面向蜂窝连接无人机网络的可解释且符合物理原理的切换预测方法

《IEEE Open Journal of Vehicular Technology》：Explainable and Physics-Aligned Handover Prediction for Cellular-Connected UAV Networks

　　

摘要：

在蜂窝网络覆盖下的无人机，由于视距传播特性，每个设备都会接收到多个信号强度相近的基站信号，从而导致频繁的切换，这可能危及那些对安全性要求极高的任务。机器学习可以提前预测切换情况，但大多数预测模型缺乏透明度，而现有的可解释模型则忽略了诸如3GPP A3事件所定义的单调关系等领域知识。本文提出了分层归因神经加法模型（HA-NAM）。该模型将每个预测结果分解为三类特征对应的形状函数：空间无线信号质量、无人机移动性以及切换历史；对15个特征中的12个施加严格的单调性约束，并加入轻量级的跨组交互模块。我们在一个包含57个基站的城市宏观环境中进行测试，采用L3过滤后的RSRP值、空间上一致的视距/非视距状态以及基于轨迹的数据分割方式，让HA-NAM在500毫秒的预测时间内完成A3事件预测。实验结果显示，HA-NAM的AUC值达到0.952±0.003，在所有具有可解释性的模型中，其 missed-handover率也是最低的。而基于LSTM和GRU的模型虽然在特征透明度方面有所牺牲，但仅能实现+0.8的AUC提升幅度。在AERPAW测试平台上的真实5G无人机测试数据中，HA-NAM在不同飞行阶段的分割测试中均获得了0.934到0.961的AUC值，且通过模拟训练得到的形状函数与实际切换情况之间存在显著的相关性。在边缘设备上的测试表明，该模型在Raspberry Pi 4上的推理时间低于10毫秒，在NVIDIA Jetson AGX Orin上的推理时间则低于6毫秒。因此，这种受物理规则约束的加法模型不仅能够达到黑箱模型的准确度，还能提供可审核的、针对每个特征的详细解释，这些解释既适用于模拟环境，也可应用于实际的空中网络。