37、增强型蜂窝带宽预测助力高度自动化驾驶

增强型蜂窝带宽预测助力高度自动化驾驶

1. 背景与概念

在蜂窝带宽预测领域，一些方法依赖活跃数据传输时间，并将历史吞吐量值作为预测特征，能在不同数据集上取得不错的结果。不过，部分研究未考虑一些底层信息，如载波聚合（Carrier Aggregation）和多输入多输出（MIMO）数据传输的可用性，而这些信息对稳健的预测方法至关重要。

1.1 基础工具链

为了实现大规模部署且易于获取训练和测试数据，我们采用了一种基于现有客户硬件和软件的基础工具链方法：
- 选择测量平台 ：选用2018年5月的安卓智能手机作为测量平台，原因如下：
- 提供与当前量产汽车车载通信单元相似的质量信息，结果具有实际参考价值。
- 价格相对低廉，且API易于访问以获取所需网络质量数据。
- 开发安卓应用 ：开发了一个安卓应用，用于检索与当前网络质量相关的所有可用参数。该应用通过向测量服务器上传大量数据来体验网络的峰值带宽，服务器再回传测试数据。数据传输使用UDP协议，以避免TCP协议的慢启动和拥塞控制对测量结果的影响。
- 数据收集与处理 ：在数据传输过程中，并行收集API可获取的网络质量参数，如参考信号接收功率（RSRP）和参考信号接收质量（RSRQ）。将测量结果与网络质量参数拼接成单个测量对象，上传到测量服务器并存储在PostgreSQL数据库中，供机器学习算法进一步评估。每次上传完成后，立即执行新的测量事件。

1.2 扩展工具链

为了进一步研究本地化训练数据与非特定位置的全局训练相比的性能提升