基于3D电子地图和信道实测数据的市区路径损耗机器学习模型研究

耿绥燕 胡 玮 丁海成 钱肇钧 赵雄文

①(新能源电力系统国家重点实验室(华北电力大学) 北京 102206)

②(河北省电力物联网技术重点实验室(华北电力大学) 保定 071003)

③(国家无线电监测中心 北京 100037)

1 引言

5G移动通信系统支持更广的覆盖范围、更高的连接密度、更低的无线电延迟和更高的频谱效率，是近年来国内外研究的热点[1]。路径损耗导致的信号衰减会严重影响无线通信链路的质量，因此5G移动通信系统复杂的传播环境使得接收信号强度的预测成为重要的研究方向。目前，Sub-6 GHz作为5G商用的主要频段，传输损耗和衰减较小，具有支持中高速移动和非视距无线通信的特点，对该频段进行路径损耗建模对于5G链路预算、覆盖预测、系统性能优化和基站位置选择至关重要。

路径损耗用于描述电磁波在空间中传播时的衰减[2]，传统的路径损耗模型可以分为经验模型和确定性模型[3]。经验模型是路径损耗与传播参数之间关系的统计描述，其本质是获得特定地理环境中电磁波传播的一般公式[4]。对数距离经验模型[5,6]根据确定的路径损耗指数来表征接收器功率如何随天线分离距离而下降，均值为0的高斯随机变量用于描述由阴影衰落引起的衰减。另外大量建模工作是对典型经验模型进行的修正，即根据特定场景下的测量数据对经验模型进行参数优化[7,8]。确定性模型通常基于特定传播环境、信道场景以及收发器的位置，可以实现高精度路径损耗预测并提供任何特定位置的路径损耗[9]。常用的确定性信道建模方法如射线追踪等[10–12]，可以得到与环境相匹配的3D信道模型，其精度及计算复杂度较高。

机器学习(Machine Learning, ML)能够有效地从海量数据中找到特定的规则并进一步做出预测，在数据量激增以及快速有效地进行数据交换的今天优势突显。相比于传统的统计与确定性信道模型，ML建模方法是近年来5G无线信道建模领域较为热门的一个研究方向。机器学习算法在通信系统中的路径损耗预测方面具有准确高效的性能[13,14]。简单神经网络可以用于信道建模，利用反向传播(Back Propagation, BP)、径向基函数(Radial Basis Function, RBF)等神经网络可以对信道参数进行预测[15–17]，其他参与路径损耗预测的机器学习模型还有决策树、支持向量机[18,19]等。上述机器学习方法仅利用收发端的位置及距离作为特征进行网络训练，特征参数少，预测结果受测试场景的限制，通常需要将视距路径与非视距路径分开预测，泛化能力不强。城市环境信道复杂多样，为了进一步将信道模型与环境相匹配，深度卷积神经网络(Convolutional Neural Networks, CNN)也是一个路径损耗建模的新方向[20–23]。文献[20]利用卫星图像辅助深度学习，建立准确的信道模型，文献[21]在900 MHz频段用卫星图像作为深度卷积网络的输入，来估计路损指数和阴影衰落因子，以实现城市、农村等12类场景的识别。文献[22]将谷歌地图获取的图像用增强型局部区域多重扫描算法提取环境信息，然后输入卷积神经网络中对路径损耗进行预测。文献[23]使用射线追踪方法仿真数据集，将建筑物高度、发射机高度与地势特征用于CNN的训练，以提高预测精度。

迁移学习(Transfer Learning, TL)是一种机器学习方法，即把一个领域的知识迁移到另一个领域，帮助目标领域取得更好的训练效果[24]。在实际通信系统中，信道测量或路测耗时且成本很高，为了解决这类问题，文献[25]提出利用迁移学习进行通信场景转移的研究思路，文献[26]利用踪仿真数据集，将迁移学习的方法应用到新频率或新场景下的路径损耗预测中，并且提出多特征信道参数预测方法和相应的特征选择方案。文献[27]将迁移学习作为扩充信道数据集的方法，以便在待预测数据量有限时，可以从已有数据中学习知识和经验，以提高建模效率。

