ARPIA:一种用于移动设备地理定位的多尺度异构图神经网络,具备显式的非连接建模机制

《Ad Hoc Networks》:ARPIA: A multi-scale heterogeneous graph neural network for mobile device geolocation with explicit non-connection modeling

【字体: 大 中 小 】 时间:2026年04月27日 来源:Ad Hoc Networks 4.8

编辑推荐:

  L.F.C. Seelig | R.M. Salles 巴西里约热内卢军事工程学院(IME)国防工程研究生课程(PGED) 摘要 本文介绍了ARPIA(高级无线电定位智能架构),这是一种用于移动设备定位的多尺度异构图神经网络,它通过一个基于物理信息的力系统明确地模拟设备与基

  L.F.C. Seelig | R.M. Salles

巴西里约热内卢军事工程学院(IME)国防工程研究生课程(PGED)

摘要

本文介绍了ARPIA(高级无线电定位智能架构),这是一种用于移动设备定位的多尺度异构图神经网络,它通过一个基于物理信息的力系统明确地模拟设备与基站之间的非连接关系。使用来自坎皮纳斯大都会地区的38,356台设备(总计47,619个节点)的数据集进行实验验证,证明了其强大的泛化能力。在独立测试集(N=5,754)上,ARPIA的平均绝对误差为34.6米(92.9%的精度在100米范围内),同时在训练数据集上的拟合误差为7.55米(100%的精度),这证实了该架构捕获复杂几何依赖关系的能力。消融研究显示,移除基于物理信息的约束或局部精度模块会使学习能力下降9-12倍,从而证实了这些因素的关键重要性。ARPIA显著优于传统方法(RSSI、TOA、TDOA),并且比最佳深度学习配置(GATv2、HAN、RGCN)的性能提高了1.67倍,证明了显式非连接建模在无线网络定位中的有效性。

1. 引言

在城市环境中,移动设备定位仍然具有挑战性,因为GNSS(全球导航卫星系统)信号受到多径传播和视线限制的影响[1]、[2]。尽管图神经网络(GNN)通过GAT(图注意力网络)[3]和RGCN(关系图卷积网络)[4]等架构在空间推理方面取得了进展,但它们在无线定位中的应用主要集中在显式连接性上,忽略了非连接性中编码的宝贵几何约束[5]、[6]、[7]。最近的地理定位系统,包括GNN-Geo[8]和NeighborGeo[9],展示了GNN在基于网络的定位中的作用,但没有一个系统将非连接性作为信息特征进行明确建模。这种差距至关重要,因为设备与基站之间的非连接性提供了强大的空间排除约束,可以显著提高定位精度。

本文介绍了ARPIA(高级无线电定位智能架构),这一创新框架通过以下贡献解决了关键的研究空白:(1)将非连接性建模为具有关系类型特定参数的向量力系统;(2)多尺度异构架构,整合了三个组件,用于层次化处理局部特征、区域模式和全局信息;(3)基于物理信息的学习框架,结合了自适应力的校准;(4)通过系统性的移除实验来量化架构组件的贡献;(5)与经典方法和最先进的GNN架构的广泛比较评估。

实验验证使用了来自坎皮纳斯大都会地区的真实世界数据集,详细结果在第5节中呈现。

本文的结构如下:第2节回顾了理论基础和相关工作。第3节介绍了我们的提案ARPIA架构。第4节描述了实验方法,第5节报告了结果和分析。第6节讨论了发现,最后第7节总结了主要结论。

2. 理论基础和相关工作

2.1. 图神经网络的数学基础

图神经网络通过可学习的聚合函数,将卷积架构扩展到非欧几里得域,从而能够直接处理任意的图结构[10]、[11]。异构图G正式定义为五元组(V,E,R,?,ψ),其中V={v1,…,vn}表示节点集,E={e1,…,em}表示边集,R={r1,…,rk}指定关系类型,映射?:V→TV和ψ:E→TE分别将类型分配给节点和边[4]。这种表述方式使得可以表示复杂的无线网络,其中不同的实体类型(设备、基站、基础设施)通过多种关系类别(连接、邻近性、信号覆盖范围)进行交互。

图注意力网络(GAT)架构[3]引入了注意力机制,以计算邻居聚合的适应性重要性权重。对于具有邻居集N(vi)的节点vi,通过可学习的转换计算注意力系数:(1)αij=exp(LeakyReLU(aT[Whi∥Whj]))∑k∈N(vi)exp(LeakyReLU(aT[Whi∥Whk])),其中W表示可学习的权重矩阵,a表示注意力向量,hi编码节点特征,∥表示连接。多头注意力通过并行计算独立的注意力机制来扩展这种表述方式,增强了模型的表达能力和训练稳定性[12]。

