《Results in Engineering》:AI-Enhanced mm Waves Propagation Modeling for Terrestrial Links in Mediterranean Climates: Validation with real 80 GHz frequency bands for 5G and 6G communication links
编辑推荐:
准确的信道建模对于开发5G和新兴6G网络所需的高容量无线回传至关重要。大规模链路设计中的一个重大挑战是传统路径损耗(Path Loss, PL)模型的不足。正如先前文献所确认的,这些经验性和确定性模型往往缺乏足够保真度来表征大气和环境相互作用引入的复杂非线性衰
准确的信道建模对于开发5G和新兴6G网络所需的高容量无线回传至关重要。大规模链路设计中的一个重大挑战是传统路径损耗(Path Loss, PL)模型的不足。正如先前文献所确认的,这些经验性和确定性模型往往缺乏足够保真度来表征大气和环境相互作用引入的复杂非线性衰减。这一问题在地中海气候条件下尤为突出,该地区地形多样、雨衰显著,导致信号传播出现较大变异性。此外,为多样化无线传播环境开发预测模型(PL)仍然是一个重大挑战。本文提出一个支持智能自适应无线网络更广阔愿景的框架,其中AI驱动的信道表征能够促进动态资源管理和增强网络韧性。研究人员提出了两种基于机器学习的E-band路径损耗预测集成方法:广义集成方法(Generalized Ensemble Method, GEM)及其增强变体——内部超参数调优的广义加权集成方法(Generalized Weighted Ensemble with Internally Tuned Hyperparameters, GEM-ITH),并利用地中海气候区的真实测量数据进行了验证。每种方法均在两种配置下评估,通过改变基学习器数量和超参数搜索空间来实现。采用基于网格的确定性搜索为五种基学习器(XGBoost、LightGBM、随机森林、SVR和梯度提升)生成多样化的超参数组合。利用来自利比亚四条有源E-band地面链路的测量数据——覆盖多种环境(山区、沿海和城市),距离范围0.77至1.55 km——模型在结合几何和环境参数的特征集上进行训练。研究人员采用4折GroupKFold交叉验证,其中每一折对应一个测量站点。这种留一站点法确保模型在未见过的站点上进行评估,防止数据泄漏,并提供泛化性能的可靠估计。GEM-ITH优化框架使用序列最小二乘规划(Sequential Least Squares Programming, SLSQP)实现,以确定最小化均方误差的最优集成权重。实验验证使用真实测量数据进行。统计分析表明,集成模型在路径损耗预测方面优于单个基学习器,且内部超参数调优的GEM-ITH实现了最小MSE为2.11,R2为0.9361。研究结果证明了数据驱动方法超越传统模型的潜力,从而为未来5G和6G部署实现更可靠的链路预算计算、网络规划和性能优化提供了支持。
论文解读:AI增强毫米波传播建模及其在地中海气候地面链路中的验证
研究背景与问题
毫米波(mmWave)频谱是5G和未来6G无线回传网络的关键使能技术,其中E-band(71–76 GHz和81–86 GHz)凭借大连续带宽、低延迟和高容量点对点通信优势备受关注。然而,E-band地面链路的可靠部署面临严重挑战,因为该频段的信号传播对大气吸收、雨衰、沙尘等气象因素极为敏感,且高方向性窄波束对视距(Line-of-Sight, LOS)要求严苛。路径损耗(Path Loss, PL)是网络设计与优化的核心参数,但现有传播模型多基于特定气候条件开发,难以精确表征地中海气候下季节性降雨、湿度变化和复杂地形带来的非线性衰减。传统经验模型和确定性模型缺乏足够保真度,而人工智能(Artificial Intelligence, AI)和机器学习(Machine Learning, ML)能够直接学习环境参数与信道特征之间的复杂非线性关系,为数据驱动传播建模提供了新途径。因此,研究人员利用利比亚地中海气候区的实际运行链路数据,首次开发并验证了AI驱动的集成传播模型,以满足5G/6G网络对精准链路预算和自适应资源管理的需求。
研究内容与结论
