C-V2X信道特性與建模方法研究*

蘇昭陽，劉留**，樊圓圓，莊凌凡，王凱，王致遠，鄭勝潔，程立志，任婷婷

（1.北京交通大學，北京 100044；2.中國聯合網絡通信有限公司安徽分公司，安徽 合肥 230022）

0 引言

隨著智慧交通理念的興起，信息技術與汽車產業日益深度融合，車聯網（V2X,Vehicle-to-Everything）已經成為未來智慧交通的關鍵解決方案。V2X 可以實現車輛與周圍的車、人、交通基礎設施和云等全方位連接和通信，可以有效提高信息的互聯互通能力，顯著提升駕駛的安全性與交通效率，降低事故發生率[1]。

目前車聯網的主流技術路線有兩種，分為專用短程通信（DSRC,Dedicated Short Range Communication）和蜂窩車聯網（C-V2X,Cellular Vehicle-to-Everything）。其中DSRC由美國最先提出，發展起步較早，但是其相比于C-V2X 缺乏演進路線，無法平滑過渡到5G，在提供高吞吐量、超低延遲與高可靠性的傳輸服務上也存在不足。另一方面，國內C-V2X 相比于DSRC 具備更良好的研究基礎，各通信廠商都在積極推動C-V2X 的產業化，各車企也紛紛與通信企業聯合開展C-V2X 的技術測試，且國家層面也對C-V2X 技術有著強有力的指引與支持，因此在國內C-V2X 屬于主導地位的車聯網技術，具備更長期的發展潛力[2]。

無線信道作為信息傳播的媒介，是通信系統設計的基礎，其特性決定了無線通信系統的性能。由于汽車行駛環境復雜多變，收發端和周圍散射體任意一方的移動，都會引起信號在傳輸過程中的多徑效應和多普勒效應，使車輛間信道特性發生變化，此外，V2X 通信場景特有的高工作頻段、低發射天線等特點也造成了V2X 通信系統與傳統蜂窩通信系統信道特性的顯著差異[3]，因此，研究V2X 通信系統的首要問題就是深入認識V2X 無線信道特性。

信道建模可以揭示無線信號在真實環境中的傳播特點，借助信道模型來了解V2X 信道的傳播特性，可以為V2X 通信系統設計和優化提供有效的指導。目前，應用于V2X 通信的信道建模方法中，傳統建模方法缺少自動學習規律技術的支持，難以有效應對V2X 場景中信道數據海量化、多樣化的特點，而基于機器學習（ML,Machine Learning）的建模方法可以自動發現海量數據中的規律，并利用規律預測未知數據，逐漸在學術界和工業界得到了廣泛應用，成為了當下信道建模方法研究的熱點[4]。

本文概述了C-V2X 通信系統的信道特點與信道建模的方法。首先，介紹了C-V2X 的信道特性，利用實測數據對其大尺度特性與小尺度特性進行了分析，指出了與傳統蜂窩通信網絡信道特點的不同；其次，介紹了C-V2X的信道建模方法，分別概述了傳統信道建模方法與基于機器學習的信道建模方法，并進行了比較；最后，對全文的工作進行了總結，并給出了下一步研究方向。

1 C-V2X信道特性

1.1 C-V2X信道特點

與傳統蜂窩網絡通信系統相比，C-V2X 無線信道具備以下特點：

（1）工作頻段高。目前對C-V2X 的研究大多集中在5.2—5.9 GHz 頻段[5]，帶寬為20 MHz，高于傳統蜂窩網絡的工作頻段，頻段的升高使信號的傳播能力變差，受周圍環境的影響更加嚴重。

（2）發射端天線高度低。傳統蜂窩網絡基站一般架設在數十米的高度，天線周圍環境較為空曠，發射端信號受散射體影響較小。而C-V2X 發射端天線一般架設在信號燈或者車頂上，高度較低，一般在10 m 以內，因此發射信號除了受到高大建筑物的遮擋以外，也容易受到周圍車輛的遮擋[6]，產生陰影衰落，且不同類型的車輛造成的陰影衰落程度也不同。

