车载通信信道质量的深度学习预测模型及其性能比较

可在www.sciencedirect.com上在线获取ScienceDirectICTExpress 9（2023）116www.elsevier.com/locate/icte基于深度学习的车载通信信道质量指标预测Jihun Kim，Dong SeogHan韩国大邱庆北国立大学电子电气工程学院接收日期：2021年11月8日;接收日期：2022年3月1日;接受日期：2022年5月4日2022年5月14日网上发售摘要车载通信为了安全和方便而共享重要信息。车载通信必须保证高的传输速率和稳定的通信。在车辆通信环境中，信道特性由于以下原因而频繁变化：车辆的高速行驶。了解信道条件对于保持稳定的通信至关重要。我们提出了一个最佳的信道质量指示符（CQI）预测模型预期的信道特性。我们的预测模型定义了CQI从接收信号强度指示（RSSI），并被应用于车辆环境中的IEEE802.11p无线接入（WAVE）标准。预测部分将鲁棒的长短期记忆（LSTM）网络应用于序列数据。CQI预测模型使用IEEE 802.11pWAVE设备收集的车辆通信数据进行训练和评估。我们比较了该模型的预测性能与自回归综合移动平均，支持向量回归，多层感知模型。© 2022作者（S）。由爱思唯尔公司出版代表韩国通信和信息科学研究所这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：V2X;信道质量指示（CQI）;深度学习;长短期记忆（LSTM）; IEEE 802.11p WAVE1. 介绍车联网（V2X）通信是自动驾驶的重要组成部分，以确保安全。典型的车载通信标准是IEEE 802.11p车载环境无线接入（WAVE）[1]和3GPP长期演进（LTE）蜂窝V2X（C-V2X）[2]。它包括车辆到车辆（V2V）、车辆到基础设施（V2I）和车辆到行人（V2P）通信等场景。此外，通道的特性由环境决定，例如高速公路、城市和农村地区。由于车辆通信关系到车辆和驾驶员的安全，因此需要高传输速率，可靠性和低延迟[3]。因此，准确理解渠道的特性并在传播中加以反映是十分必要的。信道信道特性可以表示为诸如信道状态信息（CSI）和信道质量指示（CQI）的值。CSI包括诸如路径损耗、幅度和相位的信道特性。然而，在快速衰落环境中准确估计这一点是复杂和具有挑战性的[4]。*通讯作者。电子邮件地址： dshan@knu.ac.kr（D.S. Han）。同行评审由韩国通信和信息科学研究所（KICS）负责https://doi.org/10.1016/j.icte.2022.05.002CQI通过诸如接收信号强度指示（RSSI）、参考信号接收功率（RSRP）、参考信号接收质量（RSRQ）和信噪比（SNR）的无线电参数来定义信道的特性[5]。CQI是容易计算的，因为它是由一个简单的公式，如无线电信号的强度确定。在准确了解信道特性的前提下，采用自适应调制编码方案（MCS）可以提高通信效率。这将是实现高传输速率和可靠性的最佳解决方案，这是车辆通信的要求。针对V2I环境中快速变化的信道，提出了一种基于RSSI定义和预测CQI的模型。最近，深度神经网络可以解决无线通信中的各种问题。特别地，已经提出了克服诸如信道预测中的问题的研究[6]。深度神经网络在预测和分类方面表现出非常好的性能[7，8]。提出了一种适用于车载通信环境的CQI识别方法和预测模型。基于RSSI的CQI预测算法可以用来了解信道特性，提高通信性能。特别是，由于长短期记忆（LSTM）网络2405-9595/© 2022作者。 由Elsevier B.V.代表韩国通信和信息科学研究所出版。这是一CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。J. Kim和D.S.韩ICT Express 9（2023）116117通过长期记忆预测未来结果，它可以通过更好地反映过去的信息来提供准确的预测性能[9]。2. 相关工作表1所提出的CQI预测模型的LSTM网络参数。LSTM网络参数输入，LSTM，在车辆通信中，安全通信站层全连接，输出回归性能是一个非常重要的因素，因为它直接关系到安全性。然而，由于信道频繁变化，难以确保稳定的因此，有必要了解快速通道的特点。