关系图神经网络通过引入关系特定参数[4],将消息传递泛化到异构环境中。对于关系类型r∈R,异构注意力系数计算为:(2)αij(r)=exp(LeakyReLU(arT[Wrhi∥Wrhj]))∑k∈Nr(vi)exp(LeakyReLU(arT[Wrhi∥Wrhk)),其中Wr和ar是关系特定的可学习参数,Nr(vi)表示通过关系r连接的邻居。节点表示通过聚合更新:hi′=σ(∑r∈R∑j∈Nr(vi)αij(r)Wrhj),其中σ表示非线性激活函数。这种机制使得能够适应性地学习对异构网络分析至关重要的关系特定重要性模式。

2.2. 传统定位方法

传统的基于RF的定位方法依赖于信号测量值和设备位置之间的几何关系。接收信号强度指示器(RSSI)方法通过自由空间路径损耗模型估计距离:(3)d=d0?10(P0?Pr)/(10?n),其中d0是参考距离,P0表示发射功率,Pr表示接收功率,n表示路径损耗指数[1]。多径传播和信号衰落引入了估计误差[13]。

到达时间(TOA)定位利用发送器和接收器之间的信号传播延迟:(4)di=c?(tr?tt),其中c表示光速,tr表示接收时间,tt表示发送时间[14]。位置估计需要解决带有多个基站测量值的非线性最小二乘问题。到达时间差(TDOA)通过计算相对延迟Δdij=c?(ti?tj)来消除同步要求。TOA和TDOA方法在非视线(NLOS)条件下存在局限性[15]。

传统方法在利用超出成对几何约束的空间关系方面存在根本性限制。RSSI方法独立地对每个测量值进行建模,未能捕捉测量值之间的相关性。TOA/TDOA方法需要精确的时间同步和至少三个(2D)或四个(3D)测量值来进行位置三角测量。此外,传统方法没有利用网络连接模式中编码的丰富拓扑信息。

图神经网络将定位问题表述为异构图中的节点回归,其中连接模式的建模使得能够学习复杂的空间关系[8]。消息传递机制从多跳邻域中聚合信息,而注意力机制允许根据连接的相关性进行自适应加权。然而,现有的GNN方法可能无法充分利用非连接模式中包含的宝贵信息。

2.3. 用于无线通信和定位的图神经网络

的最新进展展示了GNN在无线网络优化中的应用前景。Lee等人[5]回顾了GNN在无线通信中的应用,包括功率控制、波束成形优化和资源分配。Wang等人[6]开发了基于GNN的框架,用于认知无线电网络中的动态频谱访问。Chen等人[16]提出了使用时空GNN的蜂窝网络性能预测。在室内定位背景下,Lezama等人[7]将GNN应用于WiFi指纹识别。Self和Wassell[17]开发了基于图的模型,利用空间和指纹相似性。Zhang等人[18]使用图表示学习来增强5G无线规划,重点是基础设施优化。

对于网络地理定位,Ding等人[8]引入了GNN-Geo框架,将IP地理定位重新表述为使用属性图的节点回归。Wang等人[9]提出了NeighborGeo,利用邻居关系。Ma等人[19]、[20]开发了用于异构网络中IPv6设备分类和地理定位的架构。Liu等人[21]解决了IP地理定位中的不确定性量化问题。

现有方法存在几个关键限制:(1)它们主要关注显式连接性,而没有充分利用非连接信息;(2)当前架构可能无法捕捉多类型无线网络中存在的所有交互模式;(3)在学习过程中对基于物理的约束的整合有限;(4)对架构组件的全面消融分析通常不足。ARPIA通过显式非连接建模、多尺度异构架构、基于物理信息的力系统以及彻底的实验验证解决了这些问题。

2.4. 图对比学习

图对比学习(GCL)的最新进展对自监督图表示学习做出了重要贡献。Lin等人[22]提出了SPARROW,这是一种简化的GCL模型,它在保持竞争性能的同时消除了图数据增强。CaliGCL[23]通过指数分割相似性和语义一致性判别器解决了相似性估计偏差和语义偏移偏差。Lin等人[24]通过扩展簇边界使用模糊集合理论减轻了局部凝聚性和全局稀疏性。Wang等人[25]引入了图正样本(GPS)模块,使用四种互补的相似性测量来选择正样本,以克服采样偏差。

这些GCL方法主要针对 homogeneous 引用图和共同购买图上的自监督节点分类,输出是离散的类别标签。相比之下,本文解决的无线定位问题需要在具有基于物理信息约束的异构图上进行监督空间回归,输出是连续的坐标预测。

2.5. 非连接建模

网络实体之间的非连接模式编码了宝贵的几何约束。当移动设备与特定基站没有直接连接时,这些信息提供了关于信号覆盖范围和干扰区域的关键证据。显式纳入非连接性使得能够对空间排除区域进行复杂的推理,并提高了定位精度。

对于异构图G=(V,E,R,?,ψ),非连接集E?表示缺失在显式边集E中的潜在边:E?={(vi,vj):vi,vj∈V,(vi,vj)?E,?(vi)≠?(vj)}。这种表述排除了同一类型内的非连接性,重点关注不同实体类型之间的缺失关系。每个非连接(vi,vj)∈E?表示连接的缺失。

