【技术实现步骤摘要】
本专利技术属于混合交通通信，具体涉及一种混合交通中可解释性机器学习辅助的信道模型的构建方法。
技术介绍
1、近年来，随着城市化进程的逐步推进，城市交通面临着巨大的压力，伴随而来的是交通事故的频繁发生。特别地，自动化和智能化技术的不断进步使得自动驾驶车辆cavs逐渐成为交通系统的一部分。这些自动驾驶车辆利用传感器、高精度地图、计算机视觉等先进技术，展现了在改善交通运输系统方面巨大的潜力。根据预测，cavs和人类驾驶车辆hdvs相互共存的混合交通模式将持续流行约30年，直至进入完全自动驾驶时代。
2、对混合交通来说，可靠的车辆通信至关重要。交通安全服务、智能驾驶辅助、车载信息娱乐等应用均离不开通信。值得注意的是，交通安全服务因其主要关注保障用户的人身安全而受到了研究者的广泛关注。在车辆通信中，车对车v2v和车辆到基础设施v2i作为主要组成形式，通过收集传感器数据，实现车辆间以及与道路基础设施之间的信息共享，旨在提升行车安全性和交通效率。因此，准确的信道模型在提高混合交通中复杂传播环境下cavs的通信可靠性方面的作用不容小觑。
3、车载信道模型通常可分为经验模型、随机模型和确定性模型。经验模型和随机模型对于实际传播环境中的物理信息变化不敏感，而确定性模型中的射线追踪方法则能够通过准确的环境信息获取精确的信道特征，并广泛应用于特定环境下的信道建模。然而，遗憾的是，由于混合交通中无线信道呈现高度随机性，射线追踪法的计算复杂性急剧增加，导致效率下降，从而限制了其有效性。随着ml迅猛发展，研究学者开始将其应用于信道建模
4、现有的传统经验信道模型在复杂的交通环境中通信信道会受到多种因素的干扰，难以充分发挥其优势。
5、目前的研究已在车辆环境中进行了信道建模，并在机器学习ml技术的支持下取得了显著进展，对车载通信的发展起到积极作用。然而，以集成了cavs和hdvs为标志的混合交通场景的独特性在一定程度上模糊了现有车辆信道模型的优势。此外，由于实验数据的限制，这些模型仅适用于特定提出的场景，但当尝试将其扩展到其他环境时可能会面临一些挑战。
6、在混合交通的复杂环境下，受周围散射体、动态交通状况和天线配置等多种环境因素的综合影响，无线电传播环境具有显著的随机性。此外，由于车辆的高速移动，进一步放大了车载信道的不可预测性和随机性。值得注意的是，与传统蜂窝网络相比，车载天线通常位于较低的位置，同时在cavs之间可能存在hdvs的遮挡情况。这种情况下，发射天线和接收天线周围存在大量散射体，引发了较为严重的非视距nlos问题(m.yang,b.ai,r.he,l.chen,x.li,j.li,b.zhang,c.huang,and z.zhong,“a cluster-based three-dimensional channel model for vehicle-to-vehicle communications,”ieeetransactions on vehiculartechnology,vol.68,no.6,pp.5208–5220,2019.)。
技术实现思路
1、为了克服上述现有技术的不足，本专利技术的目的在于提供一种混合交通中可解释性机器学习辅助的信道模型的构建方法，通过设计多种混合交通场景，从设计的混合交通场景中收集大量的车对车v2v和车辆到基础设施v2i信道数据，形成丰富的交通信道数据集；运用轻量级梯度提升机算法lightgbm对数据集进行训练，构建混合交通信道模型，实现对混合交通信道的普适性建模；应用沙普利加性解释shap方法对模型进行深入分析，构建基于最关键特征的轻量级信道模型，以实现高效的信道特性预测；本专利技术所提出的普适性混合交通信道模型能够在各种交通环境下准确、高效地预测信道特性，可用于改善不同混合交通环境中的通信质量，实现了交通运输的安全性和高效性，为混合交通通信提供了有力的支持。
2、为了实现上述目的，本专利技术采取的技术方案是：
3、一种混合交通中可解释性机器学习辅助的信道模型的构建方法，包括以下步骤：
4、步骤1，构建混合交通场景，设置信道模型的输入特征和输出特征；
5、步骤2，基于步骤1构建的混合交通场景，构建混合交通信道数据集t，将混合交通信道数据集t分为两个子数据集：车对车v2v通信数据集tv和车辆到基础设施v2i通信数据集ti，即t＝{tv,ti}；并分别划分出训练集和测试集；
6、步骤3，使用机器学习ml算法lightgbm分别对步骤2中获得的车对车v2v通信数据集tv和车辆到基础设施v2i通信数据集t本文档来自技高网...
【技术保护点】
1.一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤1的具体方法为：
3.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤2的具体方法为：
4.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤3的具体方法为：
5.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤4的具体方法为：
6.根据权利要求2所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤1.3的具体方法为：
7.根据权利要求2所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤1.4的具体方法为：
【技术特征摘要】
1.一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：包括以下步骤：
2.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤1的具体方法为：
3.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法，其特征在于：所述步骤2的具体方法为：
4.根据权利要求1所述的一种混合交通中可解释性机器学习辅助的信道模型的构建方法...
【专利技术属性】
技术研发人员：岳文伟，李景丽，张丹雯，越沛涛，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。