基于物理原理的残差学习方法在室内路径损耗预测中的空间验证

《Scientific Reports》：Spatially validated physics-guided residual learning for indoor path loss prediction

　　

摘要

要实现准确的室内路径损耗预测，需要使用既具有物理可解释性，又能捕捉由墙壁、杂物以及非视距传播带来的结构化变异性的模型。本文提出了一种基于物理原理的残差学习框架，用于室内路径损耗预测。该框架首先在考虑泄漏效应的嵌套空间验证机制下，对每个频段的大规模基准模型进行校准，然后再利用从二维平面图抽象出的几何特征描述符，通过机器学习来建模剩余的结构化误差。研究在0.7至7.0 GHz的五个频段下，于复杂的真实室内环境中，在视距和非视距条件下进行了测量。线性基准模型提供了稳健且易于理解的首次估算结果，而残差学习方法在未经过处理的外部空间测试区域中持续提升了预测精度。经过正则化的线性残差学习器仅能带来有限的提升，这说明剩余误差中仅包含较弱的线性成分。相比之下，非线性集成模型则取得了显著更好的效果，其中随机森林的验证性能最佳，XGBoost紧随其后。SHAP分析表明，残差校正主要受传播路径周围的局部墙体结构、接收端附近的杂物、路径附近的几何特征以及受衍射效应影响的角度描述符的影响，而非仅仅由频率决定。这些结果支持这样一种观点：采用经过空间验证的混合策略，既能够提升室内路径损耗预测的准确性，又能保持模型的可解释性，同时降低因空间泄漏而导致的过高估计风险。