可以通过估计接收信号来确定信道特性。然而，在快速变化的信道中准确地确定信道特性是具有挑战性的。基于人工神经网络的最新研究表明，在预测或估计CQI和CSI方面比传统的信号处理方法具有更好的性能。Liu等人[7]提出了一种通过预测无线电信道参数来优化智能互联车辆（ICV）系统资源管理和通信性能的系统。所提出的系统是一个基于LSTM网络的信道预测模型，通过存储信道的序列信息。信道预测模型的输入数据是历史CSI。它是通过接收机中的信道估计方法计算的CSI估计值是由瑞利衰落分布生成的统计模型然而，实际信道模型和统计模型之间存在很大差异。因此，通过统计信道模型的信道特性分析在应用于实际系统时可能导致估计和预测误差Zeng等人[8]提出了一种使用频谱分割滤波器和接收信号移位技术的信道估计和信道预测模型。所提出的系统遵循基于C-V2X通信的结构。所提出的预测模型通过从接收信号计算SNR来预测车辆通信的CQI。通过将车辆通信信道划分为16级，CQI被用作反映收发器的调制和编码方案（MCS）的索引。在300 km/h的移动速度下对所提出的模型进行了测试，提高了CQI预测精度。基于SNR的CQI定义使用通过从接收到的正交频分复用（OFDM）符号估计CSI来计算的SNR值。为了在高速移动环境中精确地估计CSI，需要增加导频信号的数量或者应用具有高计算量的估计技术。CQI预测模型复杂度的增加成为快速变化信道中实时处理的致命问题。3. 提出了基于深度学习的CQI预测模型所提出的模型包括基于在车辆和基础设施之间的通信环境中收集的RSSI值的CQI定义以及预测它们的深度学习结构。所提出的预测模型基于单层LSTM网络。该模型旨在隐藏单元5，10，50，100，200最大时期200梯度阈值1初始学习率0.005跌落周期125跌落系数0.2优化器亚当以在快速变化的车辆通信信道中获得实时响应。LSTM网络在学习和预测具有时间序列特征的信息方面表现出鲁棒性。由于迭代神经网络的结构优势可以记住过去数据中的特征，LSTM网络适合预测具有时间连接性的数据[10]。因此，LSTM可以是车辆通信的CQI预测的合适解决方案。图1说明了提出的CQI预测算法在这篇论文中。所提出的CQI预测模型具有使用LSTM网络的预测结构。LSTM网络通常具有复杂的结构。我们提出的算法优化了网络结构（层，隐藏单元和输入数据间隔）的最佳车辆通信CQI预测模型。由接收信号构成的CQI被输入到预测模型。表1示出了CQI预测模型的网络配置和训练参数。本文推导出的最优LSTM网络由输入门、遗忘门、输出门和存储单元组成。LSTM层通过存储单元传输先前CQI的权重。也就是说，深度神经网络可以实现更精确的预测[10]。它通过在当前时间输入CQI来学习和更新LSTM网络中的单元，从而实现精确的预测。算法1描述了所提出的CQI预测模型的操作。该算法从每个帧的接收信号中接收测量的RSSI值。用于CQI预测的LSTM网络学习由具有表1中的LSTM参数和输入CQI间隔的LST M（）函数表示。训练后的网络由T LST M（）表示。输出是预测的N个帧间隔的CQI。根据表2将测量的RSSI与CQI匹配。我们提出的RSSI-CQI匹配参考了LTE标准[2]。我们还将我们提出的基于WAVE标准的RSSI-CQI匹配与测量数据进行了匹配[11]。通过输入CQI和与表2中的参数匹配的预测帧间隔来训练所提出的LSTM预测网络。学习的LSTM预测模型预测与CQI预测帧的间隔一样多。可以针对每5至200个CQI间隔来预测CQI预测。本文中的CQI和MCS是基于IEEE 802.11p WAVE标准的。表2示出了CQI的配置J. Kim和D.S.韩ICT Express 9（2023）116118==−=={个- ≤ −−=- -图1.一、提 出 了基于LSTM的车辆通信CQI预测模型。基于LSTM的CQI预测算法输入：从每帧的接收信号测量RSSI输出：直到接下来的N个预测CQI，1：N5、 10、 50、 100或200第二章： 而RSSI（t）不为 空，根据表2匹配CQI。