基于机器学习的环行铁道5G-R信道预测建模研究OA
针对环行铁道特殊场景下5G-R(5G for Railway)通信面临的信道预测难题,提出了一种融合物理先验与随机优化策略的改进梯度提升机算法(Gradient Boosting Machine, GBM)。使用在国家铁道试验中心环行线上采集的实测信道数据,构建了预测模型,将数据集按8∶2的比例划分为训练集和测试集。实验结果表明,改进GBM模型展现出卓越的预测性能。对于接收功率的预测,均方根误差(RMSE)较传统GBM降低25.8%,对于均方根时延扩展,RMSE降低56.9%。研究证实,改进GBM算法能够精准预测环行铁道环境下的5G-R信道特性,为优化无线资源管理和保障智慧铁路通信的可靠性提供了有效的技术手段。
丁子轩;刘芫健;张海涛;李毅;王芳
南京邮电大学电子与光学工程学院,江苏南京210023南京邮电大学电子与光学工程学院,江苏南京210023南京邮电大学物联网学院,江苏南京210003中国铁道科学研究院集团有限公司通信信号研究所,北京100081中国铁道科学研究院集团有限公司通信信号研究所,北京100081
信息技术与安全科学
5G-R环行铁道信道特性机器学习梯度提升机
《南京邮电大学学报(自然科学版)》 2026 (5)
P.71-77,7
国家自然科学基金(GZ62371248)中国国家铁路集团有限公司科技研究开发计划实验室基础研究项目(L2024G006,N2024G055)资助项目。
评论