Transformer-моделі для оцінки та прогнозування стану каналу в mmWAY/THz-діапазонах при високій рухливості користувача
DOI: 10.31673/2412-9070.2026.318118
Анотація
У міліметровому (mmWave, 30–100 ГГц) та терагерцовому (THz, 100 ГГц - 10 ТГц) діапазонах, які є ключовими для розгортання мобільних мереж поколінь 5G-Advanced і 6G, існує проблема оцінювання та прогнозування стану радіоканалу коли спостерігається висока мобільность абонентів зі швидкостями понад 100 км/год. Основними причинами цього є значне доплерівське розширення, швидке блокування сигналу, ефекти near-field у THz, обмежена когерентність каналу (менше 1 мс) та необхідність використання великого обсягу пілотних символів (pilot overhead до 30-50 %). Традиційні підходи до оцінювання каналу, зокрема Least Squares, Minimum Mean Square Error та навіть сучасні нейромережеві підходи на базі CNN та LSTM демонструють недостатню ефективність при моделюванні довготривалих часово-частотних залежностей і мають обмежену адаптивність до різних сценаріїв мобільності.
У роботі розроблено гібридну модель CNN-Transformer, призначену для спільного оцінювання та короткострокового прогнозування стану каналу в mmWave/THz massive MIMO системах. Модель поєднує CNN-frontend для локального витягування ознак з пілотного гріда з багатоголовим механізмом self-attention Transformer-encoder у time-frequency або delay-Doppler домені, доповненим physics-informed регуляризацією (sparsity loss) для врахування геометричних обмежень каналу.
Експериментальне дослідження проводилося на реалістичних датасетах DeepMIMO, QuaDRiGa та RaymobTime з симуляцією траєкторій транспортних засобів та БПЛА при швидкостях до 500 км/год. Отримані результати демонструють перевагу запропонованого підходу над сучасними аналогами. Зокрема, вдалося покращити показник NMSE на 4-8 дБ, зменшити pilot overhead на 30–48 %, підвищити спектральну ефективності до 11,4 біт/с/Гц а також забезпечити стабільне прогнозування параме-трів каналу на 5–10 слотів уперед навіть для near-field режимів THz-діапазону. Оптимі-зована архітектура забезпечує практичну можливість розгортання на edge-пристроях.
Ключові слова: оцінка каналу, прогнозування каналу, Transformer, mmWave, THz, ma-ssive MIMO, 6G, глибоке навчання, self-attention, overhead пілотів