之前在图表示学习中的工作主要通过消息传递框架处理显式边[26]。链接预测方法[27]尝试推断缺失的边,而图完成方法[28]专注于重建不完整的图。相比之下,ARPIA通过基于物理信息的力系统引入了显式非连接建模,每个非连接产生一个排斥向量力,为改进定位提供了几何约束。

3. ARPIA架构

3.1. 异构图构建

无线网络形成了一个具有五种节点类型和19种边类型的异构图G=(V,E,R,?,ψ)。650万条边包括连接(38,351个设备-基站关联)以及重要的非连接(11,298个缺失的关联),这些非连接提供了空间排除约束。边特征编码了连接的信号测量值和非连接的估计距离,而基础设施边捕获了网络层次结构[29]。

3.2. 多尺度架构组件

ARPIA架构整合了三个组件。该架构使用具有多个注意力头部的GAT层进行有效的消息传递:(5)hi(l+1)=σ∑r∈R∑j∈Nr(vi)αij(r,l)Wr(l)hj(l),其中hi(l)表示第l层的节点嵌入,αij(r,l)表示关系特定的注意力系数,Wr(l)表示可学习的变换矩阵,σ表示ELU激活函数。多头注意力计算K=8个并行的注意力机制,然后进行最终投影。

其他组件通过TransformerConv架构捕获复杂的空间依赖性。TransformerConv在注意力计算中结合了边特征:(6)αij(r)=softmax(j(WQhi)T(WK[hj∥eij])dk,其中WQ和WK表示查询和键投影矩阵,eij表示边特征向量,dk表示键维度。这种表述方式使得模型能够根据节点特征和边属性(距离、信号强度、时间模式)对连接进行加权。

一个全局模块通过多头注意力机制聚合长距离依赖性。节点嵌入通过加权聚合进行汇总:(7)g=∑i=1|V|βihi,其中βi=exp(wTtanh(Uhi))∑j=1|V|exp(wTtanh(Uhj)),g∈Rdg表示全局上下文向量,U和w表示可学习参数,βi表示节点vi的注意力权重。全局上下文通过与局部嵌入的加法组合广播回各个节点。

特征融合通过学习到的门控机制结合多尺度表示:(8)hifinal=γi⊙hilocal+(1?γi)⊙(hiregional+higlobal),其中γi=σ(Wgate[hilocal‖hiregional‖higlobal])表示控制特定尺度特征混合的学习到的门,⊙表示元素级乘法,σ表示Sigmoid激活函数。这种自适应融合使得模型能够根据局部上下文强调相关的空间尺度。

3.3. 基于物理信息的力系统

非连接建模通过基于物理的向量力系统实现,该系统编码了空间分离约束。设计基于城市环境中无线传播的既定路径损耗模型[1]。对于设备vi和基站vj之间的每个非连接(vi,vj)∈E?,计算一个排斥力向量F→ij:(9)F→ij=?λr?fr(dij)?r?ij,其中λr表示关系特定的力幅度参数,fr(dij)表示与距离相关的衰减函数,dij表示欧几里得距离,r?ij=(pj?pi)/‖pj?pi‖表示从设备到基站的单位方向向量。

力系统的实现采用了通过经验验证校准的自适应阈值。对于非连接,系统应用连续的排斥力,遵循平方反比定律:(10)frepulsive(d)=τ2d2,其中τ表示基于网络密度的自适应阈值,范围从300米到400米,d表示最小限制为10米的距离,以防止数值不稳定。这种表述遵循了既定的路径损耗模型[1],同时结合了计算稳定性的实际约束。

实现还包括几个在理论表述中未明确显示但对稳健操作至关重要的数值保险措施:(1)距离限制(dsafe=max(d,10m)防止除以零;(2)NaN/Inf检测和回退值确保训练稳定性;(3)根据局部网络密度调整自适应阈值,密集区域为300米,稀疏区域为400米。这些值是通过在坎皮纳斯数据集上的验证确定的,观察到的平均覆盖半径约为350米。