（3）接收端移動性高。C-V2X 的通信場景一般發生在行駛的車輛之間，車輛的高速移動使信道不具備廣義平穩（WSS,Wide-Sense Stationary）特性，且車輛之間的網絡拓撲也會隨著收發端的移動而產生劇烈變化，進而導致信道特性的變化[7]。因此，傳統蜂窩網絡中的信道模型不再適用于C-V2X 場景。

（4）受環境影響大。由于實際道路的復雜性，車輛可能行駛在高速、城區、十字路口、隧道、立交橋、停車場等多種場景中，每一種場景下的信道都有獨特的特點。因此，想要充分認識C-V2X 信道，必須針對不同場景開展信道測量與建模工作，其中城區、鄉村、高速公路[8]為研究的熱點場景。

在對無線信道特性進行描述時，通常關注其大尺度衰落特性與小尺度衰落特性。大尺度衰落特性有助于規劃通信網絡的覆蓋范圍等工作，小尺度衰落特性有助于設計接收機和評估關鍵傳輸技術性能等工作[9]，二者對于無線通信系統的設計尤為重要。本文工作團隊在部分車聯網場景下開展了實地測量與信道建模工作，下面將基于城區直道和高速直道場景下的實測數據對C-V2X 的信道特性展開分析。

1.2 大尺度特性

大尺度衰落特性對分析C-V2X 信道的可用性、無線網絡的規劃、優化以及干擾分析都十分重要，它描述了較長距離內信號強度的緩慢變化情況，由路徑損耗和陰影衰落表示。大尺度衰落可由對數距離路徑損耗來描述：

其中，d0為參考距離；A0為截斷點，表示參考距離為d0時的路徑損耗；n為路徑損耗指數，在不同交通場景下有不同的數值，用于描述路徑損耗隨距離的變化情況；XSF為陰影衰落，服從均值為0、方差為σ的高斯分布，由障礙物的遮擋產生，如樹木、建筑物、車輛等。

本文工作團隊在上海市對5.9 GHz 頻段下的高速直道與城區直道信道進行了測量。其中高速道路測試全長500 m，城區道路測試全長440 m，V2I 發射端天線架設到路側，高度約為5 m，接收端天線均架設到車輛頂部的中間位置，高度約為2 m，兩個場景均沒有明顯遮擋區域，屬于視距傳輸，測量時車輛均從靜止加速到40 km/h，再勻速行駛。由于實際測試道路長度不同，為了保證數據分析的準確性，對高速場景與城區場景均截取收發端間距0-400 m 范圍的數據進行分析對比，得到如表1 所示的大尺度參數：

表1 大尺度衰落參數

其中，WINNER II D2a 模型為蜂窩通信中常用的信道模型，因此將WINNER II D2a 模型與高速道路場景的V2I 及V2V進行對比。從表1 中可以看出，WINNER II D2a 模型的路損指數小于測得的高速場景下V2I、V2V 的路損指數，這是因為傳統蜂窩網絡中基站架設的高度約為10～35 m，發端周圍沒有明顯的散射體，而V2I 天線高度約為4～6 m，一般架設到電警桿或者燈桿上，V2V 天線高度約為2 m，一般架設到車頂，因此V2V 發射的信號受到發端周圍散射體的影響最大，V2I 次之，這也導致V2I 及V2V 信道的路損指數大于同場景的蜂窩網絡模型的路損指數。通過與WINNER II D2a 模型的對比，說明了傳統蜂窩網絡模型不適合用于描述C-V2X 通信的大尺度特性。

此外，對比城區場景下與高速場景可以發現，城區場景的路損指數大于高速場景的路損指數，這是由于城區場景存在較多的散射體，例如密集的建筑物、路燈、植被、車輛等，導致傳播環境更加惡劣，信號質量衰減更快。

1.3 小尺度特性

在C-V2X 場景中，大量車輛的高速移動使傳播信號產生了豐富的多徑分量，它們以不同的時間、不同的強度以及不同的角度到達接收端，造成接收信號幅度的快速變化，是造成小尺度衰落的主要因素[10]。

在多徑傳播條件下，由于各條多徑傳播時長不同，導致接收端的信號在時延域上出現色散，通常采用功率時延分布（PDP,Power-Delay Profile）的二階矩均方根（RMS,Root Mean Square）時延來描述時延擴展的程度。常用的RMS 時延擴展σt表示為：

