5G无线人工智能数据集建立分析

doi:10.12267/j.issn.2096-5931.2025.03.011

摘要/Abstract

摘要：

5G无线人工智能数据集的建立是5G空口设计引入人工智能技术的关键环节。首先,对5G无线人工智能数据集建立涉及的基础理论及方法进行了阐述;然后,结合3GPP研究的最新进展,对基于人工智能的信道状态信息反馈、波束管理和定位增强等典型用例的数据集建立方法进行了分析与研究;最后,对5G无线人工智能数据集的持续演进进行了展望。

关键词: 5G, 人工智能, 数据集

Abstract:

With the rapid development of Artificial Intelligence (AI) technology, the introduction of AI-based design into 5G air interface design has become an important direction for the future evolution of 5G. The establishment of 5G wireless AI dataset is a key step for introducing AI technology into 5G air interface design. This paper provides a systematic analysis of the establishment of 5G wireless AI dataset. Firstly, it elaborates the basic theories and methods involved in establishing 5G wireless AI dataset. Then, based on the latest progress in 3GPP research, it conducts an analysis and demonstration on the methods for establishing datasets for several typical use cases, including AI-based Channel State Information (CSI) feedback, beam management and positioning enhancement. Finally, it proposes the prospects for the continuous evolution of 5G wireless AI datasets.

Key words: 5G, AI, dataset

中图分类号:

TP309.2
TP18

刘晓峰. 5G无线人工智能数据集建立分析[J]. 信息通信技术与政策, 2025, 51(3): 83-88.

LIU Xiaofeng. 5G wireless artificial intelligence dataset construction analysis[J]. Information and Communications Technology and Policy, 2025, 51(3): 83-88.

导出引用管理器 EndNote|Ris|BibTeX

链接本文:

http://ictp.caict.ac.cn/CN/10.12267/j.issn.2096-5931.2025.03.011

http://ictp.caict.ac.cn/CN/Y2025/V51/I3/83

参数FDD,OFDM	数值双工方式及波形
场景	UMi、Uma等
频率范围	FR1,2 GHz或4 GHz
基站间距/m	200
信道建模方式	基于TR 38.901^[6]
基站天线配置	32端口:(8,8,2,1,1,2,8),(dH,dV)=(0.5,0.8)λ
终端天线配置	4接收天线:(1,2,2,1,1,1,2),(dH,dV)=(0.5,0.5)λ
基站发送功率	41 dBm(10 MHz)、44 dBm(20 MHz)、47 dBm(40 MHz)
基站天线高度/m	25
终端接收底噪/dB	9
基础参数	时隙配置:每时隙14 OFDM符号载波间隔:15 kHz
带宽/MHz	10
多天线层数	最大天线层数可配置,如8、12
终端分布	80%室内(3 km/h),20%室外(30 km/h)
信道估计方式	真实信道估计

参数FDD,OFDM	数值双工方式及波形
场景	UMi、Uma等
频率范围	FR1,2 GHz或4 GHz
基站间距/m	200
信道建模方式	基于TR 38.901^[6]
基站天线配置	32端口:(8,8,2,1,1,2,8),(dH,dV)=(0.5,0.8)λ
终端天线配置	4接收天线:(1,2,2,1,1,1,2),(dH,dV)=(0.5,0.5)λ
基站发送功率	41 dBm(10 MHz)、44 dBm(20 MHz)、47 dBm(40 MHz)
基站天线高度/m	25
终端接收底噪/dB	9
基础参数	时隙配置:每时隙14 OFDM符号载波间隔:15 kHz
带宽/MHz	10
多天线层数	最大天线层数可配置,如8、12
终端分布	80%室内(3 km/h),20%室外(30 km/h)
信道估计方式	真实信道估计

主要指标	主要配置	非AI方案	AI方案
余弦相似度	单层低负载传输	0.7 513	0.8 301
	单层高负载传输	0.8 223	0.9 108
	双层低负载传输	0.7 128	0.7 428
	双层高负载传输	0.7 385	0.7 754

主要指标	主要配置	非AI方案	AI方案
余弦相似度	单层低负载传输	0.7 513	0.8 301
	单层高负载传输	0.8 223	0.9 108
	双层低负载传输	0.7 128	0.7 428
	双层高负载传输	0.7 385	0.7 754

参数	数值
场景	密集城区Uma场景,7 站, 每站3扇区
载波频率/GHz	30
子载波间隔/kHz	120
系统带宽/MHz	80
基站发送功率/dBm	40
基站间距/m	200
基站天线配置	[Mg,Ng,M,N,P] = [1,1,4,8,2],[dV,dH] = [0.5,0.5] λ
终端天线配置	[Mg,Ng,M,N,P] = [1,2,1,4,2],[dV,dH] = [0.5,0.5] λ
基站发送天线模式	32发送天线:水平角度= [-78.75,-56.25,-33.75,-11.25,11.25,33.75,56.25,78.75];垂直角度= [22.5,67.5,112.5,157.5]
终端接收天线模式	每个面板4接收天线:水平角度= [-67.5,-22.5,22.5,67.5]
终端移动速度/km/h	3、30等
其他因素	终端翻转,空间一致性