基于机器学习以及迁移学习的路径损耗建模已经有了一定的研究基础，但是许多工作仍然基于射线追踪软件的仿真数据，没有在实测数据集下的验证作为模型支撑，并且在建筑物密集的城市环境中遮挡效应明显，传统的以收发端距离为基础的机器学习预测模型不再适用。另外，用深度卷积网络进行建模时可以结合环境特征，但其输入多为2维平面卫星图像，通常多用作大范围区域内的场景识别问题。

本文针对5G商用的700 MHz, 2.4 GHz和3.5 GHz频段，使用城市环境下视距(Line of Sight, LoS)非视距(None Line of Sight, NLoS)混合路径的实测数据，根据3D电子地图提取环境特征参数集用于机器学习路径损耗模型以提高其预测精度。具体地，将收发端位置、距离、相对余隙、建筑物密度、平均高度等作为环境特征，建立基于3D电子地图的机器学习路径损耗预测模型，并在此基础上提出频率迁移学习路径损耗预测模型，与传统的以收发端距离为输入的预测方法做比较，最后利用均方误差、平均绝对百分比误差、均方根误差、决定系数等指标来评价其预测性能。

2 测试场景

本文测量以及电子地图数据均基于国家无线电监测中心无线电业务频率规划研究实验室3期工程在中国苏州市中心地区的现场测量。图1(a)是实际测试场景及测试点的俯视图，图1(b)为3D电子地图数据的2维平面图，其中红色箭头表示接收机移动路径RX，右侧色条以地面0 m为参考，从蓝色到黄色的颜色变化表示测试场景中所有建筑物的不同高度。其中，发射机TX距地面80 m，固定在东经120.53425°，北纬31.27765°的建筑物顶部(图1(b)红色十字处)，由此可知发射机左右两侧均有较高的建筑物遮挡；接收机及GPS定位器固定在汽车顶部，距地面2 m，沿图1(b)箭头所示方向缓缓移动，可以记录接收信号强度及经纬度位置信息，路径长度大约为1 km。另外，在该测量路径下，进行了3次独立测量，测试频段分别为700 MHz, 2.4 GHz,3.5 GHz，测量参数的详细配置见表1。

表1 测试参数设置

3 基于3D电子地图的路径损耗模型

路径损耗(Path Loss, PL)的预测对于5G链路预算、覆盖预测、系统性能优化和基站位置选择至关重要。PL定义为发射机和接收机之间信号的平均衰落，通常与频率和距离呈对数关系，可表达为

使用Matlab Curve Fitting拟合工具箱，选取建筑物平均高度为权重因子，将建筑物密度和主相对余隙与路径损耗建立联系，由最小二乘法根据3D电子地图和实际测试数据得到遮挡损耗的公式为

由此可见，由环境阻挡效应引起的遮挡损耗与信号频率(MHz)、主相对余隙以及收发端之间的建筑物密度有关。由于建筑物平均高度与主相对余隙呈正相关关系，即建筑物平均高度越高，则越有可能引起遮挡，主相对余隙越大，因此将建筑物平均高度作为模型拟合过程中的权重因子，可以在参数不冗余的前提下，提高模型的拟合度，减小遮挡损耗曲面的拟合误差。图4以700 MHz为例代入式(3)，得到遮挡损耗与建筑物密度和主相对余隙的拟合曲面。

