来源：中国移动研究院
近日，中国移动研究院无线接入网智能化领域论文 “Physics-Guided Adaptive CSI Prediction With Irregular Observations”被SCI高水平期刊《IEEE Transactions on Vehicular Technology》（影响因子：7.5） 录用。论文面向传统CSI预测存在数据开销大、数据质量要求高、预测鲁棒性差、多步预测能力有限等问题，提出一种物理机理引导的自适应CSI预测方法，通过融合无线传播规律与数据驱动学习，提升不规则观测及高移动场景下CSI预测的准确性、稳定性和泛化能力，为6G智能信道预测提供了新的技术路径。
论文首页
CSI预测是支撑波束赋形、无线资源调度和资源分配的重要基础技术。在移动场景下，无线信道快速变化，频繁进行CSI测量和反馈又会带来较大的空口和信令开销，因此，利用历史观测预测未来CSI已成为B5G/6G无线网络的重要研究方向。 然而，现有智能CSI预测方法大多依赖连续、规则和高质量的历史CSI数据。在实际网络中，受非周期上报、动态调度、反馈资源受限及传输失败等因素影响，CSI观测可能出现不规则采样和部分缺失，使传统序列预测模型性能明显下降；同时，随着预测时域增加以及终端移动速度提升，模型长期预测误差容易快速累积。 此外，部分物理模型驱动方法依赖多径数量、多普勒频移等难以在实际系统中准确获取的先验参数，限制了模型的工程适用性。
针对上述问题，研究团队提出物理机理引导的自适应CSI预测框架PGAP。不同于传统纯数据驱动方案主要依赖历史CSI序列学习信道演化规律，以及部分物理模型驱动方法依赖较强且难以准确获取的先验参数，该方法将无线传播规律作为结构化先验融入预测模型，并结合实际CSI观测和终端运动信息自适应学习信道动态特征。该方案首先基于CSI观测历史数据和终端移动性统计特征构建物理预测与神经网络预测相结合的双分支架构，自适应学习不同传播环境下的关键物理参数，并基于电磁波传播规律动态刻画终端移动过程中的信道演化趋势，为多步CSI预测提供具有物理一致性的预测基准；同时，通过数据驱动模型学习复杂无线环境中难以准确建模的随机信道变化；最后，根据不同场景下双分支预测结果的置信度进行自适应融合，从而兼顾预测精度、鲁棒性、泛化能力和物理可解释性。
为验证所提方法的有效性，论文基于3GPP标准信道模型开展了多场景仿真，涵盖正常CSI上报、CSI上报缺失、低频度CSI测量与反馈，以及快速时变信道下的高时间分辨率预测等典型无线通信场景。仿真结果表明，在降低CSI测量与反馈频度、CSI上报缺失和终端高速移动等条件下，所提方法仍能保持较高的预测精度，在相近模型复杂度下，整体性能优于GRU、LSTM、Transformer及Neural ODE等典型预测方法；随着预测窗口的延长，该方法仍表现出良好的多步预测稳定性，有效提升了低开销、非理想CSI观测条件下的预测鲁棒性。与此同时，该方法模型复杂度低、推理时延小于0.2 ms，在提升预测性能的同时兼顾了实时性与低实现复杂度，为实际无线系统的时隙级在线预测和部署应用奠定了良好基础。
该研究进一步探索了无线传播机理与人工智能模型深度融合的CSI预测技术路径，降低智能CSI预测对大量高质量数据的依赖，提升复杂移动环境下的多步预测能力与鲁棒性，为6G无线接入网智能信道获取提供了重要参考价值。未来，研究团队将持续深入研究无线物理知识与数据驱动模型的深度融合，推动相关技术向实际无线网络应用演进。
热门跟贴