在复杂环境中对接收信号强度进行建模的机器学习方法

《IEEE Journal of Selected Topics in Electromagnetics, Antennas and Propagation》：Machine Learning Approaches to Received Signal Strength Modelling in a Complex Environment

　　

摘要：

准确预测接收信号强度指标（RSSI）是无线网络规划和优化阶段中的关键要素。此外，像森林这样的复杂环境带来了更多挑战，这些挑战无法通过常见的路径损耗（PL）经验模型来解决。在这种情况下，可以利用测量数据来构建预测模型。在这项研究中，我们使用在2000平方公里区域内通过无线传感器网络收集的测量数据，对森林环境中的信号传播进行了建模。鉴于最近的技术进步以及人工智能（AI）的巨大潜力，机器学习（ML）被视为传统建模方法的替代方案，因为它能够将复杂和非线性的环境因素纳入RSSI预测中。因此，本研究旨在通过探索各种ML模型并评估它们在复杂森林环境中预测RSSI的潜力来填补这一空白。具体来说，我们使用了三种ML模型：极端随机树（ERT）、自然梯度提升（NGBoost）和进化森林（EF）。在所研究的模型中，EF技术是首次应用于信号传播问题的新型ML模型。为了解释表现最佳的模型（即进化森林）的结果，采用了两种XAI方法：Shapley加性解释（SHAP）框架和加速模型不可知解释（AcME）方法。所提出的ML技术在预测森林环境中的RSSI值方面表现出极高的准确性。