连接的边产生吸引力,将预测位置拉向已知的基站位置:(11)F→ijattract=λa?g(dij)?r?ij,其中λa表示吸引力参数,g(dij)=1/(1+exp(?β(dij?d0)))实现了具有参数β=0.001 m?1,d0=1000 m的软距离惩罚。Sigmoid函数在设备位于典型覆盖范围内时提供强吸引力,在超出覆盖范围时提供弱吸引力,避免了可能破坏优化的不连续性。参数β控制过渡的锐度:当β=0.001时,在约2000米的范围内实现了逐渐衰减,这与城市环境中信号强度随距离逐渐变化的RSSI测量不确定性一致[1]。作用在设备vi上的总力量汇集了所有连接和非连接的贡献:(12)F→itotal=∑j∈C(vi)F→ijattract+∑j∈C?(vi)F→ij,其中C(vi)表示连接的基站,C?(vi)表示覆盖范围内的非连接基站。通过最小化与力平衡状态的偏差来规范位置预测:Lforce=‖F→itotal‖2。这种基于物理的约束鼓励了几何一致性,补充了数据驱动的学习。旋转力模型考虑了定向天线的角度限制和扇区配置:(13)F→irot=∑j∈S(vi)τij?(r?ij×n?j),其中S(vi)表示基站扇区,τij表示角力大小,n?j表示扇区法向量,×表示叉积。旋转力促进了预测位置与扇区方向的对齐,增强了空间一致性。力参数根据图元数据配置进行初始化,并在训练过程中进行优化。实现中使用了kattractive=1.0和krepulsive=0.5作为基本力大小,并具有距离依赖的调制。系统包含了实用的防护措施,包括梯度裁剪、数值稳定性检查(NaN/Inf检测)以及根据本地网络密度调整的自适应阈值。这些参数通过消融研究(第5.3节)进行了验证,结果显示去除力系统后性能下降了9.3倍,并通过系统性的超参数敏感性分析(第5.4节)证明了模型在广泛力配置下的鲁棒性。3.3.1. 收敛性分析力系统的收敛性质源于损失函数Lforce=‖F→itotal‖2的结构。由于所有衰减函数fr(d)和g(d)都是连续且有界的(且fr(d)≥0,g(d)∈[0,1]),总力量F→itotal是位置预测p?i的连续函数。因此,平方范数‖F→itotal‖2是连续且非负的,构成了一个有效的正则化项。通过训练动态展示了经验收敛性:模型在245个时期后实现了稳定收敛,力量损失单调减少。力系统作为正则化项而不是主要优化目标,确保了基于梯度的优化(AdamW)收敛到复合损失L=Lpos+λ1Lforce+λ2Lconsist+λ3Lreg的局部最小值。正则化权重λ1、λ2、λ3被调整以平衡位置精度和物理一致性,消融研究(第5.3节)表明去除Lforce会导致性能下降9.3倍,证实了力系统对收敛稳定性的贡献。力平衡条件F→itotal≈0→代表一个物理上一致的状态,其中来自连接基站的吸引力与来自非连接的排斥力相互平衡。这种平衡不是作为硬性约束来强制执行的,而是通过正则化来鼓励的,允许模型在物理一致性和基于信号测量的数据驱动位置估计之间进行权衡。3.4. 训练策略和损失函数训练采用了课程学习策略[30],根据连接模式和空间复杂性逐步增加难度来训练模型。复合损失函数平衡了多个目标:(14)L=Lpos+λ1Lforce+λ2Lconsist+λ3Lreg,其中Lpos代表位置预测损失,Lforce编码了基于物理的正则化,Lconsist强制空间一致性,Lreg通过权重衰减防止过拟合。位置损失结合了绝对误差和相对误差项:(15)Lpos=1N∑i=1N‖pi?p?i‖+μ?max(0,‖pi?p?i‖?δ),其中pi表示真实位置,p?i表示预测值,μ=0.5控制惩罚权重,δ=200m定义误差阈值。第二项实现了软边缘,鼓励预测值在可接受的精度范围内。空间一致性损失确保预测值遵守已知的地理约束:(16)Lconsist=∑(i,j)∈Espatialmax(0,‖p?i?p?j‖?dijmax),其中Espatial包含具有已知空间关系的节点对,dijmax表示最大可行距离。优化采用了带有自适应学习率调度的AdamW优化器。训练进行了245个时期,计划在300个时期内完成,观察到早期收敛。模型使用优化的批量大小来平衡内存效率和训练稳定性。4. 实验方法4.1. 数据集特征实验验证使用了来自坎皮纳斯大都市区的真实世界无线网络数据。数据集包括47,619个节点,其中包括38,356个PEA(活动发射点/活动发射设备)、138个ERB(基站)、3,677个CPS(小区定位样本)和5,360个CTNC(小区塔非连接)。图包含6,561,745条边(见图1)。数据集包括38,351条PEA和ERB之间的连接边和11,298条非连接边。其他边类型包括邻近关系和基础设施连接(见图2)。下载:下载高分辨率图片(583KB)下载:下载全尺寸图片图1. 坎皮纳斯大都市区的空间密度分布,显示出每种节点类型的集中模式。下载:下载高分辨率图片(273KB)下载:下载全尺寸图片图2. 异构图中的边类型分布。CPS邻近连接占主导(40.0%),其次为CTNC连接(37.5%)和CTC(15.1%)。下载:下载高分辨率图片(162KB)下载:下载全尺寸图片图3. 异构图中的邻近性和连接模式。