论文标题: A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction

发表期刊: IEEE Transactions on Mobile Computing (TMC) - CCF A类期刊

关键词: 低空网络、解耦表示学习、RSRP、覆盖地图预测、AI for Communication、radiomap

---

📌 研究背景

随着低空经济的蓬勃发展（无人机物流、低空监控等），准确预测低空网络覆盖(LANC) 成为设计航空走廊的关键。

低空网络 vs 地面网络的核心区别

特性	低空网络	地面网络
主要路径	直射路径	多径
波束影响	大	小
覆盖维度	3D	2D

现有方法的痛点

1. 天线波束图是厂商专有信息 → 无法直接获取
2. 低空数据采集成本高 → 每个基站样本稀疏
3. 特征采样不均衡 → 高维基站参数变化少，低维位置变化大
4. 跨区域泛化能力差 → 现有方法难以推广到未测区域

---

🚀 核心创新点

创新1️⃣：基于专家知识的特征压缩

利用通信领域专业知识，将原始特征空间进行压缩：

• 将绝对位置 + 天线朝向 → 转换为相对角度 + 距离
• 解耦传输功率的影响
• 解决特征不均衡问题，为高效预测奠定基础

原始13维特征 → 压缩后7维特征

创新2️⃣：模型引导的解耦表示网络

基于信号传播模型设计神经网络架构：

预测值 = f₁(角度特征) + f₂(距离特征) + f₃(频率特征)
         ↓              ↓              ↓
      天线增益网络    距离衰落网络    频率衰落网络

理论保证：

• 约束模型具有不超过全模型的学习能力上界
• 更低的过拟合风险
• 参数量减少约66%

---

📊 实验亮点

数据采集

✅ 真实网络数据：江西南昌三个区域，共计约9.4万样本

✅ 多高度测试：150m、300m、500m三个高度层

✅ 跨城市验证：南昌训练 → 赣州测试（不同厂商设备）

关键结果

对比维度	结果
vs 传统DNN	MAE降低约20%
vs 最优基线算法	误差降低7%
实际预测精度	MAE约5 dB
跨城市泛化	MAE约6.26 dB

消融实验证明

Benchmark 3 (原始特征+MLP) > Benchmark 2 (压缩特征+MLP) > Benchmark 1 (本文方法)
                            ↑ 特征压缩有效          ↑ 解耦网络有效

---

🔬 方法框架图

┌─────────────────────────────────────────────────────────────┐
│                    输入：基站运营参数                          │
│  (AAU类型、信道数、覆盖场景、载频、方位角、下倾角、发射功率等)    │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│              Step 1: 基于专家知识的特征压缩                    │
│  • 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              │
│  • 距离 D = √(Δx² + Δy² + Δz²)                               │
│  • 解耦发射功率影响                                            │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│              Step 2: 解耦表示神经网络                          │
│  ┌──────────────┐  ┌──────────────┐  ┌──────────────┐       │
│  │ 天线增益网络  │  │ 距离衰落网络  │  │ 频率衰落网络  │       │
│  │(Δθ_H,Δθ_V,S) │  │    (D)       │  │   (freq)     │       │
│  └──────┬───────┘  └──────┬───────┘  └──────┬───────┘       │
│         └─────────────────┼─────────────────┘               │
│                           ↓ 相加                             │
│                      预测RSRP值                              │
└─────────────────────────────────────────────────────────────┘
                              ↓
┌─────────────────────────────────────────────────────────────┐
│                    输出：3D覆盖地图                            │
│           (SS-RSRP + 各SSB波束的RSRP)                        │
└─────────────────────────────────────────────────────────────┘

---

💡 实际应用场景

场景1：单基站覆盖预测

• 输入基站参数，预测周围2km范围、不同高度的覆盖情况
• 支持不同覆盖场景配置对比（地面宽波束 vs 空中波束）

场景2：多基站联合覆盖

• 预测多个基站的覆盖并融合
• 识别低空覆盖空洞
• 星月湖区域验证：40个基站联合预测，MAE仅4.74 dB

场景3：网络优化效果评估

• 调整基站参数后重新预测
• 优化后预测精度提升约18%
• 支持低空网络规划闭环

场景4：跨运营商/跨城市部署

• 即使AAU类型未知，仍可通过信道数、覆盖场景等隐式捕获波束特征
• 赣州验证（华为训练→中兴测试）：MAE 6.26 dB

---

📈 与其他算法对比

算法	模型大小	推理时间	平均MAE
本文方法	4.31 MB	<0.5s	最优
KNN	9.27 MB	1.2s	较差
Lasso	0.01 MB	0.1s	较差
Random Forest	172.56 MB	3.8s	一般
XGBoost	2.66 MB	0.8s	一般

---

🎯 为什么这项工作重要？

1. 实测数据验证：不同于仿真数据，本文基于真实5G网络数据
2. 跨基站泛化：解决了现有方法只能单区域插值的局限
3. 可解释性强：网络结构与物理传播模型对应
4. 工程可落地：已在江西多地验证，MAE达到工程可用水平

---

📚 引用信息

如果这项工作对您有帮助，欢迎引用：

@ARTICLE{11268973,
  author={Li, Xiaojie and Cai, Zhijie and Qi, Nan and Dong, Chao and Zhu, Guangxu and Ma, Haixia and Wu, Qihui and Jin, Shi},
  journal={IEEE Transactions on Mobile Computing}, 
  title={A Disentangled Representation Learning Framework for Low-altitude Network Coverage Prediction}, 
  year={2025},
  volume={},
  number={},
  pages={1-16},
  keywords={Accuracy;Disentangled representation learning;Base stations;Predictive models;Mobile computing;Data models;Azimuth;Transmitting antennas;Directive antennas;Computational modeling;Low-altitude Network;Disentangled Representation Learning;RSRP;Coverage Map Prediction;AI for Communication},
  doi={10.1109/TMC.2025.3637091}}

---

🔗 相关链接

• 📧 作者：Xiaojie Li, Zhijie Cai, Nan Qi, Senior Member, IEEE, Chao Dong, Senior Member, IEEE, Guangxu Zhu, Member, IEEE, Haixia Ma, Qihui Wu, Fellow, IEEE, and Shi Jin, Fellow, IEEE
• 🏫 单位：东南大学、南京航空航天大学、香港中文大学（深圳）

---

欢迎在评论区交流讨论！🚁✈️

---

#低空经济 #无人机 #5G网络 #深度学习 #IEEE #论文分享 #通信工程 #机器学习 #RadioMap #网络优化