بذار یه داستان برات تعریف کنم درباره اینکه چطور ماشین‌ها وقتی توی شهر دارن حرکت می‌کنن، به برج‌های کنار خیابون وصل می‌شن و چی باعث میشه ارتباطشون قطع نشه یا ضعیف نشه. اینجا یه بحث مهم داریم به اسم پیش‌بینی افت سیگنال یا همون “Path Loss” که یعنی وقتی امواج از آنتن فرستنده میان تا گیرنده (مثلاً ماشین)، چقدر ضعیف‌تر می‌شن. پیش‌بینی دقیق این افت سیگنال خیلی مهمه تا ماشین‌ها بتونن راحت و بدون قطعی با زیرساخت‌ها، مثل چراغ راهنمایی یا دوربین‌ها، ارتباط بگیرن.
حالا محقق‌ها اومدن سراغ یه سری روش باحال و جدید به اسم “ماشین لرنینگ” یا همون یادگیری ماشین. یعنی سیستم‌هایی که با دادن کلی داده بهشون، خودشون یاد می‌گیرن و پیش‌بینی‌های دقیق‌تر انجام می‌دن. مثلاً یه مدل معروف تو این کار اسمش Extreme Gradient Boosting یا همون XGBoost هست، که قشنگ خودش می‌مونه که کدوم فاکتورها مهم‌ترن و چطور باید نتایج رو بهتر کنه. یه مدل دیگه هم هست به اسم Multilayer Perceptron (MLP) که یه جور شبکه عصبیه، همون مدلی که از مغز انسان ایده گرفته و با لایه‌های مختلف اطلاعاتو پردازش می‌کنه.
تو این تحقیق، اومدن سیگنال‌ها رو روی فرکانس ۵.۹ گیگاهرتز بررسی کردن – یعنی دقیقا اون موج‌هایی که تو ماشین‌های هوشمند زیاد استفاده میشه – و توی هشت تا نقطه مختلف کنار جاده توی شهر اندازه‌گیری گرفتن. بعدش این مدل‌های هوش مصنوعی رو با مدل‌های قدیمی‌تر مثل Dual Slope و مدل 3GPP (یعنی استانداردهای مخابراتی مخصوص نسل سوم و چهارم شبکه که خصوصاً واسه سناریوهای شهری استفاده می‌شن) مقایسه کردن، تا ببینن کی بهتر جواب می‌ده.
تو سه نوع مختلف محیط شهری این آزمایش رو انجام دادن: یکی محیطای باز و خلوت (Open Urban)، یکی حومه شهری (Suburban) و سومی هم محیطای خیلی شلوغ و ساختمون‌دار (Densely Urbanized). نتیجه خیلی جالب بود: مدل‌های هوش مصنوعی، مخصوصاً همین XGBoost، توی پیش‌بینی‌ها فوق‌العاده عمل کردن و کمترین خطا رو داشتن – مثلاً وقتی حرف از دقیق بودن پیش‌بینی باشه، همه‌چی رو با عددی به اسم RMSE یا Root Mean Square Error می‌سنجن، که هرچی کمتر باشه یعنی مدل بهتره، و XGBoost پایین‌ترین مقدار RMSE رو داشت!
یه کار نوآورانه دیگه هم تو این تحقیق انجام شد. اومدن یه سیستم دسته‌بندی محیطی ساختن که توش شلوغی ساختمون‌ها، شکل خیابون‌ها و اینکه فرستنده (آنتن) کجا قرار گرفته رو لحاظ می‌کنه. یعنی مثلاً خیابونای تنگ و پر پیچ و خم یه‌جور کلاس میشه، بافت باز و بی‌ساختمون یه‌جور دیگه. این باعث میشه پیش‌بینی بیشتر باب میل هر سناریو باشه و ارتباطها قطعی نشن.
حالا بیایم ببینیم چه چیزایی توی پیش‌بینی افت سیگنال از همه مهم‌تر بودن؟ با بررسی وزن هر فاکتور (Feature Importance)، فهمیدن که فاصله بین ماشین و آنتن، نوع محیط (همون کلاسی که بالا گفتیم) و ارتفاع آنتن، سه‌تا از اصلی‌ترین فاکتورها هستن. یعنی هرچی ماشین دورتر باشه، یا محیط شلوغ‌تر باشه یا ارتفاع آنتن فرق کنه، تاثیر بزرگ‌تری تو پیش‌بینی آنتن‌دهی داره.
در کل، این نتایج خیلی به درد بخورن. چون باعث می‌شن سیستم‌های ارتباطی بین ماشین و زیرساخت‌ها (به اینا می‌گن V2I یا Vehicle-to-Infrastructure Communication) هوشمندتر و تطبیق‌پذیرتر بشن و حتی توی محیطای شلوغ شهری هم ماشین‌ها بتونن با خیال راحت با چراغ‌ها و تابلوها و بقیه تجهیزات شهری ارتباط بگیرن. خلاصه که اگه بخوای تو آینده رانندگی هوشمند داشته باشی که وسط شلوغیای شهر اینترنت و ارتباط ماشینی قطعی نشه، این تحقیقات داره می‌گه که راهش از هوش مصنوعی می‌گذره!
منبع: +