3：如果RSSI（t）90 dBm，则4：C QI（t）15：否则，如果90 dBm RSSI（t）80dBm，则<6：C QI（t）2七：……8：否则，如果RSSI（t）>30 dBm，则9：C QI（t）810：如果结束11：训练：T LST M=LST M（N， C QI）12：预测：CQI（t）T LST M（N， C QI）十三日： end while表2针对IEEE 802.11p WAVE标准提出了基于RSSI的CQI和MCS。CQI RSSI [dBm]调制编码速率1−90 BPSK 1/2<2 −80kHz −90 BPSK 3/43 −70kHz −80 QPSK 1/24 −60kHz −70 QPSK 3/45 −50kHz −60 16-QAM 1/26 −40kHz −50 16-QAM 3/47 −40kHz −30 64-QAM 2/38>−30 64QAM 3/4以及根据RSSI的MCSCQI基于在V2I通信环境中收集的RSSI值的分布和IEEE 802.11p WAVE标准的接收器最小输入灵敏度来确定输入灵敏度是根据信道特性确定的，发送器和接收器。通常，当分组错误率（PER）小于10%时，它被认为是稳定的通信条件[12]。因此，通过测量实现最小接收PER的RSSI值来确定输入灵敏度。CQI匹配八个MCS组合。收发器之间的MCS通过由CQI组成的反馈来更新。4. CQI匹配和预测模型的实验结果CQI预测的实验环境是V2I。对于V2I通信，需要车载单元（OBU）和路边单元（RSU）。RSU和OBU共享驾驶信息、交通状况和安全相关信息。为了学习和评估所提出的用于车辆通信的CQI预测算法，应用实际V2I通信数据。使用的数据是布里斯托尔V2X数据集[11]和UCI DSRC车辆通信数据集。使用IEEE 802.11p WAVE标准收集数据集。在Bristol V2X数据集中，在数据收集过程中使用了两辆车和四个路边基站。本文从Bristol V2X数据集测量RSSI值，以定义数据集中的通道数。八通道环境的数据集通过在第3节中提出的RSSI-CQI匹配来重构。Bristol V2X数据集的通道结构被组织成在不同实验条件下收集的数据集。实验条件包括两种不同的车辆类型、传输功率和时间条件。发射功率为29 dBm和25 dBm，分别表示高功率（HP）和低功率（LP），实验在上午（MR）和下午（AF）进行数据集由MR和AF中的每个帧组成，每个帧最多250，000帧。RSSI分布在95 dBm到40 dBm之间不均匀。RSSI是指对接收到的无线电信号中存在的功率沿车辆J. Kim和D.S.韩ICT Express 9（2023）116119−i=1p（）−o（）表3CQI预测算法之间的性能比较方法信道配置CH1CH2CH3CH4CH5CH6CH7CH8Arima2.05931.79061.78531.82062.08562.79951.67551.7305SVR1.51991.32161.31771.34381.53942.06631.23671.2773MLP0.63740.55450.55260.56350.64550.86650.51860.5356LSTM-CQI0.49030.42630.42510.43350.49660.66650.39890.4120在通信环境中，RSSI分布在从大约99 dBm到30 dBm的各种值中，这取决于信道的特性[13]。RSSI被定义为传输信号和无线电信道的影响和噪声[14]。RSSICH是根据无线电信道和发送信号的影响定义的值。RSSICH可以表示如下：RSSICH=PTx−PL（d）+Xσ（1）其中PTx是传输信号的功率，PL（d）是根据距离d的路径损耗值，并且Xσ是对阴影效应进行建模的加性高斯随机变量。由接收器解译的RSSI RSSIRx是接收信号的OFDM符号的所有子载波的接收功率的总和。根据OFDM符号的RSSIRx可以表示如下：RSSIRx=NTx×NSymbol×MRE×RSRP（2）其中RSRP是作为OFDM符号的每个子载波的一个资源元素（RE）的接收功率。NTx是发射天线的数量。N符号是发送信号中的OFDM符号的数量。 MRE是资源发送信号中的元素。本文中使用的车辆通信质量信息包含图二. 根据所提出的CQI预测模型的隐藏单元的数量的预测性能结果。误差，RMSECQI（n）可以表示如下：n{yiyi}2CQI通道由方程定义。（1）和（2）。当前信道状态信息通过使用导频信号计算OFDM符号的强度和相位差来在渠道分析的观点上存在差异。