一种可泛化的、基于物理原理的长距离注意力网络，用于隧道中无线电波传播的建模

《IEEE Transactions on Microwave Theory and Techniques》：A Generalizable Physics-Informed Long-Range Attentive Network for Radio Wave Propagation Modeling in Tunnels

智能交通系统中隧道无线电波传播建模需求迫切，传统物理方程方法计算成本高且难以处理长距离复杂场景。本文提出的物理引导长程关注传播网络（PLAPN）通过双路径注意力机制与滑动窗口策略，有效融合空间时域特征，在Massif Central隧道实测及多几何结构仿真中验证，窗口化PLAPN（PLAPN-Win）较基线模型精度提升显著，为长距离铁路通信优化提供新方法。

　　

摘要：

在隧道环境中对无线电波传播进行准确高效的建模对于现代智能交通系统（ITS）的部署和优化至关重要。传统的基于物理的方法，如抛物线波方程（PWE）方法，由于计算成本较高而面临重大挑战。最近，机器学习（ML）方法的应用使得隧道中无线电波传播的建模变得迅速。然而，这些方法在准确预测隧道环境中的长距离传播方面存在显著困难，限制了其实际应用性。本文提出了一种基于物理知识的长距离注意力传播网络（PLAPN），该网络结合了卷积特征编码、双路径注意力转换器和滑动窗口推理策略。该模型旨在直接从隧道中的短距离仿真中学习接收信号强度（RSS）分布，从而实现长距离序列预测，同时捕捉空间和时间依赖性。同时，我们引入了一种滑动窗口策略，通过关注局部时间上下文并减少长序列中的误差累积，显著提高了预测精度。来自Massif Central隧道的测量数据以及在不同隧道几何形状和频率设置下的仿真结果均证实，带窗口的模型版本（PLAPN-Win）比其无窗口版本（PLAPN-Nowin）和传统的卷积神经网络（CNN）基线具有更高的重建精度。

引言

智能交通系统（ITS）是一种旨在提高交通安全和运输管理及移动模式运营效率的创新应用[1]、[2]、[3]、[4]、[5]、[6]、[7]、[8]。作为ITS的关键子系统，基于通信的列车控制系统（CBTC）发展迅速，这促使人们深入研究铁路隧道中的无线电波传播特性[9]、[10]、[11]、[12]。随着第五代移动通信（5G）及其后续网络技术的广泛应用[13]、[14]、[15]、[16]，在复杂隧道环境中对毫米波传播的建模已成为一个紧迫的研究课题。这类网络可以延伸数十甚至数百公里，并经常穿越复杂的地形。抛物线波方程（PWE）方法[17]、[18]、[19]、[20]、[21]、[22]、[23]在隧道等引导波结构中能够提供相对较高的计算效率和稳定性。然而，在高频段或长距离轨道交通网络中，PWE方法仍然消耗大量的计算资源和时间，这对实时应用和经济可行性构成了挑战。