其中，P(τk) 表示時延τk上抽頭的功率，由式(2)～ 式(4)可知，當只有1 條有效徑時，σt為0。表2 為本文工作團隊對5.9 GHz 頻段下城區直道與高速直道信道測量后得到的RMS 時延擴展統計結果：

表2 RMS時延擴展統計值

可以看出，V2V 場景下的RMS 時延明顯大于V2I 場景，這是因為V2V 場景是車輛間進行的通信，發射信號經過的反射更多，從而產生了更多的多徑，導致RMS 時延也較大。此外，在V2I 場景下，城區環境的RMS 時延大于高速環境，這是因為高速環境更加開闊，多徑分量較少；而V2V 場景下，城區環境的RMS 時延小于高速環境，這是因為測試的天線擺放在車頂，同時城區交通密度較大，車輛間距相比高速環境很小，導致信號在收發端之間的傳播間距較小。因此，RMS 時延擴展受到多種因素影響，如天線位置[11]、信號所受遮擋[12]、交通密度[13]等。

小尺度衰落中另一個重要的現象是頻率色散，由多普勒效應產生，在頻域上表現為時間選擇性衰落，即信道特征在信號傳播過程中就發生了變化。無線信道的頻率色散特性通常利用多普勒功率譜表征。不同的入射角產生不同的多普勒頻移，因此所有多徑分量的疊加就形成了多普勒功率譜。對信道沖激響應的自相關函數進行離散傅里葉變換可以得到多普勒功率譜：

其中，v表示多普勒頻偏，{?}F表示DFT 運算；(?)*表示共軛運算；WFFT為DFT 窗的長度。與蜂窩通信不同，C-V2X通信中收發端均在運動，因此其多普勒頻移由收發端車輛速度與方向共同決定。文獻[7]指出，在收發端與周圍物體運動速度相同的情況下，C-V2X 中最大多普勒頻移可以達到蜂窩通信的4 倍，因此，在不同交通場景下研究多普勒頻移是一項非常有必要的工作。

圖1 為基于實測數據的高速場景下瞬時DPSD 和多普勒擴展，圖1（a）與圖1（b）分別選取了收發端相遇時的4 個DPSD 快照對比，圖1（a）中，收發端在38～41 s 相遇，可以看到這段時間內的多普勒頻偏呈現快變特性，即從最大正頻偏向最小負頻偏快速變化，這種現象同樣發生在圖1（b）中39～42 s 的過程，可以看到瞬時DPSD 隨時間變化的特點，表明了C-V2X 信道的非平穩特性。此外，兩種場景的多普勒功率譜均出現一定程度的多普勒擴展，如圖1（c）所示，V2V 對向行駛的多普勒擴展最大，V2I 次之，這是因為多普勒擴展除了與多徑數有關，也與多普勒頻偏有關，V2V 對向行駛的多徑數和多普勒頻偏均為最大。

圖1 高速道路場景的DPSD與多普勒擴展

綜上所述，C-V2X 信道的大尺度特性和小尺度特性與蜂窩通信存在很大不同，傳統信道模型不適用于C-V2X通信場景，因此有必要針對不同頻段、不同傳播環境、不同車輛速度展開更深入的研究，建立新的信道模型。

2 C-V2X信道建模方法

2.1 傳統信道建模方法

信道建模是探索并表征真實環境中信道傳播特性的過程，根據建模方法的差異可以將傳統信道建模方法分為確定性模型（GBDM,Geometry-based Deterministic Model）和隨機性模型，其中隨機性模型又分為基于幾何的隨機性模型（GBSM,Geometry-Based Stochastic Model）和非幾何隨機性模型（NGSM,Non-Geometrical Stochastic Model）。

確定性模型對傳播環境信息的依賴度很高，需要還原真實車輛的通信環境，模擬真實的信號傳播過程，常用方法為射線追蹤法。其優點是可以精確反映出信道的特性，與實際更相符，但是其建模過程復雜、對環境精確信息要求高、計算量大，且由于環境的獨特性難以推廣到其他場景，因此一般只適用于小范圍、環境復雜度低的場景。C-V2X 場景復雜，遮擋物多，車輛的移動更使得信道具有顯著的時變特性，使用確定性建模獲取這種時變信道大量參數的過程具有一定的復雜性和挑戰性。