然而，基于RSSI的信道特性识别省略了复杂的估计过程，并且包括对整个资源元素的实际影响，因此可以理解现实信道。为了验证所提出的预测算法的性能，我们与其他主要用于时间序列预测的预测模型的性能进行了比较。基于机器学习的自回归移动平均（ARIMA）模型[15]和支持向量回归模型（SVR）[16]是广泛用于时间序列数据分析的通用预测模型。基于人工神经网络的比较模型是一个多层感知器（MLP）模型。MLP模型是第一个人工神经网络算法[17]。表3示出了CH 1至CH 8中所描述的算法之间的CQI预测性能的比较结果[11]。均方根误差（RMSE）可以用来验证所提出的模型的性能。在收集的CQI和预测的CQI之间计算RMSE。的CQI其中，yp（i）和yo（i）分别表示CQI的预测值和测量值。n是要预测的范围内的CQI的数量。与其他机器学习和人工神经网络模型相比，所提出的基于LSTM的CQI预测模型表现出优越的性能。所提出的基于LSTM的CQI预测模型示出了0.4687的预测误差。为了获得最佳CQI预测模型，在改变LSTM网络结构的同时优RMSE（n）=（三）J. Kim和D.S.韩ICT Express 9（2023）116120化了所提出的预测模型，以获得最高的预测精度。图图2示出了通过改变所提出的预测模型的隐藏单元的数量来我们改变了LSTM网络的结构和时间间隔，以获得V2I信道条件下的最佳CQI预测模型。用于比较的隐藏单元的数量范围在5到200之间。作为比较的结果，在所有信道环境中RMSE没有显著变化，但是使网络复杂性最小化并提供最佳预测性能的结构是100。经证实，隐藏单元表现出最佳性能。表4示出了在具有从1到100个单元的不同OBU配置的环境中预测的每个算法的CQI预测性能。证实了J. Kim和D.S.韩ICT Express 9（2023）116121表4根据OBU数量的CQI预测性能方法数量OBU120406080100Arima2.42152.74352.21122.01422.08411.9474SVR1.91141.85121.74521.43151.44711.3541MLP0.87120.91410.71120.57810.61230.5871LSTM-CQI0.64230.70140.54210.45130.47140.4314图三. 根据CQI时间步长比较CQI预测模型的RMSE性能。所提出的算法即使在具有不同OBU数量的V2I通信环境中也显示出最佳性能。由于OBU的数量与移动速度有密切关系，车辆越多，速度越低。最后，为了确定所提出的CQI预测模型的精确精度，根据不同的时间间隔的预测误差进行了比较。图图3示出了根据从5到6的时间间隔的每个预测模型的性能比较结果。100. 所提出的预测模型是具有100个隐藏单元的网络随着每个帧的CQI间隔增加，预测性能恶化，因为长间隔CQI与先前CQI具有低相关性。确认了当预测10帧的最大间隔5. 结论在本文中，我们提出了一个模型来预测CQIIEEE802.11p WAVE车载通信所提出的CQI预测模型应用基于RSSI的CQI来理解快速变化的车辆通信信道特性。基于IEEE 802.11p WAVE收集的V2I信道条件的RSSI值，对所提出的预测模型进行了训练对于最优CQI预测模型，可以使用诸如LSTM隐藏单元和调整输入数据长度。与传统的时间序列数据预测模型相比，该模型具有更好的预测性能。此外，本文提出的CQI预测模型可以根据信道的特点，通过更新收发机的MCS来CRediT作者贡献声明Jihun Kim：负责研究和论文的初步写作和实验。DongSeog Han：确立了研究和论文的概念，并负责监督，写作和编辑。竞合利益作者声明，他们没有已知的可能影响本文所报告工作致谢本 研究 由韩 国 教育 部 资助 的韩 国 国家 研 究基 金会（NRF）基础科学研究计划（2021R1A6A1A03043144）资助。引用[1] IEEE信息技术标准-局域网和城域网-特定要求-第11部分：无线局域网介质访问控制（MAC）和物理层（PHY）规范修订版6：车辆环境中的无线接入，2010年，pp. 1//dx.doi.org/10.1109/IEEESTD.2010.5514475 ， IEEE 标 准 802.11p-2010。