C-V2X信道特性与建模方法研究*

苏昭阳，刘留**，樊圆圆，庄凌凡，王凯，王致远，郑胜洁，程立志，任婷婷

（1.北京交通大学，北京 100044；2.中国联合网络通信有限公司安徽分公司，安徽 合肥 230022）

0 引言

随着智慧交通理念的兴起，信息技术与汽车产业日益深度融合，车联网（V2X,Vehicle-to-Everything）已经成为未来智慧交通的关键解决方案。V2X 可以实现车辆与周围的车、人、交通基础设施和云等全方位连接和通信，可以有效提高信息的互联互通能力，显著提升驾驶的安全性与交通效率，降低事故发生率[1]。

目前车联网的主流技术路线有两种，分为专用短程通信（DSRC,Dedicated Short Range Communication）和蜂窝车联网（C-V2X,Cellular Vehicle-to-Everything）。其中DSRC由美国最先提出，发展起步较早，但是其相比于C-V2X 缺乏演进路线，无法平滑过渡到5G，在提供高吞吐量、超低延迟与高可靠性的传输服务上也存在不足。另一方面，国内C-V2X 相比于DSRC 具备更良好的研究基础，各通信厂商都在积极推动C-V2X 的产业化，各车企也纷纷与通信企业联合开展C-V2X 的技术测试，且国家层面也对C-V2X 技术有着强有力的指引与支持，因此在国内C-V2X 属于主导地位的车联网技术，具备更长期的发展潜力[2]。

无线信道作为信息传播的媒介，是通信系统设计的基础，其特性决定了无线通信系统的性能。由于汽车行驶环境复杂多变，收发端和周围散射体任意一方的移动，都会引起信号在传输过程中的多径效应和多普勒效应，使车辆间信道特性发生变化，此外，V2X 通信场景特有的高工作频段、低发射天线等特点也造成了V2X 通信系统与传统蜂窝通信系统信道特性的显著差异[3]，因此，研究V2X 通信系统的首要问题就是深入认识V2X 无线信道特性。

信道建模可以揭示无线信号在真实环境中的传播特点，借助信道模型来了解V2X 信道的传播特性，可以为V2X 通信系统设计和优化提供有效的指导。目前，应用于V2X 通信的信道建模方法中，传统建模方法缺少自动学习规律技术的支持，难以有效应对V2X 场景中信道数据海量化、多样化的特点，而基于机器学习（ML,Machine Learning）的建模方法可以自动发现海量数据中的规律，并利用规律预测未知数据，逐渐在学术界和工业界得到了广泛应用，成为了当下信道建模方法研究的热点[4]。

本文概述了C-V2X 通信系统的信道特点与信道建模的方法。首先，介绍了C-V2X 的信道特性，利用实测数据对其大尺度特性与小尺度特性进行了分析，指出了与传统蜂窝通信网络信道特点的不同；其次，介绍了C-V2X的信道建模方法，分别概述了传统信道建模方法与基于机器学习的信道建模方法，并进行了比较；最后，对全文的工作进行了总结，并给出了下一步研究方向。

1 C-V2X信道特性

1.1 C-V2X信道特点

与传统蜂窝网络通信系统相比，C-V2X 无线信道具备以下特点：

（1）工作频段高。目前对C-V2X 的研究大多集中在5.2—5.9 GHz 频段[5]，带宽为20 MHz，高于传统蜂窝网络的工作频段，频段的升高使信号的传播能力变差，受周围环境的影响更加严重。

（2）发射端天线高度低。传统蜂窝网络基站一般架设在数十米的高度，天线周围环境较为空旷，发射端信号受散射体影响较小。而C-V2X 发射端天线一般架设在信号灯或者车顶上，高度较低，一般在10 m 以内，因此发射信号除了受到高大建筑物的遮挡以外，也容易受到周围车辆的遮挡[6]，产生阴影衰落，且不同类型的车辆造成的阴影衰落程度也不同。

