低空网络覆盖预测：技术挑战与解耦表示学习方案

1. 低空网络覆盖预测的技术挑战与创新方案

在无人机物流、低空监控等新兴应用场景快速发展的背景下，低空网络覆盖预测正成为通信领域的关键技术难题。与地面网络相比，低空网络具有三个显著差异特征：信号传播以直射路径为主、天线波束影响更显著、覆盖范围呈现三维特性。这些差异使得传统地面网络优化方法难以直接适用。

当前行业面临四大核心痛点：

1. 天线波束图作为厂商核心机密难以获取
2. 低空数据采集需要专用设备且成本高昂
3. 特征空间存在严重不均衡（基站参数变化少而位置变化大）
4. 现有模型跨区域泛化能力不足

针对这些挑战，东南大学团队提出的解耦表示学习框架通过两个关键技术突破实现了性能跃升：

• 基于通信原理的特征压缩：将13维原始特征降维至7维，保留物理意义明确的相对角度和距离特征
• 模型引导的神经网络架构：分离设计天线增益、距离衰落和频率衰落三个子网络，参数量减少66%

关键提示：这种"先验知识+数据驱动"的混合方法在通信领域特别有效，因为无线传播本身具有明确的物理规律可循。

2. 方法框架的工程实现细节

2.1 特征压缩的数学原理

特征转换的核心是建立与信号传播物理模型一致的表达：

code复制相对水平角 Δθ_H = θ_H - 水平方位角 - 波束方位角
相对垂直角 Δθ_V = θ_V - 机械下倾角 - 电子下倾角  
有效距离 D = √(Δx² + Δy² + Δz²)

这种转换实现了三个重要目标：

1. 消除设备绝对位置的影响
2. 解耦发射功率与空间衰减的关系
3. 统一不同基站参数下的特征表达

2.2 神经网络架构设计

网络采用并行子结构设计，每个子网络专注特定物理效应：

python复制class AntennaGainNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(3, 64)  # 输入：Δθ_H, Δθ_V, 场景类型
        self.fc2 = nn.Linear(64, 32)
        
class DistanceFadingNet(nn.Module):
    def __init__(self):
        super().__init__()
        self.fc1 = nn.Linear(1, 32)  # 输入：距离D
        self.fc2 = nn.Linear(32, 16)

# 最终预测值为三个子网络输出的加权和
pred_rsrp = ant_net(out_ant) + dist_net(out_dist) + freq_net(out_freq)

这种设计带来三个优势：

1. 各子网络参数量大幅减少，降低过拟合风险
2. 网络行为可解释性强，与传播模型对应
3. 便于针对特定场景进行模块化优化

3. 实验验证与性能分析

3.1 数据集构建要点

研究团队在江西南昌采集了覆盖三个典型区域的实测数据：

• 数据量：9.4万样本（含150m/300m/500m三个高度层）
• 关键特征：
  • 基站侧：AAU类型、信道数、覆盖场景等12维参数
  • 空间位置：经纬度+高度3维坐标
• 测试策略：采用跨城市验证（南昌→赣州）评估泛化能力

3.2 性能对比结果

特别值得注意的是跨设备测试结果：在华为设备训练、中兴设备测试的场景下，MAE仍保持在6.26dB的可用水平，证明方法具有良好的设备泛化能力。

4. 工程实践中的关键经验

4.1 数据采集注意事项

1. 飞行轨迹规划：应采用"之"字形路径覆盖目标空域，确保采样均匀性
2. 高度层选择：建议至少包含100m、300m、500m三个典型高度
3. 设备同步：GPS定位与信号测量需严格时间同步（误差<100ms）

4.2 模型部署优化技巧

• 量化部署：将FP32模型转为INT8后，推理速度可提升2-3倍
• 缓存机制：对固定基站参数，可预计算并缓存特征转换结果
• 增量更新：当新增基站数据不超过20%时，仅fine-tune距离网络即可

实测发现：电子下倾角超过8°时，垂直面波束形变会导致预测误差增大，建议在参数设置时增加约束条件。

5. 典型应用场景实现方案

5.1 单基站覆盖预测流程

1. 输入基站配置参数（AAU类型、下倾角等）
2. 生成目标区域3D网格（建议50m×50m×20m分辨率）
3. 并行计算各网格点特征
4. 调用模型预测RSRP值
5. 生成等场强图并标识覆盖空洞

5.2 多基站联合优化案例

在南昌星月湖区域的实测验证显示：

• 40个基站联合预测时，MAE为4.74dB
• 识别出2处覆盖盲区（RSRP<-105dBm）
• 通过调整3个基站的电子下倾角（+2°），盲区面积减少68%

6. 常见问题排查指南

6.1 预测结果异常排查

6.2 模型训练技巧

1. 损失函数设计：建议采用Huber损失，对异常值鲁棒性更好
2. 学习率调度：初始设为0.001，采用余弦退火策略
3. 早停策略：验证集loss连续5轮不下降时终止训练

在实际部署中，我们发现两个值得注意的现象：

• 阴雨天气会导致实测RSRP比预测值低2-3dB，建议增加天气补偿因子
• 城市峡谷区域（高楼密集区）需要额外考虑反射路径的影响

这项技术的成熟将直接推动低空数字化进程，为无人机物流、城市空中交通等新兴应用提供关键的基础设施支撑。团队计划下一步将方法扩展至毫米波频段，并集成实时地形数据以进一步提升预测精度。