按节点类型分布的连接显示了网络拓扑的异质性。数据划分遵循标准实践,其中70%用于训练,15%用于验证,15%用于测试,确保所有节点类型的代表性分布。模型训练了245个时期,并进行了收敛性监测(见图3)。4.2. 基线方法和实现为了建立全面的性能基准并验证所提出的ARPIA架构的有效性,我们对其进行了广泛的比较评估,与传统的基于RF的定位方法和最先进的图神经网络架构进行了对比。评估框架包括三个不同的类别:基于经典三边测量的方法、现代深度学习架构以及旨在量化各个架构组件贡献的系统性消融实验。4.2.1. 经典定位基线我们实现了九种经典定位方法,代表了三种基本的测量范式:接收信号强度指标(RSSI)、到达时间(TOA)和到达时间差(TDOA)。每种范式都使用了三种不同的算法方法进行评估:加权三边测量、最大似然估计(MLE)和粒子过滤。这些方法被选中是为了提供传统定位技术的全面覆盖,这些技术广泛部署在运营中的无线网络中。基于RSSI的方法利用信号传播模型从接收到的功率测量值估计距离。实现细节包括使用训练数据上的最小二乘回归估计路径损耗指数,并根据坎皮纳斯大都市区的实证测量结果得出环境校准参数。TOA和TDOA的实现假设网络基础设施是同步的,时间分辨率为10纳秒,相当于理想条件下的大约3米空间分辨率。4.2.2. 图神经网络基线选择了三种代表性的GNN架构进行比较分析,因为它们在空间推理任务和异构图处理方面表现出有效性。图注意力网络v2(GATv2)[3]采用动态注意力机制来适应性地加权邻居贡献。异构注意力网络(HAN)通过语义级别和节点级别的注意力扩展了注意力机制。关系图卷积网络(RGCN)[4]为类型化的边引入了特定于关系的变换矩阵。所有训练配置都在相同的异构图框架内实现,但进行了调整以反映它们的定义架构特征。受GATv2启发的配置使用了4层和8个注意力头(约128.6M参数)。受HAN启发的配置使用了2层(约66.6M参数),这是分层注意力网络的典型配置。受RGCN启发的配置使用了3层(约97.6M参数)和关系权重矩阵。所有模型共享相同的隐藏维度dh=512以便于公平比较。训练使用了Google Colab基础设施和NVIDIA A100 GPU,批量大小为512个节点,并采用了提前停止标准(20个时期的耐心)。4.2.3. 消融研究设计为了系统地评估每个架构组件的贡献,我们设计了五个消融实验,采用留一法。基线配置代表了所有组件都激活的完整ARPIA架构。后续实验选择性地移除个别组件,同时保持所有其他架构元素不变。这种方法能够精确量化可归因于每个组件的性能下降,提供了关于架构设计和组件相互作用的见解。4.3. 评估指标性能评估使用了包括平均绝对误差(MAE):MAE=1N∑i=1N‖pi?p?i‖、均方根误差(RMSE):RMSE=1N∑i=1N‖pi?p?i‖2以及在特定距离阈值的准确性:Accτ=|{i:‖pi?p?i‖≤τ}|N,其中τ∈{100,200,500}米。4.4. 计算基础设施训练和评估在Google Colab基础设施上使用NVIDIA A100 GPU执行。ARPIAGNNv4架构包含128,620,564个可学习参数(490.6 MB),分布在注意力层、变换矩阵和输出投影上,配置了dh=512的隐藏通道。基线配置在复杂性上有所不同:HAN(66.6M)、RGCN(97.6M)和GATv2(128.6M)。在完整的异构图上进行推理需要802.39±1.78毫秒,峰值GPU内存为21.4 GB。训练在158.5分钟内完成了245个时期,平均吞吐量为每分钟1.55个时期。5. 结果和分析5.1. 与经典方法的性能比较与经典定位方法的比较评估显示,所提出的ARPIA架构在复杂的城市环境中取得了显著的性能提升。表1展示了所有评估方法的全面性能指标,表明了传统方法在具有多路径传播、信号干扰和异构网络拓扑的复杂城市环境中的局限性。在经典方法中,基于RSSI的方法表现出最一致的性能,最大似然估计实现了最低的平均绝对误差997.3米。这种相对较好的性能可以归因于信号强度测量的固有鲁棒性,这对抗影响TOA和TDOA方法的定时同步误差具有抵抗力。加权三边测量变体取得了可比的性能(MAE:1082.29米),而粒子过滤在基本三边测量上的改进很小(MAE:1000.27米),表明在高度非线性的城市传播环境中,概率状态估计的好处有限。基于时间的定位方法表现出显著的性能下降,TOA和TDOA的最大似然估计变体的平均绝对误差超过了4.7公里。这种性能下降源于多个因素:异构网络基础设施中的时钟同步挑战、非视线传播引入的系统性时间偏差,以及基站密度不足以进行可靠的双曲线定位。粒子滤波器实现通过结合运动模型和测量不确定性提高了稳定性(TOA:1107.06米,TDOA:1114.64米),但仍不适合实际部署。经典方法与所提出的ARPIA架构之间的显著性能差距突显了纯几何方法在现代异构无线网络中的根本局限性。经典方法独立处理 кажд個测量值,未能利用空间相关性、网络拓扑和异构信息源。相比之下,ARPIA的基于图的公式使得能够对网络结构进行整体推理。在独立测试集(N=5,754)上,ARPIA实现了平均绝对误差34.61米(100米内的准确率92.9%),比最佳经典基线提高了28.8倍。