（3）接收端移动性高。C-V2X 的通信场景一般发生在行驶的车辆之间，车辆的高速移动使信道不具备广义平稳（WSS,Wide-Sense Stationary）特性，且车辆之间的网络拓扑也会随着收发端的移动而产生剧烈变化，进而导致信道特性的变化[7]。因此，传统蜂窝网络中的信道模型不再适用于C-V2X 场景。

（4）受环境影响大。由于实际道路的复杂性，车辆可能行驶在高速、城区、十字路口、隧道、立交桥、停车场等多种场景中，每一种场景下的信道都有独特的特点。因此，想要充分认识C-V2X 信道，必须针对不同场景开展信道测量与建模工作，其中城区、乡村、高速公路[8]为研究的热点场景。

在对无线信道特性进行描述时，通常关注其大尺度衰落特性与小尺度衰落特性。大尺度衰落特性有助于规划通信网络的覆盖范围等工作，小尺度衰落特性有助于设计接收机和评估关键传输技术性能等工作[9]，二者对于无线通信系统的设计尤为重要。本文工作团队在部分车联网场景下开展了实地测量与信道建模工作，下面将基于城区直道和高速直道场景下的实测数据对C-V2X 的信道特性展开分析。

1.2 大尺度特性

大尺度衰落特性对分析C-V2X 信道的可用性、无线网络的规划、优化以及干扰分析都十分重要，它描述了较长距离内信号强度的缓慢变化情况，由路径损耗和阴影衰落表示。大尺度衰落可由对数距离路径损耗来描述：

其中，d0为参考距离；A0为截断点，表示参考距离为d0时的路径损耗；n为路径损耗指数，在不同交通场景下有不同的数值，用于描述路径损耗随距离的变化情况；XSF为阴影衰落，服从均值为0、方差为σ的高斯分布，由障碍物的遮挡产生，如树木、建筑物、车辆等。

本文工作团队在上海市对5.9 GHz 频段下的高速直道与城区直道信道进行了测量。其中高速道路测试全长500 m，城区道路测试全长440 m，V2I 发射端天线架设到路侧，高度约为5 m，接收端天线均架设到车辆顶部的中间位置，高度约为2 m，两个场景均没有明显遮挡区域，属于视距传输，测量时车辆均从静止加速到40 km/h，再匀速行驶。由于实际测试道路长度不同，为了保证数据分析的准确性，对高速场景与城区场景均截取收发端间距0-400 m 范围的数据进行分析对比，得到如表1 所示的大尺度参数：

表1 大尺度衰落参数

其中，WINNER II D2a 模型为蜂窝通信中常用的信道模型，因此将WINNER II D2a 模型与高速道路场景的V2I 及V2V进行对比。从表1 中可以看出，WINNER II D2a 模型的路损指数小于测得的高速场景下V2I、V2V 的路损指数，这是因为传统蜂窝网络中基站架设的高度约为10～35 m，发端周围没有明显的散射体，而V2I 天线高度约为4～6 m，一般架设到电警杆或者灯杆上，V2V 天线高度约为2 m，一般架设到车顶，因此V2V 发射的信号受到发端周围散射体的影响最大，V2I 次之，这也导致V2I 及V2V 信道的路损指数大于同场景的蜂窝网络模型的路损指数。通过与WINNER II D2a 模型的对比，说明了传统蜂窝网络模型不适合用于描述C-V2X 通信的大尺度特性。

此外，对比城区场景下与高速场景可以发现，城区场景的路损指数大于高速场景的路损指数，这是由于城区场景存在较多的散射体，例如密集的建筑物、路灯、植被、车辆等，导致传播环境更加恶劣，信号质量衰减更快。

1.3 小尺度特性

在C-V2X 场景中，大量车辆的高速移动使传播信号产生了丰富的多径分量，它们以不同的时间、不同的强度以及不同的角度到达接收端，造成接收信号幅度的快速变化，是造成小尺度衰落的主要因素[10]。

在多径传播条件下，由于各条多径传播时长不同，导致接收端的信号在时延域上出现色散，通常采用功率时延分布（PDP,Power-Delay Profile）的二阶矩均方根（RMS,Root Mean Square）时延来描述时延扩展的程度。常用的RMS 时延扩展σt表示为：

