Geometrical Features Based-mmWave UAV Path Loss Prediction Using Machine Learning for 5G and Beyond
Notice bibliographique
Résumé
Unmanned aerial vehicles (UAVs) are envisioned to play a pivotal role in modern telecommunication and wireless sensor networks, offering unparalleled flexibility and mobility for communication and data collection in diverse environments. This paper presents a comprehensive investigation into the performance of supervised machine learning (ML) models for path loss (PL) prediction in UAV-assisted millimeter-wave (mmWave) radio networks. Leveraging a unique set of interpretable geometrical features, six distinct ML models–linear regression (LR), support vector regressor (SVR), K nearest neighbors (KNN), random forest (RF), extreme gradient boosting (XGBoost), and deep neural network (DNN)–are rigorously evaluated using a massive dataset generated from extensive raytracing (RT) simulations in a typical urban environment. Our results demonstrate that the RF algorithm outperforms other models showcasing superior predictive performance for the test dataset with a root mean square error (RMSE) of 2.38 dB. The proposed ML models demonstrate superior accuracy compared to 3GPP and ITU-R models for mmWave radio networks. This study thoroughly investigates the adaptability of these models to unseen environments and examines the feasibility of training them with sparse datasets to improve accuracy. The reduction in computation time achieved by using ML models instead of extensive RT computations for sparse training datasets is evaluated, and an efficient algorithm for training such models is proposed. Additionally, the sensitivity of ML models to noisy input features is analyzed. We also assess the importance of geometrical features and the impact of sequentially increasing the number of these features on model performance. The results emphasize the significance of the proposed geometrical features and demonstrate the potential of ML models to provide computationally efficient and relatively accurate PL predictions in diverse urban environments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».