現在已經有部分學者利用射線追蹤法對V2V 信道開展了建模工作，如文獻[14]利用射線追蹤法建立了城區十字路口V2V 信道確定性模型，對該場景的多徑分布進行了深入分析；文獻[15]在高速公路場景中利用3D 射線追蹤方法建立了確定性模型，并研究了不同天線位置對車車通信的影響。但是這些模型都缺少在大車流量密度情況下的研究，這也正是確定性模型在C-V2X 場景中應用的難點所在。

非幾何的隨機性模型假設散射體以完全隨機的方式分布在車聯網通信環境中，將每條多徑的相關參數（功率、時延、角度等）視為隨機變量，是一種基于多徑信道參數統計特性建立的信道模型。這種建模方式側重于實測數據，需要先對現實環境中的信道進行測量，對實測數據進行統計分析，提取其多徑參數以建立模型，通常有TDL與CDL 模型。TDL 模型將每一條可分辨多徑用抽頭來表示，依據收發端之間是否存在直射徑來建模為萊斯分布或者瑞利分布。CDL 模型將具有相似時延、到達角與離開角等參數的多徑劃分到一個簇內，相比于TDL 模型更符合真實環境，但參數提取的工作量也相應增大。

非幾何的隨機性模型較為簡單，結果可推廣到類似場景，得到了廣泛使用。但是該模型也存在以下缺點：1）難以通過調整模型參數（如車流量、車輛軌跡等）將模型推廣到更廣泛的場景類別；2）沒有考慮C-V2X 場景中快時變性引起的信道非平穩性；3）參數隨機的特點使模型精度較低。

基于幾何的隨機性模型假定散射體在一定的幾何形狀上分布，通過改變這種幾何區域的形狀和散射體分布位置，可以將模型容易地推廣到不同場景。這種建模方式將環境中的散射體抽象為具有一定概率分布的簇，并根據散射體是否分布在規則形狀上可進一步分為規則形GBSM（RS-GBSM,Regular Shape GBSM）和非規則形GBSM（IS-GBSM,Irregular Shape GBSM）。RS-GBSM的優勢在于可以進行幾何推導，建模過程比較便利，而IS-GBSM 更加符合物理現實的隨機性，且其在散射體分布的假設過程中就考慮到了移動的散射體，可以較好應對C-V2X 信道的非平穩特性。由于基于幾何的隨機性模型具備比確定性模型更低的復雜度，且相比非幾何的隨機性模型能通過調整參數更好地反映一類環境中的信道傳播特性，從而得到了廣泛應用。但是其散射體的分布與實際環境存在差異，使模型的準確性受到一定影響。

可以看到，傳統信道模型是在特定的場景和頻率下，基于信道測量數據進行人工統計分析來建立的。由于電磁波傳播的復雜性，傳統建模方法做了大量的假設與近似，以簡化數據處理與建模過程[16]。但是在C-V2X 通信場景中，傳播場景多樣、數據海量增加、拓撲變化劇烈、信道非平穩特性顯著[1]，這些特點使傳統信道建模方法的準確度與效率大大下降，因此亟需具有自學習、自適應能力，且高效準確的建模方法。

2.2 機器學習信道建模方法

作為人工智能的重要分支，機器學習在分析數據中有著天然的優勢，它具有以下優勢[4]：

（1）優異的自學習能力和預測能力。機器學習可以從海量數據中挖掘出隱藏規律并進行預測或分類。與傳統信道建模方法不同，它不需要依賴于某個特定的模型或參數，而是基于數據驅動的方式學習數據集的特征，從而直接獲得信道的統計特性，建模方式更簡單，結果更準確。例如傳統的確定性模型的建立需要獲取環境中的參數，且難以推廣到更廣泛的場景，而基于機器學習的信道模型可以通過學習多種場景的數據集來建立適用性更強的信道模型。