其中，P(τk) 表示时延τk上抽头的功率，由式(2)～ 式(4)可知，当只有1 条有效径时，σt为0。表2 为本文工作团队对5.9 GHz 频段下城区直道与高速直道信道测量后得到的RMS 时延扩展统计结果：

表2 RMS时延扩展统计值

可以看出，V2V 场景下的RMS 时延明显大于V2I 场景，这是因为V2V 场景是车辆间进行的通信，发射信号经过的反射更多，从而产生了更多的多径，导致RMS 时延也较大。此外，在V2I 场景下，城区环境的RMS 时延大于高速环境，这是因为高速环境更加开阔，多径分量较少；而V2V 场景下，城区环境的RMS 时延小于高速环境，这是因为测试的天线摆放在车顶，同时城区交通密度较大，车辆间距相比高速环境很小，导致信号在收发端之间的传播间距较小。因此，RMS 时延扩展受到多种因素影响，如天线位置[11]、信号所受遮挡[12]、交通密度[13]等。

小尺度衰落中另一个重要的现象是频率色散，由多普勒效应产生，在频域上表现为时间选择性衰落，即信道特征在信号传播过程中就发生了变化。无线信道的频率色散特性通常利用多普勒功率谱表征。不同的入射角产生不同的多普勒频移，因此所有多径分量的叠加就形成了多普勒功率谱。对信道冲激响应的自相关函数进行离散傅里叶变换可以得到多普勒功率谱：

其中，v表示多普勒频偏，{⋅}F表示DFT 运算；(⋅)*表示共轭运算；WFFT为DFT 窗的长度。与蜂窝通信不同，C-V2X通信中收发端均在运动，因此其多普勒频移由收发端车辆速度与方向共同决定。文献[7]指出，在收发端与周围物体运动速度相同的情况下，C-V2X 中最大多普勒频移可以达到蜂窝通信的4 倍，因此，在不同交通场景下研究多普勒频移是一项非常有必要的工作。

图1 为基于实测数据的高速场景下瞬时DPSD 和多普勒扩展，图1（a）与图1（b）分别选取了收发端相遇时的4 个DPSD 快照对比，图1（a）中，收发端在38～41 s 相遇，可以看到这段时间内的多普勒频偏呈现快变特性，即从最大正频偏向最小负频偏快速变化，这种现象同样发生在图1（b）中39～42 s 的过程，可以看到瞬时DPSD 随时间变化的特点，表明了C-V2X 信道的非平稳特性。此外，两种场景的多普勒功率谱均出现一定程度的多普勒扩展，如图1（c）所示，V2V 对向行驶的多普勒扩展最大，V2I 次之，这是因为多普勒扩展除了与多径数有关，也与多普勒频偏有关，V2V 对向行驶的多径数和多普勒频偏均为最大。

图1 高速道路场景的DPSD与多普勒扩展

综上所述，C-V2X 信道的大尺度特性和小尺度特性与蜂窝通信存在很大不同，传统信道模型不适用于C-V2X通信场景，因此有必要针对不同频段、不同传播环境、不同车辆速度展开更深入的研究，建立新的信道模型。

2 C-V2X信道建模方法

2.1 传统信道建模方法

信道建模是探索并表征真实环境中信道传播特性的过程，根据建模方法的差异可以将传统信道建模方法分为确定性模型（GBDM,Geometry-based Deterministic Model）和随机性模型，其中随机性模型又分为基于几何的随机性模型（GBSM,Geometry-Based Stochastic Model）和非几何随机性模型（NGSM,Non-Geometrical Stochastic Model）。

确定性模型对传播环境信息的依赖度很高，需要还原真实车辆的通信环境，模拟真实的信号传播过程，常用方法为射线追踪法。其优点是可以精确反映出信道的特性，与实际更相符，但是其建模过程复杂、对环境精确信息要求高、计算量大，且由于环境的独特性难以推广到其他场景，因此一般只适用于小范围、环境复杂度低的场景。C-V2X 场景复杂，遮挡物多，车辆的移动更使得信道具有显著的时变特性，使用确定性建模获取这种时变信道大量参数的过程具有一定的复杂性和挑战性。