本研究提出了两种基于集成学习的E-band路径损耗预测方法:广义集成方法(GEM)及其增强版本GEM-ITH,后者通过序列最小二乘规划(SLSQP)联合优化基学习器的超参数和集成权重,消除了传统方法中两步优化的次优性问题。研究人员采用来自利比亚四个有源E-band地面链路(覆盖山区、沿海和城市环境,距离0.77–1.55 km)的真实测量数据,构建了包含频率、路径长度、降雨率、发射功率、天线增益等特征的数据集,并使用4折GroupKFold(留一站点)交叉验证确保泛化性能。实验结果表明,集成模型显著优于单个基学习器;GEM-ITH在5基学习器、4超参数组合配置下取得最优性能,MSE降至2.1162,R2达0.9361,较传统GEM(MSE=4.1117,R2=0.8759)实现24.4%以上的MSE降低。该成果证明了数据驱动方法在地中海气候E-band传播建模中的巨大潜力,为5G/6G回传网络的链路预算计算、网络规划和性能优化提供了可靠工具。
关键技术方法
研究人员使用来自利比亚Al Madar Al Jadid公司传输系统部门四条有源E-band地面链路的实测数据,覆盖山区、沿海和城市环境,链路距离0.77–1.55 km,数据由诺基亚NSP/NFMP网管系统每15分钟采集一次。采用网格搜索为XGBoost、LightGBM、随机森林、SVR和梯度提升生成超参数组合,并构建了GEM与GEM-ITH两种集成框架。GEM-ITH通过SLSQP算法联合优化基学习器超参数与集成权重,同时采用4折GroupKFold(留一站点)交叉验证防止空间数据泄漏。针对高降水事件(>10 mm/h)占比不足1%的数据不平衡问题,应用高斯噪声注入增强技术。
研究结果
5.1 接收信号强度分析
通过对四个站点一个月内的平均、最大和最小接收信号电平(Received Signal Level, RSL)统计,发现各链路均出现显著信号下降事件,其中Baida站点最大降幅超过27 dBm,表明恶劣天气(大雨、浓雾、大气剧变)导致的吸收、折射或衰减严重影响E-band信号传播。
5.2 估算平均降雨率
基于实测衰减和ITU-R建议书(P.530-19和P.838-3)提取频率相关系数,将雨衰转换为高时间分辨率(15分钟)降雨率。结果显示,NEW-EXCH–BAIDA7链路记录最高降雨率约49.11 mm/h,对应1.33 km路径上0.01%时间的雨衰为27.4 dB,与文献报道的Al-Bayda降雨率47.94 mm/h接近,验证了估算可靠性。
5.3 机器学习模型开发结果
5.3.1 相关分析
相关性矩阵表明,降雨率(r=0.74)和路径长度(r=0.61)是影响路径损耗的最主要因素,验证了特征选择的合理性。
5.3.2 实验结果
在GEM与GEM-ITH的四种配置中,所有集成模型均优于最佳单个基学习器(XGBoost,R2=0.8989)。GEM-ITH在K=4,b=3配置下,MSE为3.1415,R2为0.9052;在K=5,b=4配置下,MSE降至2.1162,R2达0.9361,明显优于GEM的MSE=4.1117和R2=0.8759。
5.3.3 GEM与GEM-ITH性能比较
GEM-ITH通过联合优化超参数和权重,在4基学习器配置下较GEM实现MSE降低24.4%、R2提升3.4%;在5基学习器配置下增益更显著(MSE降低48.5%)。此外,与Shahhosseini等人(2022)在UCI和Kaggle数据集上的跨域对比表明,GEM-ITH在处理高度不平衡的实际无线电传播数据时仍具有鲁棒性和有效性。
讨论与结论
讨论部分强调,传统GEM将超参数调优和权重优化分离,易陷入次优;GEM-ITH通过嵌套确定性网格搜索联合优化,能够系统性探索更广超参数空间,并利用SLSQP获得全局最优权重,从而显著提升预测精度。集成方法通过融合XGBoost、LightGBM、随机森林、SVR和梯度提升的多样性,有效捕捉了传播路径损耗中的复杂非线性模式;留一站点交叉验证则保证了模型对未见地理和微气候环境的推广能力。
研究结论为:本研究基于利比亚四条不同环境的有源E-band地面链路实测数据,提出了GEM和GEM-ITH两种用于E-band路径损耗预测的集成算法,填补了地中海气候区域E-band传播特性研究的空白。通过采用4折GroupKFold留一站点交叉验证和SLSQP优化,GEM-ITH在内部超参数调优下获得最低MSE 2.11和最高R2 0.9361,优于固定超参数的传统GEM集成。该框架支持智能自适应无线网络的愿景,AI驱动的信道表征可促进动态资源管理和网络韧性增强。研究结果证明了数据驱动方法超越传统模型的潜力,为未来5G和6G部署提供更可靠的链路预算计算、网络规划和性能优化,也为地中海及类似气候区的下一代无线基础设施设计与部署提供了有价值的参考。