此外,该模型表现出出色的学习复杂训练分布的能力,拟合误差为7.55米(准确率100%),证实了该架构成功捕捉了无线环境的底层几何依赖性(见图4)。下载:下载高分辨率图片(212KB)下载:下载全尺寸图片图4. 消融研究实验中误差分布的箱形图分析。可视化展示了移除各个架构组件(基线、无注意力、无局部精度、无物理损失、减少层)对定位误差分布的影响,显示了每种配置的分位数、中位数值和异常值。表1. 定位方法的性能比较。经典方法在城市环境中显示出显著误差,而ARPIA通过基于图的空间推理实现了米级精度。ARPIA在独立测试集上的结果。类别方法MAE(米)RMSE(米)中位数(米)Acc@100mRSSI加权三边测量1082.291103.201045.70%最大似然997.30997.30982.10%粒子滤波1000.271000.30988.50%TOA加权三边测量1370.591587.441298.30%最大似然4760.274793.614685.90%粒子滤波1107.061126.741089.50%TDOA加权三边测量1370.591587.441298.30%最大似然4742.884775.494672.20%粒子滤波1114.641131.061095.30%ARPIA提出的34.6149.4818.892.9%5.2. 训练配置比较表2和图5比较了不同训练配置的无线定位学习能力。受RGCN启发的配置通过其专注于关系学习的训练策略实现了最佳基线拟合性能(MAE:12.60米),而受HAN启发的配置产生了15.89米的MAE。受GATv2启发的配置产生了25.32米的MAE。尽管GATv2与ARPIA具有相似的复杂性(128.6M参数),但其拟合训练分布的能力明显滞后,突显了多尺度设计和基于物理的约束的重要性。ARPIA通过结合多尺度处理和基于物理的约束进行了显式非连接建模,其拟合误差为7.55米,表现出色,表明将缺失的连接视为信息特征显著增强了模型捕捉复杂几何关系的能力。表2详细比较了各种基线架构和ARPIA变体的性能。下载:下载高分辨率图片(137KB)下载:下载全尺寸图片(a)。训练期间的MAE演变。下载:下载高分辨率图片(85KB)下载:下载全尺寸图片(b)。图5. GNN架构分析:(a) 训练过程中平均绝对误差的演变,显示了ARPIA相比GATv2、HAN和RGCN训练配置的优越收敛性。(b) 性能与模型复杂性的关系,表明ARPIA在复杂性与GATv2相当的情况下实现了更高的准确性,并且效率优于所有基线。表2. 训练配置的比较学习能力。结果代表了训练分布上的拟合误差,以评估架构的表现力。所有模型的隐藏宽度均为dh=512。配置MAERMSE中位数Acc@100m参数空单元(m)(m)(m)空单元(M)(分钟)GATv225.3243.4621.291.3%128.6142HAN15.8930.6312.795.7%66.6168RGCN12.6021.429.8100%97.6151ARPIA7.558.326.4100%128.61595.3. 消融研究结果消融分析(表3、图6、图7、图8)在训练分布上进行了研究,以隔离每个组件对模型学习能力的贡献。基线实现了7.55米的拟合误差,为组件评估建立了参考。移除注意力机制后,误差增加了2.3倍至17.29米,这证实了自适应加权在异构网络中的重要性。局部精度和基于物理的约束条件是必不可少的,移除这些条件会导致8.8-9.3倍的性能下降(MAE分别为66.79米和70.34米)。减少层次的变体表现最差,错误达到92.49米(下降12.3倍),这表明深度架构对于捕获无线拓扑中的多跳依赖关系是必要的。表3展示了消融实验的结果。下载:下载高分辨率图片(386KB)下载:下载全尺寸图片图6. 所有消融实验中平均绝对误差(MAE)随训练过程的演变。显示了移除组件时的性能下降。下载:下载高分辨率图片(204KB)下载:下载全尺寸图片图7. 所有消融实验的最终指标比较(MAE、RMSE、中位误差)。展示了每个架构组件的贡献。下载:下载高分辨率图片(182KB)下载:下载全尺寸图片图8. 消融研究中移除每个组件时性能下降的影响量化。表3. 消融研究结果显示了各个架构组件的贡献。结果表示模型在训练数据上的拟合能力,以分离架构的影响。配置MAERMSE中位数Acc@100m下降影响空单元(米)(米)(米)空单元空单元空单元基线7.558.326.4100%–无注意力17.2931.0014.995.7%2.3倍无局部精度66.7976.5958.382.6%8.8倍无物理损失70.3488.2662.282.6%9.3倍减少层次92.49106.8485.660.9%12.3倍关键5.4. 超参数敏感性分析为了探究基于物理的力系统超参数的实证性质,我们系统地分析了三个最关键的损失权重——物理权重(λphys)、连接权重(λconn)和非连接权重(λnon)以及自适应距离阈值(τ)。每种配置都在相同的数据集划分上使用相同的训练协议训练了100个周期,基线配置对应于第3.3节报告的值(λphys=2.0, λconn=3.0, λnon=5.0, τ=300米)。