面向蜂窝联网无人机的三维信道建模：一种基于三重机器学习架构的实证研究新方法

《IEEE Open Journal of the Communications Society》：Empirical 3D Channel Modeling for Cellular-Connected UAVs: A Triple-Layer Machine Learning Approach

本文针对无人机(UAV)在蜂窝网络中通信时面临的独特传播挑战，提出了一种创新的三重机器学习(ML)框架。研究人员通过系统性的空中路测，采集了真实LTE网络环境下的关键性能指标(KPI)数据，并构建了一个包含STW、EBT和GPR的三层模型。该模型仅使用对数变换的3D/2D距离、方位角和仰角等少数几何特征，即可高精度预测RSRP、RSRQ、RSSI和路径损耗(PL)，测试集决定系数(R2)均超过0.90。此研究为无人机集成蜂窝网络提供了高效、可扩展的信道建模工具，对网络规划、覆盖映射和智能路径规划具有重要意义。

　　

在无人机(UAV)应用迅猛发展的今天，从物流配送到紧急救援，再到实时多媒体流传输，这些“空中智能体”正日益融入我们的日常生活与关键任务中。然而，要让无人机安全高效地运作，一个稳定可靠的通信链路是生命线。与地面用户不同，无人机在高空移动，其飞行轨迹动态多变，传播环境也随之快速改变，这使得传统的、为相对静态的地面通信设计的地面信道模型变得“水土不服”。无人机独特的运行特性，如高度的机动性、动态变化的飞行轨迹以及快速变化的传播环境，带来了复杂的传播挑战。尽管利用现有广泛的蜂窝网络（如LTE和5G）为无人机提供通信服务被视为一种极具前景的方案，但如何准确刻画空对地(A2G)信道的特性，成为了一项亟待解决的核心难题。

传统经验模型往往过于简化这些动态因素，而虽然精确但计算密集的射线追踪方法又因依赖详尽的环境数据而难以在实际中大规模部署。近年来，机器学习(ML)技术为破解这一难题带来了曙光，它能够利用实测数据动态预测关键网络参数。然而，现有的ML驱动模型大多采用单层架构，限制了其系统性地优化预测的能力，且常常依赖于复杂繁多的特征集，影响了计算效率和实时应用的可行性。

为此，发表在《IEEE Open Journal of the Communications Society》上的这项研究，旨在填补这一研究空白。研究人员开展了一项深入的实证研究，提出了一种新颖的三重机器学习框架，专门用于蜂窝联网无人机的信道建模。

为了开展这项研究，研究人员主要运用了以下几项关键技术方法：首先，在马来西亚国立大学(UKM)的郊区环境中，利用大疆Matrice 300无人机搭载三星Galaxy S21+手机（作为用户设备UE）和Keysight Nemo Handy驱动测试软件，进行了系统的空中路测，采集了超过95,000个样本的LTE网络关键性能指标(KPI)数据。其次，对数据进行严格的预处理和特征工程，提取了包括2D距离(d_2D)、3D距离(d_3D)、方位角(θ)和仰角(β)在内的核心几何特征。最后，构建并训练了一个三重机器学习模型，该模型依次集成了逐步线性回归(STW)、装袋树集成(EBT)和高斯过程回归(GPR)，其中GPR作为聚合层，对前两层的预测结果进行精细化融合，最终实现对路径损耗(PL)、参考信号接收功率(RSRP)、参考信号接收质量(RSRQ)和接收信号强度指示(RSSI)的高精度预测。研究采用了10折交叉验证和基于空间位置的训练集/测试集划分来评估模型性能。

测量设置与数据收集

研究团队在马来西亚国立大学(UKM)的郊区环境进行了精心设计的空中驱动测试。测试使用大疆Matrice 300无人机，飞行速度恒定在20公里/小时，飞行高度从离地10米到130米（海拔85米到205米），以5米为间隔递增，径向距离从100米到900米，以100米为间隔。无人机沿着预设的部分圆形路径飞行，确保了数据在三维空间中的多样性和代表性。关键的LTE网络参数，如RSRP、RSRQ、RSSI和PL，由安装在无人机上的商用智能手机通过Keysight Nemo Handy软件以2赫兹的采样率直接测量记录。所有测量均在晴朗天气和低风速条件下进行，以控制环境变量。最终，从一个运营中的LTE基站（载波频率2.6 GHz，四个扇区）收集了11,060个有效样本用于建模。

信道建模与机器学习框架

本研究提出的核心创新是一个三重机器学习建模框架。该框架采用分层递进的策略：第一层使用逐步线性回归(STW)模型建立输入特征（对数变换的d_3D, d_2D, θ, β）与目标KPI之间的线性关系基础。第二层使用装袋树集成(EBT)模型来学习第一层STW预测的残差（即实际值与STW预测值之差），从而捕捉数据中复杂的非线性模式。第三层，也是最终层，采用高斯过程回归(GPR)作为智能聚合器，它将原始的输入特征、STW的线性预测以及EBT的残差预测共同作为输入，生成最终的、经过概率校准的KPI预测值，并能够提供预测的不确定性估计。这种架构实现了从简单线性近似到复杂非线性拟合，再到概率性精细优化的系统化预测流程。

性能评估

对提出的三重机器学习框架的性能评估显示出了显著的层级改进效果。第一层STW模型作为线性基准，其预测性能有限，测试集的R2范围在0.23（RSRQ）到0.44（RSSI）之间。第二层EBT模型通过捕捉非线性残差，性能大幅提升，测试集R2达到0.81（RSSI）至0.90（RSRP）。最终的GPR聚合层进一步优化了预测，在测试集上取得了卓越的性能，所有四个KPI的R2均超过0.90（PL: 0.90, RSRP: 0.95, RSRQ: 0.91, RSSI: 0.91）。与其他16种单层机器学习模型（如线性回归、支持向量机、人工神经网络等）相比，该三重框架在预测精度（R2和RMSE）和预测速度之间取得了最佳平衡。研究还提供了两种配置选项：优先预测性能的配置和优先计算延迟（预测速度提升约3.7倍）的配置，以适应不同应用场景（如离线规划与实时路径调整）的需求。

模型复杂度与面向用户的配置策略

该研究不仅关注模型的预测精度，也考虑了其实用性。通过调整EBT层的超参数（如减少学习器数量），研究人员提供了一个“延迟优化”版本的模型，其预测速度从约5,325个观测/秒提升到约19,476个观测/秒，仅伴随微小的性能下降（R2降低约0.01-0.02）。这使得该框架能够灵活部署于从云端精细分析到无人机机载边缘计算等不同计算约束的场景中，支持网络规划、覆盖地图生成、切换机制评估和智能路径规划（包括全局规划和在线规划）等多种应用。

本研究成功开发并验证了一个高效、鲁棒的三重机器学习框架，用于精确建模蜂窝联网无人机环境中的空对地传播信道。该框架的创新之处在于其系统性的分层设计，它仅依赖少数关键的几何特征，即可实现对多个关键网络性能指标的高精度预测，显著优于传统的单层机器学习方法。研究成果为无人机安全可靠地集成到现有蜂窝网络提供了强大的理论模型和实用工具，标志着在实现自适应、可扩展的空中通信解决方案道路上迈出了重要一步。未来工作可考虑纳入环境特征、动态网络参数，并探索模型在更广泛场景下的泛化能力。