现在已经有部分学者利用射线追踪法对V2V 信道开展了建模工作，如文献[14]利用射线追踪法建立了城区十字路口V2V 信道确定性模型，对该场景的多径分布进行了深入分析；文献[15]在高速公路场景中利用3D 射线追踪方法建立了确定性模型，并研究了不同天线位置对车车通信的影响。但是这些模型都缺少在大车流量密度情况下的研究，这也正是确定性模型在C-V2X 场景中应用的难点所在。

非几何的随机性模型假设散射体以完全随机的方式分布在车联网通信环境中，将每条多径的相关参数（功率、时延、角度等）视为随机变量，是一种基于多径信道参数统计特性建立的信道模型。这种建模方式侧重于实测数据，需要先对现实环境中的信道进行测量，对实测数据进行统计分析，提取其多径参数以建立模型，通常有TDL与CDL 模型。TDL 模型将每一条可分辨多径用抽头来表示，依据收发端之间是否存在直射径来建模为莱斯分布或者瑞利分布。CDL 模型将具有相似时延、到达角与离开角等参数的多径划分到一个簇内，相比于TDL 模型更符合真实环境，但参数提取的工作量也相应增大。

非几何的随机性模型较为简单，结果可推广到类似场景，得到了广泛使用。但是该模型也存在以下缺点：1）难以通过调整模型参数（如车流量、车辆轨迹等）将模型推广到更广泛的场景类别；2）没有考虑C-V2X 场景中快时变性引起的信道非平稳性；3）参数随机的特点使模型精度较低。

基于几何的随机性模型假定散射体在一定的几何形状上分布，通过改变这种几何区域的形状和散射体分布位置，可以将模型容易地推广到不同场景。这种建模方式将环境中的散射体抽象为具有一定概率分布的簇，并根据散射体是否分布在规则形状上可进一步分为规则形GBSM（RS-GBSM,Regular Shape GBSM）和非规则形GBSM（IS-GBSM,Irregular Shape GBSM）。RS-GBSM的优势在于可以进行几何推导，建模过程比较便利，而IS-GBSM 更加符合物理现实的随机性，且其在散射体分布的假设过程中就考虑到了移动的散射体，可以较好应对C-V2X 信道的非平稳特性。由于基于几何的随机性模型具备比确定性模型更低的复杂度，且相比非几何的随机性模型能通过调整参数更好地反映一类环境中的信道传播特性，从而得到了广泛应用。但是其散射体的分布与实际环境存在差异，使模型的准确性受到一定影响。

可以看到，传统信道模型是在特定的场景和频率下，基于信道测量数据进行人工统计分析来建立的。由于电磁波传播的复杂性，传统建模方法做了大量的假设与近似，以简化数据处理与建模过程[16]。但是在C-V2X 通信场景中，传播场景多样、数据海量增加、拓扑变化剧烈、信道非平稳特性显著[1]，这些特点使传统信道建模方法的准确度与效率大大下降，因此亟需具有自学习、自适应能力，且高效准确的建模方法。

2.2 机器学习信道建模方法

作为人工智能的重要分支，机器学习在分析数据中有着天然的优势，它具有以下优势[4]：

（1）优异的自学习能力和预测能力。机器学习可以从海量数据中挖掘出隐藏规律并进行预测或分类。与传统信道建模方法不同，它不需要依赖于某个特定的模型或参数，而是基于数据驱动的方式学习数据集的特征，从而直接获得信道的统计特性，建模方式更简单，结果更准确。例如传统的确定性模型的建立需要获取环境中的参数，且难以推广到更广泛的场景，而基于机器学习的信道模型可以通过学习多种场景的数据集来建立适用性更强的信道模型。