表4展示了19种实验配置的完整结果。分析揭示了超参数对定位性能影响的三个关键发现。物理权重敏感性。物理正则化权重与定位精度之间呈现非单调关系。将λphys从基线值2.0降低到0.1可以获得最佳的总体MAE(44.42米),表明较弱的物理正则化允许数据驱动的组件更自由地优化,同时仍能受益于几何约束。相反,中间值(λphys∈[0.5,1.0])会产生最差的表现(MAE >65米),表明在该范围内物理约束干扰了基于梯度的优化,而没有提供足够的几何指导。表4. 超参数敏感性分析结果。每一行代表一个从基线配置变化的单个参数。粗体值表示每个指标的最佳结果。基线配置使用λphys=2.0, λconn=3.0, λnon=5.0,并启用了自适应阈值。注意:此表中的所有配置都训练了100个周期,以便有效探索19种参数组合;结果无法直接与表3进行比较,因为表3中的模型训练了245个周期。参数值MAE(米)RMSE(米)Acc@100m基线(100周期)49.4464.6880.4%λphys0.144.4260.0985.9%0.566.9888.8282.6%1.065.5379.4681.5%3.052.4268.7179.3%5.059.3872.9385.9%λconn1.054.4579.4382.6%2.059.7070.6083.7%5.047.3561.1584.8%7.064.6780.7779.3%λnon1.053.4162.6584.8%2.056.4967.3887.0%3.055.7870.4779.3%7.062.8290.9482.6%10.0134.44147.7531.5%τ(米)20056.6773.8880.4%40059.7080.0491.3%50049.8462.1291.3%固定阈值55.5574.0982.6%非连接权重的鲁棒性。该模型在λnon的中等变化范围内表现出稳定性(MAE范围:对于λnon∈[1,7]为53–63米),证实非连接建模对定位精度有持续的贡献。然而,极端值(λnon=10)会导致灾难性的性能下降(MAE:134.44米,Acc@100米:31.5%),表明过大的排斥力会覆盖吸引力约束,从而破坏位置预测的稳定性。自适应阈值的影响。将自适应阈值τ从200米增加到500米可以提高短期精度,从80.4%提高到91.3%(Acc@100米),最佳MAE在τ=500米时达到(49.84米)。这表明考虑更大的非连接空间排除区可以提供更丰富的几何约束,与Campinas数据集中观察到的平均覆盖半径(约350米)一致。值得注意的是,完全禁用自适应阈值(固定阈值配置)会使性能相对于最佳自适应配置下降,验证了第3.3节中描述的基于密度的阈值机制。5.5. 计算成本分析为了评估所提出架构的实际可行性,我们进行了严格的计算成本分析,将ARPIA与基线GNN配置(GATv2、HAN、RGCN)进行了比较。表5展示了包括参数数量、模型大小、推理延迟和内存消耗在内的效率指标。ARPIA虽然与GATv2具有相同的参数规模(约128.6M参数),但在每个参数的准确性方面表现出更高的效率。HAN架构层次较低(2层),资源占用最小(66.6M参数,推理时间为346毫秒),但代价是显著更高的误差(MAE为15.89米)。RGCN提供了中间水平(97.6M参数),但在准确性上仍然落后于ARPIA(MAE为12.60米)。重要的是,ARPIA的效率比为0.0587 MAE/百万参数,这是GATv2(0.1969)的3.3倍,是HAN(0.2386)的4.0倍。这表明ARPIA的额外复杂性——源于其多尺度设计和基于物理的约束——带来了不成比例的高精度提升,证明了在高精度应用中进行计算投资的合理性。表5. 计算复杂性和效率分析。ARPIA在模型复杂性和定位精度之间取得了最佳平衡,实现了每百万参数最低的误差。模型参数大小推理峰值内存MAEEff。空单元(MB)(毫秒)(MB)(米)(MAE/百万)GATv2128.62490.6804.1521,39225.320.1969HAN66.61254.1346.6721,14515.890.2386RGCN97.62372.4485.0121,24212.600.1291ARPIA128.62490.6802.3921,3927.550.05875.6. 结果总结与综合全面的实验评估揭示了关于异构无线网络中基于图的定位的关键见解。传统方法(最佳MAE:997.30米)与基于图的神经网络方法(最佳MAE:7.55米,使用ARPIA)之间的显著性能差异表明了定位方法论的根本性转变。传统的几何方法受到成对距离估计和独立性假设的限制,无法捕捉现代无线网络中固有的丰富关系结构。相比之下,基于图的神经网络利用了整个网络拓扑,使得定位精度提高了两个数量级。在评估的训练配置中,ARPIA的表现优于RGCN启发式(MAE:12.60米)、HAN启发式(MAE:15.89米)和GATv2启发式(MAE:25.32米)配置。与最佳替代配置(RGCN)相比,这种1.67倍的改进展示了ARPIA训练策略的有效性,该策略结合了显式的非连接建模和基于物理的约束以及多阶段课程学习。