点路径损耗预测[6]，[8]。尽管该方法能够提供准确的预测结果，但其复杂的建模和计算过程使其不适用于实时应用[6]，[9]。因此，它更适合于不需要立即结果的设计任务，如基站选址。无线电路径损耗预测本质上涉及估计或生成预测值。随着对实时无线电路径损耗预测需求的增加以及深度学习的进步，将深度学习方法集成到这一领域的研究受到了广泛关注[6]，[8]，[10]。基于深度学习的预测模型[11]，[12]，[13]利用端到端学习揭示了建筑物结构与电磁传播之间的隐含关系，从而在各种场景下实现了更快、更灵活的模型性能。最初，卷积神经网络被成功应用于这一任务[10]；然而，由于公开可用数据集的不足，这一方法在初期受到限制。为了解决这一问题，Levie等人[6]首次提出了2D无线电点路径损耗预测任务和数据集RadioMapSeer，以及用于预测无线电路径损耗的RadioUNet模型。RadioMapSeer是一个在真实地图上使用射线追踪软件模拟的数据集，但由于算法限制，该数据集未考虑建筑物高度信息或多样化的发射机位置。意识到这一局限性，后续研究者Yapar等人[8]开发了新的数据集RadioMapSeer3D，通过纳入建筑物高度信息并提供了更广泛的发射机位置范围，扩展了RadioMapSeer的方法。随着时间的推移，这个数据集已成为该领域的主要公共数据集[14]，[15]。数据集的发展催生了众多用于无线电路径损耗预测的深度学习模型[14]，[15]，[16]，相关研究部分对此有详细说明。然而，当前的无线电路径损耗预测模型主要集中在提高模型性能和精炼预测准确性上，忽略了任务的其他关键方面。我们指出了三个在以往研究中未得到充分探索但严重阻碍RPP模型实际应用的重要问题。

问题1

现有模型对环境的主动建模不足。以往的研究[5]，[6]，[7]，[15]将发射机视为地图上的一个固有、静态的特征。这种被动建模策略导致模型忽略了主动结合发射机的重要性，从而未能充分学习发射机与接收机之间的传播关系。此外，现有研究也忽视了模型对建筑物区域和接收机的独立关注，忽略了它们在环境中的重要作用。尽管全局环境建模对准确性至关重要，但传统的注意力机制[17]，[18]会对高分辨率无线电地图造成沉重的计算负担，限制了其实际应用。

问题2

单发射机场景建模与现实世界多发射机环境之间存在显著差距。以往的研究[5]，[6]，[7]，[15]主要关注单发射机场景（例如图1(b)），而忽视了实际环境中多发射机的普遍性。然而，在实际的5G部署中，“单发射机到多发射机（S2MT）”的转变非常普遍。例如，基站会在不断扩大的城市区域中动态添加。尽管如此，现有模型缺乏从单发射机训练数据推断多发射机测试场景的能力。例如，在仅有1个发射机的数据上训练的模型在测试2-4个发射机的场景时往往会出现明显的准确性下降（图1(c)）。这种推断能力的限制直接限制了当前RPP模型的实际应用价值，这是一个亟需解决的问题。

为了解决先前研究中发现的两个主要问题，我们在三个方面做出了贡献：

• 1.
  为了解决模型在环境建模方面的不足并解决问题1，我们提出了PathFinder，该模型利用解耦特征主动建模建筑物和发射机，从而提高了模型对这些组件的关注度。此外，我们引入了掩码引导的低秩注意力（Mask-Guided Low-Rank Attention）来克服被动建模的局限性和高计算成本。具体来说，掩码引导机制允许模型通过明确的空间约束独立关注接收机和建筑物区域的独特物理作用。同时，低秩变换以线性复杂度捕捉全局环境关系，确保在大规模城市场景中的高效预测。
• 2.
  为了解决问题2，我们引入了面向发射机的混合策略（Transmitter-Oriented Mixup）进行模型训练。基于这种方法，我们提出了一个新的评估基准——单发射机到多发射机的无线电路径损耗预测（S2MT-RPP）。这个基准能够更全面地评估各种模型的能力。
• 3.
  我们对提出的PathFinder与当前最先进（SOTA）方法进行了比较分析，实验证明了我们的方法优于现有的SOTA技术。

章节片段

无线电路径损耗预测

早期的深度学习RPP模型受数据集规模的限制，Teganya和Romero[10]构建了一个卷积自编码器（AE）通过降维来学习数据的内在结构[19]，[20]。然而，有限的参数限制了模型的表达能力，使其仅适用于小规模数据场景[21]，[22]。在RadioMapSeer数据集发布后，RadioUNet[6]首次将UNet应用于2D无线电路径损耗预测，使用两个独立的UNet子模型

问题定义

实际传播过程中存在衍射、折射和反射等现象。建筑材料会导致其固有系数的变化。射线追踪方法通常无法满足实时无线电路径损耗预测的需求[8]。

继之前的研究[8]，[14]，[15]之后，我们将实际$\text{PL}\left(d\right)$作为预测问题。给定一个环境地图$X\in R^H$，其中高度和宽度$W$（单位：米），$X_x$表示归一化的建筑物高度，范围从0到1。发射机是一个点$(T_x,$Ty)

PathFinder模型

PathFinder由三个主要组成部分构成：解耦特征编码（Disentangled Feature Encoding）、发射机感知提示（Transmitter-Aware Prompt）和掩码引导的低秩注意力（Mask-Guided Low-Rank Attention）。图2展示了其架构和工作流程。环境地图和发射机首先通过解耦特征编码（DFE）进行处理，生成解耦的建筑物特征$B^{}$和发射机特征，以及从$S^{}$派生的发射机感知提示$S^{}$。PathFinder的核心是一个基于UNet的学习网络。编码器包括掩码引导的

实验设置

为了与现有最佳技术（SOTA）方法进行比较，我们使用了公开可用的RadioMap3DSeer（RM3D）数据集[8]。RM3D考虑了不同高度的建筑物和部署在不同楼层的发射机，这些发射机位于建筑物的较高楼层。该数据集通过智能射线追踪（IRT）和真实世界地图的结合生成，使其与实际应用高度契合[8]。处理后，该数据集共包含700个城市

结论

本文探讨了5G路径损耗估计，并扩展到了多发射机的分布外预测。为了解决先前的研究不足，包括环境建模不足、单一发射机关注以及忽视分布外路径损耗预测等问题，我们提出了PathFinder模型。该模型通过解耦建筑物和发射机特征实现了主动环境建模，并利用掩码引导的低秩注意力独立学习全局环境特征

CRediT作者贡献声明

钟志杰：撰写——原始草稿、可视化、软件开发、项目管理、方法论设计、数据整理。余志文：撰写——审稿与编辑、监督、资金获取。李鹏宇：可视化、方法论设计、数据分析。吕建明：撰写——审稿与编辑、监督、数据分析。陈C.L.菲利普：撰写——审稿与编辑、监督、资金获取。陈敏：撰写——审稿与编辑、监督、形式化分析。

利益冲突声明

作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。

致谢

本工作部分得到了国家自然科学基金（编号：92467109、U21A20478）、国家重点研发计划（2023YFA1011601）以及中国太平洋电信集团有限公司（PCL）的重大重点项目（资助编号：PCL2025A11、PCL2025A13）的支持。