基于多任务学习的复杂建筑环境下低空大尺度衰落预测模型

《IEEE Open Journal of Antennas and Propagation》：Mechanism-Decoupled Multi-Task Learning for Altitude-Dependent Large-Scale Fading Prediction in 3D A2G Built-Up Scenarios

　　

摘要：

准确描述高度依赖的大尺度衰落（LSF）对于低空空对地（A2G）通信网络至关重要。现有的数据驱动模型往往无法预测在复杂建筑环境中的LSF变化，尤其是与视距（LoS）和非视距（NLoS）传播相关的情况。为了解决这一限制，我们提出了一个结合了建筑统计特征的LSF模型。在该模型中，LSF特征参数通过使用机制解耦多任务学习（MD-MTL）方法进行预测。该方法整合了建筑统计特征，并将LoS和NLoS的预测分别划分到不同的任务分支中。此外，我们还生成了一个光线追踪模拟数据集，其中包含来自90个参数化三维（3D）城市场景和多种无人机（UAV）飞行高度的信道数据，用于训练MD-MTL网络。在五折场景ID保留的验证（OOF）评估中，MD-MTL在七个评估模型中实现了最低的形态平衡平均归一化均方根误差（NRMSE），为0.305。由此得到的近距离路径损耗模型显示，LoS的均方根误差（RMSE）为0.219 dB，NLoS的RMSE为2.613 dB。Shapley加性解释（SHAP）分析进一步揭示了无人机高度、建筑特征与四个LSF参数之间的数据集条件关联性。该框架作为在复杂建筑环境中进行低空通信链路预算评估的紧凑型学习工具。