[2] 3GPPTR36.885，基于LTE的V2X服务研究，2016年。[3] W. Anwar，N. Franchi，G. Fettweis，V2X通信技术的物理层评估：5G NR-v2x，LTE-v 2X，IEEE 802.11bd和IEEE 802.11p，在：2019 IEEE第90届车辆技术会议，IEEE，2019年，pp. 1-7号。[4] Y.-- C.吴，K.- W. Yip，T. S. Ng，E. Serpedin，未知频率选择性衰落 信 道 中 IEEE 802.11 a WLAN 的 最 大 似 然 符 号 同 步 ， IEEETrans.Wireless Commun。 4（6）（2005）2751[5] J.O.法哈多岛Taboada，F. Liberal，Analysis of CQI traces fromLTEMIMO deployments and impact on classical MIMO，in：InternationalConference on Wired/Wireless Internet Communication ，Springer ，2015，pp. 60比73[6] K. Abboud ， H.A. Omar ， W. Zhuang ， Interworking of DSRCandcellular network technologies for V2X communications ： Asurvey，IEEETrans. Veh. Technol. 65（12）（2016）9457[7] G. Liu，Y. Xu，Z.他，Y. Rao，J. Xia，L. Fan，基于深度学习的通道预测，用于面向智能互联车辆的边缘计算网络，IEEE Access 7（2019）114487-114495。J. Kim和D.S.韩ICT Express 9（2023）116122[8] R. Zeng，T. Liu，X. Yu，Z. Zhang，高移动性环境中自适应调制和编码的新型信道质量指标预测方案，IEEE Access 7（2019）11543-11553。[9] S.胡志华，长时记忆与短时记忆的关系，国立成功大学，硕士论文。第9卷第8期（1997年），第1735-1780页。[10] A. Sherstinsky，递归神经网络（RNN）和长短期记忆（LSTM）网络的基础，Physica D 404（2020）132306。[11] A.塔西岛马夫罗什，R.J.R. Piechocki，使用许可和未许可频段的全栈ITS- G5 DSRC通信数据集大规模城市试验台，数据简报25（2019）104368。[12] L. Torres-Figueroa，H.F. Schepker，J. Jiru，商业部署的LTE和移动边缘网络中C-V2X通信的QoS评估和预测，2020年IEEE第91届车辆技术会议，IEEE，2020年，pp. 1-7号。[13] M.黑森湖贝尔纳多湾Rainer，Z. Xu，G. Temme，S.汗，D。Behnecke，F. Utesch，M. Mahmod，T. Zemen，无线V2X通信的车辆在环测试评估，2019年IEEE第90届车辆技术会议，2019年，pp.1 http://dx.doi.org/10。1109/VTCFall.2019.8891080.[14] R.- H.吴玉- H.李，H.- W.曾玉G.扬，M.- H. Chuang，RSSI信号特性的 研 究 ， 2008 IEEE 国 际 工 业 技 术 会 议 ， 2008 ， pp.1http://dx.doi.org/10.1109/[15] E.张文，广义指数平滑与等 价ARMA过程， J. 预报. 3 （3 ）（1984）333[16] J. Lago，F. 德里德湾De Schutter，Forecasting spot electric-ityprices ： Deeplearningapproachesandempiricalcomparisonoftraditionalalgorithms，Appl. 能源221（2018）386[17] F. Murtagh，多层感知器的分类和回归，神经计算2（5-6）（1991）183-197。