（2）良好的非线性拟合能力。如前文所述，高速移动的汽车使C-V2X 信道具备显著的非平稳特性，导致信道是非线性的，传统信道建模方法在拟合非线性信道上均存在一定困难，而机器学习恰好有着强大的非线性拟合能力。只需要用实测数据使模型得到足够的训练，就能准确地还原实际信道的非平稳特性，相比与传统模型有更高的准确度。

（3）强大的特征提取能力。C-V2X 场景数据量庞大，数据类型复杂，这给传统信道建模方法在获取、存储、处理数据方面提出了很大挑战。而机器学习中回归、聚类、分类等算法在处理大数据、从海量数据中提取特征上有着独特的优势，更适合5G 及之后的无线大数据时代的信道建模。

机器学习被认为是理解数据特征、构造传播模型的有力工具，但是基于机器学习的信道建模研究仍处于起步阶段，下面将简要概述当前机器学习在信道建模中的应用，并对其存在的挑战加以讨论。

（1）多径分量聚簇。为了简化建模过程，常将一组具有相似时延、角度等参数的多径分量作为一簇，通过研究簇内与簇间的传播特性来降低建模复杂度，因此需要一种与多径传播特性相适应的聚类算法。实际上，多径分量在环境中本身就是以簇状分布的[17-18]，过去人们是将测量的数据图片化再手动分簇，但是这样的分簇结果没有一种可靠标准来评判，而机器方法中非监督学习的聚类算法恰好能很好地解决这个问题。自从机器学习被引入信道建模以来，k-means 算法、高斯混合模型（GMM,Gaussian Mixed Model）算法、基于密度的含噪空间聚类（DBSCAN,Density-Based Spatial Clustering of Applications with Noise）算法等经典机器学习算法就成为了多径分簇的主流算法。

在C-V2X 场景中，随着信道维度的增加和时延分辨率的降低，信道测量所得到的多径数量将会爆炸性增加，面对庞大的数据量，寻找一种快速、高效的多径聚簇算法就显得尤为重要，且目前还没有一种能适用于多频段、多场景的聚类算法[19]。此外，由于聚簇算法属于无监督学习，因此需要一种评价指标评判分簇结果，且这种指标需要将簇和散射体的关系一并纳入评价体系中。

（2）信道参数估计。准确的信道参数估计有助于采取有效的措施对抗衰落，对通信质量的可靠性非常重要。空间交替的广义期望最大化（SAGE,Space-Alternating Generalized Expectation-Maximization）算法是应用最广泛的传统参数估计算法，这种算法的复杂度在C-V2X 场景的大数据化下急剧增加，很难满足参数估计高效、准确的要求。基于机器学习的信道参数估计可以大大降低计算复杂度，只需要在训练阶段用已知参数集对模型进行训练，就可以在测试阶段根据输入的信道信息自动获取待估计的参数。目前已经有研究人员将遗传算法、粒子群算法、稀疏贝叶斯算法等应用到信道参数估计中，结果表明，这些算法可以在不降低估计准确性的前提下大大降低计算时间。

（3）信道模型构建。前文已经提到，确定性信道建模预测准确但对环境信息依赖性强，且建模复杂度高；随机性信道建模复杂度低但是精度不高，且与实际环境吻合度较低。目前国内外基于机器学习主要提出了两种信道建模方法，分别为基于神经网络的信道建模[20]和基于簇核的信道建模[21]。