（2）良好的非線性擬合能力。如前文所述，高速移動的汽車使C-V2X 信道具備顯著的非平穩特性，導致信道是非線性的，傳統信道建模方法在擬合非線性信道上均存在一定困難，而機器學習恰好有著強大的非線性擬合能力。只需要用實測數據使模型得到足夠的訓練，就能準確地還原實際信道的非平穩特性，相比與傳統模型有更高的準確度。

（3）強大的特征提取能力。C-V2X 場景數據量龐大，數據類型復雜，這給傳統信道建模方法在獲取、存儲、處理數據方面提出了很大挑戰。而機器學習中回歸、聚類、分類等算法在處理大數據、從海量數據中提取特征上有著獨特的優勢，更適合5G 及之后的無線大數據時代的信道建模。

機器學習被認為是理解數據特征、構造傳播模型的有力工具，但是基于機器學習的信道建模研究仍處于起步階段，下面將簡要概述當前機器學習在信道建模中的應用，并對其存在的挑戰加以討論。

（1）多徑分量聚簇。為了簡化建模過程，常將一組具有相似時延、角度等參數的多徑分量作為一簇，通過研究簇內與簇間的傳播特性來降低建模復雜度，因此需要一種與多徑傳播特性相適應的聚類算法。實際上，多徑分量在環境中本身就是以簇狀分布的[17-18]，過去人們是將測量的數據圖片化再手動分簇，但是這樣的分簇結果沒有一種可靠標準來評判，而機器方法中非監督學習的聚類算法恰好能很好地解決這個問題。自從機器學習被引入信道建模以來，k-means 算法、高斯混合模型（GMM,Gaussian Mixed Model）算法、基于密度的含噪空間聚類（DBSCAN,Density-Based Spatial Clustering of Applications with Noise）算法等經典機器學習算法就成為了多徑分簇的主流算法。

在C-V2X 場景中，隨著信道維度的增加和時延分辨率的降低，信道測量所得到的多徑數量將會爆炸性增加，面對龐大的數據量，尋找一種快速、高效的多徑聚簇算法就顯得尤為重要，且目前還沒有一種能適用于多頻段、多場景的聚類算法[19]。此外，由于聚簇算法屬于無監督學習，因此需要一種評價指標評判分簇結果，且這種指標需要將簇和散射體的關系一并納入評價體系中。

（2）信道參數估計。準確的信道參數估計有助于采取有效的措施對抗衰落，對通信質量的可靠性非常重要。空間交替的廣義期望最大化（SAGE,Space-Alternating Generalized Expectation-Maximization）算法是應用最廣泛的傳統參數估計算法，這種算法的復雜度在C-V2X 場景的大數據化下急劇增加，很難滿足參數估計高效、準確的要求。基于機器學習的信道參數估計可以大大降低計算復雜度，只需要在訓練階段用已知參數集對模型進行訓練，就可以在測試階段根據輸入的信道信息自動獲取待估計的參數。目前已經有研究人員將遺傳算法、粒子群算法、稀疏貝葉斯算法等應用到信道參數估計中，結果表明，這些算法可以在不降低估計準確性的前提下大大降低計算時間。

（3）信道模型構建。前文已經提到，確定性信道建模預測準確但對環境信息依賴性強，且建模復雜度高；隨機性信道建模復雜度低但是精度不高，且與實際環境吻合度較低。目前國內外基于機器學習主要提出了兩種信道建模方法，分別為基于神經網絡的信道建模[20]和基于簇核的信道建模[21]。

