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

本发明属于混合交通通信，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。

背景技术：

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，以克服传统信道模型在精确度和效率等性能方面所面临的限制问题。ahmad等人(k.ahmadand s.hussain,“machine learning approaches for radio propagation modeling inurban vehicular channels,”ieee access,vol.10,pp.113690–113698,2022.)在文章“machine learningapproaches for radio propagation modeling in urban vehicularchannels”中研究了多层感知器mlp、卷积神经网络cnn和随机森林rf在城市车辆环境中的信道建模中的应用，验证了ml技术在车载信道建模中的有效性。ramya等人(p.m.ramya,m.boban,c.zhou,and s.stańczak,“using learning methods forv2v path lossprediction,”in 2019ieee wireless communications and networking conference(wcnc),pp.1–6,ieee,2019.)在文章“using learning methods for v2v path lossprediction”中借助不同交通环境下的v2v通信数据集提出了一种基于rf的路径损耗预测模型，该模型相较于传统的对数距离路径损耗模型，在性能上表现出更优异的结果。此外，rumelhart和mcclelland等人引入了一种基于反向传播神经网络bpnn的场景识别模型(m.yang,b.ai,r.he,c.shen,m.wen,c.huang,j.li,z.ma,l.chen,x.li,et al.,“machine-learning-based scenario identification using channel characteristics inintelligent vehicular communications,”ieee transactions on intelligenttransportation systems,vol.22,no.7,pp.3961–3974,2020.)，利用关键信道属性在车辆通信环境中进行精确的场景识别。

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，本发明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；本发明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，本发明采取的技术方案是：

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ti的训练集进行训练，捕捉信道数据中的复杂关联和非线性特征，构建混合交通环境下的车对车v2v信道模型和车辆到基础设施v2i信道模型；

7、步骤4，采用沙普利加性解释shap方法，利用步骤2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ti的测试集分别对步骤3中构建的混合交通环境中的车对车v2v信道模型和车辆到基础设施v2i信道模型进行分析，根据shap值，获取对通信质量产生显著影响的关键特征，shap值越大，影响越显著，生成可解释性的模型g(xv′)和g(xi′)，构建轻量级的混合交通信道模型。

8、所述步骤1的具体方法为：

9、步骤1.1，构建多样性交通场景；

10、对城区、郊区和高速公路交通场景的网络拓扑进行模拟，其中，城区和郊区的场景构建由建筑物占地面积与总面积之比α、建筑物密度β以及服从标准差为γ的瑞利分布的建筑物高度三个统计参数共同决定，高速公路建筑物的统计参数均为0；

11、步骤1.2，在步骤1.1构建的多样性交通场景中配置天线；

12、将路侧设备rsus和自动驾驶车辆cavs上的收发机均配置成多天线系统，同时引入关键参数：发射功率p、发射天线数nt、接收天线数nr、发射天线高度ht、接收天线高度hr以及天线阵列间距d；

13、步骤1.3，基于步骤1.1构建的多样性交通场景，分析交通状况，分别计算车流密度和渗透率

14、步骤1.4，基于步骤1.1、步骤1.2以及步骤1.3的输入信道特征，分析输出信道特征。

15、所述步骤2的具体方法为：

16、步骤2.1，全面采集车对车v2v和车辆到基础设施v2i通信的信道数据，以构建混合交通信道数据集t：

17、

18、其中，表示输入特征向量，表示输入特征向量对应的输出值，即信道容量c；

19、步骤2.2，将步骤2.1构建的混合交通信道数据集t分为两个子数据集t＝{tv,ti}，即车对车v2v通信数据集tv和车辆到基础设施v2i通信数据集ti，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中的输入特征向量xv和xi分别如下：

20、车对车v2v通信数据集tv中的输入特征向量xv的特征集为：

21、

22、其中，(xt,yt)和(xr,yr)分别表示发送信号和接收信号的cavs上的发送天线和接收天线的坐标，ht和hr表示发射器和接收器的高度，d为传输距离；

23、车辆到基础设施v2i通信数据集ti中的输入特征向量xi的特征集为：

24、

25、其中，(xv,yv)表示cavs上的天线坐标，hv和hs分别表示cavs和rsus的高度，nv和ns分别表示cavs和rsus上的天线数；

26、步骤2.3，对步骤2.2得到的车对车v2v通信数据集tv和车辆到基础设施v2i通信数据集ti进行异常值删除和标准化处理后，分别划分为训练集和测试集。

27、所述步骤3的具体方法为：

28、所述构建混合交通环境下的车对车v2v信道模型的具体方法为：

29、步骤3.1.1，从车对车v2v通信数据集tv中抽取部分数据作为训练集梯度提升决策树算法gbdt的预测值f(xv)由一组决策树模型h(xv)表示：

30、

31、其中，w表示决策树的数量；

32、步骤3.1.2，构建gbdt模型的目标在于找到一个近似函数从而实现损失函数l最小化：

33、

34、步骤3.1.3，根据梯度绝对值对数据进行分割，将梯度绝对值较大的一部分，即顶部a×100％，作为子集a；其余样本以b×100％的比例进行随机采样，组成子集b，根据特征j的方差增益vj(d)，对集合a∪b中的数据点d所对应的节点进行划分：

