Regression‑basiertes 5G‑Kanalmodell kombiniert 3GPP‑Standards mit maschinellem Lernen

Ein von Forschern entwickeltes Regressions‑Framework, das die 3GPP‑TR‑38.901‑Kanalmodelle mit fünf überwachten Lernverfahren verbindet, liefert in umfangreichen Tests die höchste Vorhersagegenauigkeit für Durchsatzmessungen in 5G‑Netzen. Künstliche neuronale Netze und Entscheidungsbäume erreichen dabei ein Bestimmtheitsmaß von R² = 0,998 und einen mittleren quadratischen Fehler von maximal 24 Mbps, während lineare und polynomiale Modelle deutlich schlechter abschneiden.

Framework und Datengrundlage

Die Analyse basiert auf 10 000 deterministischen Proben, die vier typische Szenarien – Urban Macro, Urban Micro, Rural Macro und Indoor Hotspot – sowie fünf Trägerfrequenzen von 0,7 GHz bis 60 GHz abdecken. Die Simulationen nutzen vendor‑kalibrierte Parameter von Nokia AirScale 64T64R, Huawei AAU5940 und ZTE AAU 5G, um die Ergebnisse an reale Gerätebedingungen anzupassen.

Leistungsbewertung

Für die Durchsatzvorhersage erzielen das künstliche neuronale Netz und der Entscheidungsbaum R²‑Werte von 0,998 (95 %‑Konfidenzintervall 0,997‑0,999) und RMSE‑Werte zwischen 19,1 Mbps und 22,4 Mbps über fünf unabhängige Zufallssplits. Lineare und polynomiale Regressionen erreichen maximal R² = 0,56, was die stark nichtlineare Natur des Durchsatzes unterstreicht.

Pfadverlustschätzung

Bei der Schätzung des Pfadverlusts im Urban‑Micro‑NLOS‑Umfeld erreichen alle Modelle ein nahezu perfektes Fit‑Verhalten (R² ≈ 1,0, MSE < 0,02 dB²), sodass selbst einfache Regressoren die logarithmische Abstandsfunktion exakt abbilden.

Anbieterbezogene Ergebnisse

Die vendor‑spezifischen Link‑Budgets zeigen einen Durchsatzunterschied zwischen Nokia und Huawei von 1,88‑fach bei 100 m Entfernung und eine Spitzenkapazität von 1688,6 Mbps für ZTE bei 28 GHz und 100 m. Der Break‑Even‑Abstand von etwa 150 m markiert die Schwelle, unterhalb derer Frequenz‑Band 2 (FR2) die Leistung von Band 1 (FR1) übertrifft.

Generalisierung und Robustheit

Modelle, die ausschließlich mit LOS‑urbanen Daten trainiert wurden, liefern negative R²‑Werte ( 0,75 in allen Umgebungen. Permutationsbasierte Merkmalsbedeutungen identifizieren die Distanz als dominanten Prädiktor (Wichtigkeit 0,65‑0,85), während die Frequenz bei Millimeter‑Wellen‑Bands eine Wichtigkeit von etwa 0,40 erreicht.

Sensitivitätsanalyse

Variationen von ±10 % in der Distanz, ±5 % in der Frequenz und ±2 dB im EIRP führen zu stabilen Modellleistungen (R² > 0,90), was die Robustheit der vorgeschlagenen Verfahren gegenüber realen Parameterabweichungen bestätigt.

Implikationen für die Praxis

Die Ergebnisse liefern evidenzbasierte Leitlinien für die Auswahl geeigneter Regressionsmodelle, die Zusammensetzung von Trainingsdatensätzen und die Anwendung in der 5G‑/6G‑Netzplanung, wobei insbesondere komplexe Modelle für Durchsatzprognosen und einfache Modelle für Pfadverlustschätzungen empfohlen werden.

Dieser Bericht basiert auf Informationen von PLOS ONE, lizenziert unter Creative Commons BY 4.0 (Open Access). Wissenschaftliche Inhalte, offen zugänglich.