任何GNN配置与传统方法之间的巨大差距(132.0倍的改进)突显了基于图的方法相对于传统几何方法的根本优势。消融分析揭示了组件重要性的层次结构,为未来的架构设计提供了信息。基于物理的约束和局部精度模块显示出可比的关键性(分别下降9.3倍和8.8倍),表明数据驱动的学习和领域知识的整合对于稳健的定位至关重要。注意力机制的适度影响(下降2.3倍)表明,尽管自适应聚合改善了性能,但在资源受限的部署中固定聚合方案仍然是可行的。ARPIA相较于所有基线架构的出色表现(MAE:7.55米)证明了显式非连接建模和基于物理的约束的有效性。该架构的多尺度设计,结合自适应力量校准,能够在保持物理一致性和可解释性的同时实现精确的定位。6. 讨论6.1. 关键发现实验评估揭示了四个关键见解:(1)显式的非连接建模提供了显著的性能优势,消融研究表明移除该组件会导致性能显著下降;(2)多尺度架构在多个空间分辨率上成功处理信息,消融研究揭示了层次组件之间的关键依赖性;(3)通过力系统进行基于物理的学习是必不可少的,移除物理约束会导致9.3倍的性能下降(MAE:7.55米至70.34米);(4)力系统的超参数表现出广泛的稳定性范围,敏感性分析(第5.4节)显示在中等参数变化(±40%的基线值范围内)下性能稳定,同时确定较弱的物理正则化(λphys=0.1)和更宽的自适应阈值(τ=400–500米)可以进一步提高准确性。6.2. 观察实验结果表明,ARPIA的显式非连接建模和多尺度架构在准确性方面显著优于传统方法和基线GNN架构。消融研究证实,基于物理的约束和局部精度模块是必不可少的组件,移除任何一个组件都会导致8-9倍的性能下降。该架构能够在100米阈值内实现米级精度(7.55米),突显了其在实际应用场景中的可行性。6.3. 数据集约束和实验范围本研究在特定的数据集约束下进行,这些约束定义了其实验范围和未来的研究方向。数据集来源于一个仅包含方位角、半径和发射机功率信息的简化表格。通过系统的数据丰富处理,我们推断出了质心和三角结构,为学习系统提供了额外的几何背景。重要的是,这项工作特意排除了地形和城市化数据,而是专注于探索PEA(移动设备)和ERB(基站)之间通过连接和非连接的根本交互作用的控制实验室环境。主要研究问题是确定非连接建模的数学框架是否影响定位精度——我们的结果证实了这一假设,并取得了显著的性能提升。没有与现代指纹识别方法(例如WiFi指纹识别、基于CSI的定位)进行比较是有意为之。这些方法需要包括建筑几何形状、材料属性和详细传播图的环境数据,这超出了当前的研究范围。当前的工作在控制环境中建立了显式非连接建模的理论基础,即使没有环境背景也能证明其有效性。6.4. 局限性和未来方向本研究承认了几个限制,为未来的研究指明了方向:首先,数据集来源于巴西Campinas的一个大都市区,其他地理区域的性能未经过测试。数据集的简化性质——仅包含方位角、半径和功率测量——限制了与利用更丰富环境特征的先进定位方法的比较。其次,缺乏2023-2024年的城市定位基准测试,反映出当前实验关注点在于基本的基于图的交互作用,而不是全面的环境建模。现代指纹识别方法需要详细的RF图和环境特征,这与我们的基于稀疏网络拓扑数据的方法不可直接比较。第三,计算需求很大,128,620,564个参数(490.6 MB)需要GPU加速。完整图的推理消耗了20.9 GB的GPU内存,需要具有足够VRAM的硬件。训练是在Google Colab基础设施上使用NVIDIA A100 GPU进行的。第四,由于数据集代表静态测量,因此没有评估时间动态,限制了对时变条件的洞察。未来的工作将朝着实际部署方向发展:(1)使用Raspberry Pi等设备进行硬件实现,配备GPS和天线系统以收集精确的真实数据;(2)整合建筑几何形状和地形数据,以便与指纹识别方法进行比较;(3)收集时间RF测量数据以模拟动态网络条件。这些改进可能会根据环境复杂性的不同而提高或降低性能。第五,研究仅关注户外定位场景,室内环境的研究在此工作中没有涉及。7. 结论ARPIA表明,通过基于物理的约束显式建模非连接显著提升了无线定位性能,在独立测试集上实现了34.61米的MAE(比传统方法提高了28.8倍),并在训练数据上实现了7.55米的拟合误差,具有优越的学习能力。系统的敏感性分析证实了力系统超参数的广泛稳定性,即使在参数变化较大(±40%)的情况下也能保持稳定性能,并确定了最佳操作区域。多尺度架构的成功源于局部精度、区域模式和全局背景的协同集成,消融研究确认了每个组件的必要性。未来的工作应通过跨地理验证、边缘部署的模型压缩以及时间动态的整合来解决当前的局限。该框架的可扩展性适用于其他基于图的定位任务,结合其在物理传播模型中的理论基础,为基于网络的定位系统建立了新的范式。CRediT作者贡献声明L.F.C. Seelig:撰写——原始草稿、软件、资源、方法论、调查、数据管理、概念化。R.M. Salles:撰写——审查与编辑、监督、项目管理、方法论、调查。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号