图4中黑色点为实测值，由此可见附加损耗随建筑物密度和主相对余隙的增大而增大，因此在大型城市建筑物密集的视距非视距混合信道中，路径损耗与环境特征密不可分。

4 基于3D电子地图和实测数据的机器学习路径损耗预测模型

近年来，机器学习算法因其准确性和高效性广泛应用于信道建模领域，而利用机器学习算法预测路径损耗是重点研究方向。自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)的RBF机器学习算法，即APSO-RBF算法可以建立精确的室内毫米波信道路径损耗模型[16]。本文基于3D电子地图环境特征参数集，提出基于3D电子地图的机器学习路径损耗预测模型，并在此基础上提出频率迁移路径损耗预测模型，以精确地预测复杂环境下的路径损耗值。

4.1 APSO-RBF机器学习算法

APSO-RBF算法是具有全局收敛能力的前馈型神经网络，RBF本身具有结构简单、训练成本低的特点，并且通过APSO算法的优化可以得到RBF神经网络的最优扩展速度，增加了RBF模型的精度以及对较大波动数据的适应性[16]，在信道建模领域中广泛应用。APSO-RBF模型通过中间层(隐藏层)神经元的非线性传递，能够实现从输入空间到输出空间的任意非线性映射，逼近任意的非线性函数关系。网络输出可表示为

4.2 基于3D电子地图的路径损耗机器学习预测模型

在建筑物密集的城市中，无线信号的传播信道为LoS与NLoS同时存在的混合信道，路径损耗与距离没有明显的线性关系，另外，当频率已知时，遮挡损耗与建筑物密度和相对余隙均呈正相关关系，路径损耗预测与环境特征密不可分，传统的只将收发端距离作为输入特征的机器学习预测方法不再适用。首先需要预处理原始接收信号，得到训练集中的路径损耗值，即数据标签，为了进一步精准预测每个测试点的路径损耗值，根据3D电子地图，可以得到每个测试点下的特征参数集

其中，下标i表示第i个测试点的参数值，由于发射机位置固定，因此dtx,dty无下标。图5为基于3D电子地图的APSO-RBF机器学习路径损耗预测流程，该模型的输入为3D电子地图中提取的每个测试点的特征参数集，输出为路径损耗值，其映射关系为

4.3 基于3D电子地图的路径损耗频率迁移预测模型

迁移学习是机器学习领域的一类方法，其目标是将某个领域或任务上学习到的知识或模式应用到不同但相关的领域或问题中。现有表现比较好的机器学习算法需要大量的带标签数据，对数据有很强的依赖性，获得带标签数据成本高、周期长，但是若没有大量训练数据作为模型的支撑，会严重降低机器学习算法的预测性能，因此为了减少数据测量的时间消耗和成本，引入迁移学习方法来解决此类问题。

由于路径损耗与频率有关，因此基于频率迁移的机器学习预测方法可以利用现有频段中的大量测试数据来预测其他频段的路径损耗。首先，用已有频段的历史数据训练APSO-RBF机器学习基本模型，然后通过训练好的模型预测当前场景中采集到的有限数据在当前频率下的路径损耗值，用来计算优化因子，最后，训练好的模型需要通过相应的优化因子进行调整，根据文献[26]，经过频率迁移学习的预测修正值为

5 结果分析

本节分析验证所提出的基于3D电子地图的路径损耗机器学习预测模型，以及频率路径损耗预测模型的性能。将本文方法预测的路径损耗值与测量数据和传统的基于收发端距离的预测值进行比较[15–19]，并使用均方误差(Mean Squared Error,MSE)、平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)、均方根误差(Root Mean Squard Error, RMSE)、决定系数R2等指标来评估其性能。