基于神经网络的信道建模利用神经网络来描述数据特性、提取系统输入与输出之间的关系。这种方法将测试数据作为系统的输入层，信道特征参数作为系统的输出层，利用实测数据集对神经网络进行充分的训练，提高其预测的精度。当变换建模场景时，只需要更换训练用的数据集即可，可以有效模拟各种实际场景的无线信道特征。目前用于信道建模的神经网络类型主要有前馈神经网络（FNN,Feedforward Neural Network）、反向传播神经网络（BPNN,Back Propagation Neural Network）、径向基神经网络（RBFNN,Radial Basis Function Neural Network）和卷积神经网络。信道在这种方法中单纯当作大数据来处理，是一种完全数据驱动的方式，利用了神经网络学习、自适应和非线性拟合的特点，对于分析统计特性难以提取、非平稳特性显著、场景丰富的C-V2X 信道非常重要。但是目前还没有有效的方法说明如何进行神经网络的参数设置才能有最好的输出，通常都是人为调试，这对于信道建模来说也是一项繁琐的工作。图2 是本文工作团队利用BP 神经网络对高速直道V2I 场景下路径损耗的预测结果与回归分析。该网络采用双隐藏层的网络架构，每个隐藏层13 个神经元，进行3 000 次训练，学习率为0.1%，其中蓝线为实际测量值，红线为输入汽车行驶距离的预测值，可以看到预测结果与实测数据有良好的拟合效果。模型评价指标采用均方误差（MSE）与相关系数，各项参数如表3 所示。

图2 V2I高速直道路径损耗预测结果与回归分析

表3 神经网络参数

基于簇核的信道建模方法通过机器学习的方法挖掘信道数据中的规律，寻找确定性模型中散射体和随机性模型中簇的映射关系，通过有限个有物理意义的簇核进行信道建模。具体流程如下：一方面，利用参数提取算法（如SAGE 算法）提取实测信道数据的参数并对多径分簇；另一方面，利用计算机视觉和图像处理的方法对实际传播环境进行三维重构，提取主要散射体；最终，利用机器学习找到簇和散射体之间的映射关系，得到对应场景的簇核。这种方式结合了确定性模型和随机性模型的优点，避免了确定性模型复杂度高和随机性模型缺少物理含义的缺点，但是由于其较为依赖特定场景的信息，其模型泛化程度有待提高，C-V2X 场景多样化实时处理的需求对这种方法来说也是一种挑战。

（4）信道场景识别。在C-V2X 场景中，由于车辆的移动使得用户处于不同场景之间切换的状态，且不同场景之间可能存在明显差异，如开阔的高速公路与半封闭的隧道。一般来说，当用户从开阔地带进入到隧道后，会明显感受到通信质量的下降甚至中断，如果能及时识别对应的场景，进而针对场景的变化优化无线传输，就可以给用户带来更好的通信体验，因此，信道场景识别具有非常重要的意义。

传统的场景识别针对LOS/NLOS 场景，是一种二元假设检验，根据不同信道参数的差异进行分类。然而C-V2X的场景进一步细化为城区、郊区、农村、高速、隧道等，仅仅局限于对LOS/NLOS 场景分类是显然不够的。机器学习在数据分类上具有很大优势，通过自动挖掘场景特征，将数据划分为不同场景，进而进行资源管理、系统优化等应用。目前已经有很多机器学习算法用于场景识别，如支持向量机、神经网络、随机森林、决策树等，现有的场景识别方法可以概括为以下几个方面：1）先将数据分为一大类，再利用机器学习的方法识别特定场景；2）用场景信息训练神经网络，利用神经网络对场景分类；3）利用主成分分析等方法进行数据降维，再利用支持向量机、神经网络、随机森林等方法进行分类。然而目前已公开的信道数据集较少，这就给多场景识别训练带来了困难，因此可以结合深度学习，最大化挖掘有限数据的信道特征，提高识别准确度。

3 结束语

本文探讨了C-V2X 信道特性与建模方法。首先介绍了C-V2X 的信道特点，结合本文工作团队在高速和城区的实测数据分析了其大尺度与小尺度特征，并指出了与传统蜂窝网络信道的不同。其次，对传统信道建模方法做了介绍，重点介绍了确定性建模方法、基于几何的随机性建模方法和非几何的随机性建模方法，并分析了各自的优缺点。最后，针对C-V2X 场景数据海量化、场景多样化、信道非平稳化的特点，将机器学习引入C-V2X 信道建模，指出了机器学习相比于传统方法的优势，概述了当前机器学习在信道建模中的应用，并讨论了存在的挑战。本文希望通过对C-V2X 信道特性与建模方法的介绍，帮助相关领域研究人员快速了解C-V2X 信道，为其他研究提供参考和帮助。