5G无线人工智能数据集建立分析

5G wireless artificial intelligence dataset construction analysis

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 6

相关文章 15

编辑推荐

Metrics

本文评价

基于AI波束管理方案	最优波束预测准确率
256波束选16波束随机选取	36.6%
256波束选16波束固定均匀选取	56.99%
256波束选32波束随机选取	55.59%
256波束选32波束固定均匀选取	74.81%

[1]	HE H, JIN S, WEN C K, et al. Model-driven deep learning for physical layer communications[J]. IEEE Wireless Commun, 2019, 26(5):77-83.
[2]	WEN C K, SHIH W T, JIN S. Deep learning for massive MIMO CSI feedback[J]. IEEE Wireless Commun, 2018, 7(5):748-751.
[3]	XIAO H, WANG Z Q, TIAN W Q, et al. AI enlightens wireless communication:analyses,solutions and opportunities on CSI feedback[J]. 中国通信:英文版, 2021, 18(11):104-116.
[4]	王志勤, 刘晓峰, 沈嘉, 等. 5G+AI融合全景图[M]. 北京: 人民邮电出版社, 2022.
[5]	3GPP. Study on artificial intelligence (AI)/machine learning (ML) for NR air interface: RP-213599[S/OL]. 2022[2023-09-20]. https://www.3gpp.org/ftp/tsgran/TSGRAN/TSGR94e/Docs/RP-213599.zip.
[6]	3GPP. Study on channel model for frequencies from 0.5 to 100 GHz (Release 17): TS 38.901, V17.0.0[S], 2022.

[1]	刘高峰, 姜约瀚, 张育雄. 人工智能赋能数字孪生城市高水平发展和高质量建设[J]. 信息通信技术与政策, 2025, 51(3): 74-82.
[2]	穆翔栩, 贾明艳, 王天成, 吴美希. 人工智能时代高质量算力发展趋势洞察[J]. 信息通信技术与政策, 2025, 51(2): 18-23.
[3]	商兴宇, 刘小欧, 杨明川. 人工智能原生网络发展趋势研究[J]. 信息通信技术与政策, 2025, 51(2): 9-17.
[4]	徐明. 生成式人工智能大模型的安全挑战与治理路径研究[J]. 信息通信技术与政策, 2025, 51(1): 10-19.
[5]	苑卫国, 张新跃, 尉迟学彪. 生成式人工智能技术对网络安全领域的影响分析与启示建议[J]. 信息通信技术与政策, 2025, 51(1): 2-9.
[6]	李诗婧, 赵爽. 生成式人工智能应用于制造业的网络安全风险及对策研究[J]. 信息通信技术与政策, 2025, 51(1): 20-24.
[7]	周成胜, 赵勋, 田慧蓉. 基于生成式人工智能的网络安全主动防御技术[J]. 信息通信技术与政策, 2025, 51(1): 25-32.
[8]	王世达, 杨冰夷. 印度以人工智能推进工业4.0进程[J]. 信息通信技术与政策, 2025, 51(1): 71-75.
[9]	栾燕, 孟祥曦. 人工智能大模型与新型工业化融合的路径与挑战[J]. 信息通信技术与政策, 2025, 51(1): 76-82.
[10]	钟国威, 邹梦良. “人工智能+城市治理”一网统管平台设计与关键业务环节研究[J]. 信息通信技术与政策, 2024, 50(9): 26-31.
[11]	张圆梦, 周琴, 袁丽莉. 大模型驱动下智能化城市公共服务应用探究[J]. 信息通信技术与政策, 2024, 50(9): 37-42.
[12]	杨跃强, 陈洁, 刘谦. F5G时代宽带客户网络安全能力标准化现状与关键技术研究[J]. 信息通信技术与政策, 2024, 50(9): 85-91.
[13]	孟楠, 周成胜, 赵勋. 生成式人工智能赋能网络安全运营降噪能力研究[J]. 信息通信技术与政策, 2024, 50(8): 24-31.
[14]	董耀聪, 张倩, 李宝强, 李艺, 董悦. 基于生成式人工智能的工业互联网安全技术与应用研究[J]. 信息通信技术与政策, 2024, 50(8): 32-37.
[15]	关伟东. 国外人工智能数据安全规制及对我国的启示[J]. 信息通信技术与政策, 2024, 50(8): 68-72.

模型类型	模型大小/ M	计算复杂度/ MFLOPs	90%用户位置预测准确度/m
CNN	2.4	4.8	0.65
CNN+ResNet	2.76	1 694	0.046

模型类型	模型大小/ M	计算复杂度/ MFLOPs	90%用户位置预测准确度/m
CNN	2.4	4.8	0.65
CNN+ResNet	2.76	1 694	0.046