35、

36、其中，gi表示每次迭代时输出的损失函数的负梯度；

37、步骤3.1.4，经轻量级梯度提升机算法lightgbm训练后，获得车对车v2v的原始混合交通信道模型，即原始车对车v2v信道模型

38、所述构建混合交通环境下的车辆到基础设施v2i信道模型的具体方法为：

39、步骤3.2.1，从车辆到基础设施v2i通信数据集ti中抽取部分数据作为训练集梯度提升决策树算法gbdt的预测值f(xi)由一组决策树模型h(xi)表示：

40、

41、其中，w表示决策树的数量；

42、步骤3.2.2，构建gbdt模型的目标在于找到一个近似函数从而实现损失函数l最小化：

43、

44、步骤3.2.3，根据梯度绝对值对数据进行分割，将梯度绝对值较大的一部分，即顶部a×100％，作为子集a；其余样本以b×100％的比例进行随机采样，组成子集b，根据特征j的方差增益vj(d)，对集合a∪b中的数据点d所对应的节点进行划分：

45、

46、其中，gi表示每次迭代时输出的损失函数的负梯度；

47、步骤3.2.4，经轻量级梯度提升机算法lightgbm训练后，获得车辆到基础设施v2i的原始混合交通信道模型，即原始车辆到基础设施v2i信道模型

48、所述步骤4的具体方法为：

49、所述获取关键特征构建轻量级的车对车v2v信道模型的具体方法为：

50、步骤4.1.1，通过加性特征归因技术生成可解释性的模型，原始车对车v2v信道模型的解释模型g(xv′)表示如下：

51、

52、其中，φ0是一个常量值，m表示输入特征向量xv′的特征数量，φj代表特征j的沙普利值，shap方法将特征j对预测结果的贡献归因于xv′为简化后的输入特征向量，其与原始输入特征向量xv之间存在一种映射关系；

53、步骤4.1.2，使用shap方法，利用步骤2获得的车对车v2v通信数据集tv的测试集对步骤3中的构建的车对车v2v信道模型的输入特征进行特征影响分析、特征重要性分析和特征依赖性分析，根据分析结果，在进行车对车v2v信道建模时选取一组关键特征，包括传输距离d、发射机高度ht、发射功率p、发射天线数nt、接收天线数nr以及渗透率

54、所述获取关键特征构建轻量级的车辆到基础设施v2i信道模型的具体方法为：

55、步骤4.2.1，通过加性特征归因技术生成可解释性的模型，原始车辆到基础设施v2i信道模型的解释模型g(xi′)表示如下：

56、

57、其中，φ0是一个常量值，m表示输入特征向量xi′的特征数量，φj代表特征j的沙普利值，shap方法将特征j对预测结果的贡献归因于xi′为简化后的输入特征向量，其与原始输入特征向量xi之间存在一种映射关系；

58、步骤4.2.2，使用shap方法，利用步骤2获得的车辆到基础设施v2i通信数据集ti的测试集对步骤3中的构建的车辆到基础设施v2i信道模型的输入特征进行特征影响分析、特征重要性分析和特征依赖性分析，根据分析结果，在进行车辆到基础设施v2i信道建模选取一组关键特征，包括传输距离d、建筑物占地面积与总面积之比α、rsus的高度hs、rsus上的天线数ns、发射功率p以及天线阵列间距d。

59、所述步骤1.3的具体方法为：

60、1.3.1，在车辆相互干扰的混合交通环境中，计算车流密度公式如下：

61、

62、其中，为平均车头间距；

63、1.3.2，在混合交通中，渗透率反映了车辆中cavs与hdvs的比例，即装有车载通信设备的自动驾驶车辆cavs数目相对于整体车辆数目的比值，公式如下：

64、

65、其中，ncav为自动驾驶车辆cavs的数目，nhdv为人类驾驶车辆hdvs的数目。

66、所述步骤1.4的具体方法为：

67、将信道容量视为信道模型的输出特征，设定存在nr根接收天线与nt根发射天线的情况下，计算多输入多输出mimo信道的容量c：

68、

69、其中，表示nr阶的实单位矩阵，ρ表示每个接收支路的平均信噪比snr，h是nr×nt的信道矩阵，h*是h的共轭转置。

70、与现有技术相比，本发明的有益效果为：

71、第一，本发明涵盖了在混合交通中具有不同城市特征、交通环境和天线配置的无线电传播环境，这些因素的综合考虑，有助于提高所提混合交通信道模型的适用性和普适性。

72、第二，本发明的混合交通环境广泛考虑了包括建筑物高度、天线数量、车辆间距、渗透率在内的多种影响通信质量的特征，从中收集了大量的v2v和v2i通信数据，从而形成了丰富的信道数据集，为构建混合交通信道模型提供了强有力的支持。

73、第三，本发明构建的一种lightgbm使能的混合交通信道模型，能够挖掘信道容量和混合交通环境特征之间的映射关系，可以在各种不同环境下实现高准确度的信道容量预测。

74、第四，本发明通过shap方法可解释性分析，确定了对信道容量产生显著影响的关键特征，基于这些关键特征，创建一个轻量级混合交通信道模型，为精准高效地预测混合交通信道的特性提供了一种可行的方法。

75、综上，本发明提出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，包括混合交通环境的构建、数据收集、机器学习(ml)训练、使用沙普利加性解释shap的特征分析和性能验证，该模型以严格的数据分析为基础，能够准确预测各种混合交通设置下的信道特征，为在这种不断发展的交通模式中提高通信质量提供了一种通用而有效的解决方案。