5.1 基于3D电子地图的机器学习路径损耗模型预测性能

700 MHz, 2.4 GHz, 3.5 GHz频段的样本数量分别为3995, 1644, 2444。将每组测量数据，以4:1的比例等间隔将测试数据分为训练集和测试集。使用MATLAB神经网络工具箱，验证本文所提方法的有效性。

图7为不同频段下基于电子地图的机器学习PL预测结果，以及与传统的基于收发端距离的PL预测对比。由图7可知，本文所提基于电子地图的机器学习PL预测模型预测精度更高，可以更详尽地学习环境地理信息，精准地反映原始数据特征，而传统的基于收发端距离的PL预测模型预测效果较差。这是因为随着RX由北向南移动，RX与TX之间的距离先减小后增大，但其对应的PL值没有明显的先减小后增大趋势，PL与距离不满足线性关系，因此在建筑物密集的城市环境下传统方法不再适用。值得注意的是，在同一条路径下不同频率的接收测试点数量和信号趋势有所不同，这是因为3种频段的信号折射、绕射能力均不同，另外3次测量相对独立，容易受实时路况和行人车辆等的影响。

表2为不同频段下的模型预测误差指标评价表。由表可知，在所有频段中，本文所提基于电子地图的机器学习路径损耗预测方法误差小，模型拟合度高，其中700 MHz预测结果优于其他频段，其误差参数分别为MSE, RMSE, MAPE，R2分别为0.621, 0.788, 1.87%, 0.8669，这是因为路径损耗模型与频率呈正相关关系，所以频率越低误差越小。

表2 基于3D电子地图的路损预测误差评价表

5.2 基于3D电子地图的频率迁移路径损耗模型预测性能

基于频率迁移的预测方法可以利用现有频段中的全部测试数据来预测其他频段的路径损耗。路径RX中，频率迁移学习数据集取3D电子地图多特征PL预测数据集中3个频段的子集，用2.4 GHz作为待预测频段。将700 MHz和3.5 GHz的全部数据分别独立作为训练集，再分别利用20%,30%以及50%的2.4 GHz数据用于调整模型，其余2.4 GHz数据用于频率迁移模型验证，共6次独立试验。以模型调整数据为30%的2.4 GHz数据为例，基于3D电子地图的频率迁移路径损耗预测结果如图8所示(训练集为全部历史数据并用30%的2.4 GHz数据调整模型)。由图8可知，虽然训练集频率和待预测频率不同，但是基于频率迁移学习模型可以很好地拟合实测值。

表3为基于3D电子地图的频率迁移PL预测误差指标评价表。由表3可见在迁移学习调整模型阶段，使用的调整数据越多，其模型误差越小。以RMSE为例，训练集为700 MHz全部数据时，20%, 30%,50%的2.4 GHz数据用于模型调整的RMSE分别为5.2867, 4.7480, 4.5189。另外，在加入相同数量的调整数据时，以3.5 GHz为训练集的模型预测效果要优于700 MHz，因为相比于700 MHz，3.5 GHz更接近待预测频率，因此当历史数据频率更接近待预测频率时，频率迁移学习模型会取得更好的效果。

表3 基于3D电子地图的频率迁移PL预测误差指标评价表

6 结论

本文针对大型城市场景，基于5G典型商用700 MHz,2.4 GHz, 3.5 GHz 3个频段的实测数据，以主相对余隙、建筑物高度、平均密度等作为环境特征，建立了基于3D电子地图的机器学习路径损耗预测模和频率迁移的有限数据集路径损耗预测模型，并与传统的基于收发端距离的机器学习路损预测模型相比较，利用MSE, RMSE, MAPE, R2等指标验证其预测性能。结果表明，在复杂大型城市环境下，路径损耗除距离因素外，还与建筑物的遮挡特性密切相关，本文所提预测模型在各个频段下的预测精度均优于传统模型，模型拟合度较高，各类误差较小。在路径损耗与距离为非线性关系的LoS/NLoS混合信道中，可以很好地预测由建筑物遮挡引起的巨大波动，而且频率越低误差越小。另外，基于频率迁移的机器学习预测模型可以利用已测频段的数据，在同一场景中预测新频段下的路径损耗，并且当历史数据频率更接近待预测频率时，频率迁移学习模型会取得更好的效果。综上，本文提出的基于3D电子地图的机器学习路径损耗模型对建筑物密集的城市环境有良好的适应性，对于5G无线网络的性能优化具有重要意义。