基于神經網絡的信道建模利用神經網絡來描述數據特性、提取系統輸入與輸出之間的關系。這種方法將測試數據作為系統的輸入層，信道特征參數作為系統的輸出層，利用實測數據集對神經網絡進行充分的訓練，提高其預測的精度。當變換建模場景時，只需要更換訓練用的數據集即可，可以有效模擬各種實際場景的無線信道特征。目前用于信道建模的神經網絡類型主要有前饋神經網絡（FNN,Feedforward Neural Network）、反向傳播神經網絡（BPNN,Back Propagation Neural Network）、徑向基神經網絡（RBFNN,Radial Basis Function Neural Network）和卷積神經網絡。信道在這種方法中單純當作大數據來處理，是一種完全數據驅動的方式，利用了神經網絡學習、自適應和非線性擬合的特點，對于分析統計特性難以提取、非平穩特性顯著、場景豐富的C-V2X 信道非常重要。但是目前還沒有有效的方法說明如何進行神經網絡的參數設置才能有最好的輸出，通常都是人為調試，這對于信道建模來說也是一項繁瑣的工作。圖2 是本文工作團隊利用BP 神經網絡對高速直道V2I 場景下路徑損耗的預測結果與回歸分析。該網絡采用雙隱藏層的網絡架構，每個隱藏層13 個神經元，進行3 000 次訓練，學習率為0.1%，其中藍線為實際測量值，紅線為輸入汽車行駛距離的預測值，可以看到預測結果與實測數據有良好的擬合效果。模型評價指標采用均方誤差（MSE）與相關系數，各項參數如表3 所示。

圖2 V2I高速直道路徑損耗預測結果與回歸分析

表3 神經網絡參數

基于簇核的信道建模方法通過機器學習的方法挖掘信道數據中的規律，尋找確定性模型中散射體和隨機性模型中簇的映射關系，通過有限個有物理意義的簇核進行信道建模。具體流程如下：一方面，利用參數提取算法（如SAGE 算法）提取實測信道數據的參數并對多徑分簇；另一方面，利用計算機視覺和圖像處理的方法對實際傳播環境進行三維重構，提取主要散射體；最終，利用機器學習找到簇和散射體之間的映射關系，得到對應場景的簇核。這種方式結合了確定性模型和隨機性模型的優點，避免了確定性模型復雜度高和隨機性模型缺少物理含義的缺點，但是由于其較為依賴特定場景的信息，其模型泛化程度有待提高，C-V2X 場景多樣化實時處理的需求對這種方法來說也是一種挑戰。

（4）信道場景識別。在C-V2X 場景中，由于車輛的移動使得用戶處于不同場景之間切換的狀態，且不同場景之間可能存在明顯差異，如開闊的高速公路與半封閉的隧道。一般來說，當用戶從開闊地帶進入到隧道后，會明顯感受到通信質量的下降甚至中斷，如果能及時識別對應的場景，進而針對場景的變化優化無線傳輸，就可以給用戶帶來更好的通信體驗，因此，信道場景識別具有非常重要的意義。

傳統的場景識別針對LOS/NLOS 場景，是一種二元假設檢驗，根據不同信道參數的差異進行分類。然而C-V2X的場景進一步細化為城區、郊區、農村、高速、隧道等，僅僅局限于對LOS/NLOS 場景分類是顯然不夠的。機器學習在數據分類上具有很大優勢，通過自動挖掘場景特征，將數據劃分為不同場景，進而進行資源管理、系統優化等應用。目前已經有很多機器學習算法用于場景識別，如支持向量機、神經網絡、隨機森林、決策樹等，現有的場景識別方法可以概括為以下幾個方面：1）先將數據分為一大類，再利用機器學習的方法識別特定場景；2）用場景信息訓練神經網絡，利用神經網絡對場景分類；3）利用主成分分析等方法進行數據降維，再利用支持向量機、神經網絡、隨機森林等方法進行分類。然而目前已公開的信道數據集較少，這就給多場景識別訓練帶來了困難，因此可以結合深度學習，最大化挖掘有限數據的信道特征，提高識別準確度。

3 結束語

本文探討了C-V2X 信道特性與建模方法。首先介紹了C-V2X 的信道特點，結合本文工作團隊在高速和城區的實測數據分析了其大尺度與小尺度特征，并指出了與傳統蜂窩網絡信道的不同。其次，對傳統信道建模方法做了介紹，重點介紹了確定性建模方法、基于幾何的隨機性建模方法和非幾何的隨機性建模方法，并分析了各自的優缺點。最后，針對C-V2X 場景數據海量化、場景多樣化、信道非平穩化的特點，將機器學習引入C-V2X 信道建模，指出了機器學習相比于傳統方法的優勢，概述了當前機器學習在信道建模中的應用，并討論了存在的挑戰。本文希望通過對C-V2X 信道特性與建模方法的介紹，幫助相關領域研究人員快速了解C-V2X 信道，為其他研究提供參考和幫助。