一种面向高移动MIMO的数字孪生信道预测方法

本发明属于信道状态信息预测，具体涉及一种面向高移动mimo的数字孪生信道预测方法；本发明方法适用于高速铁路通信、车辆到万物通信以及其他存在显著多普勒频移和综合处理时延的多天线通信场景。

背景技术：

1、大规模多输入多输出（massive multiple-input multiple-output，massivemimo）技术通过大规模天线阵列形成高方向性波束，能够充分利用空间自由度提高频谱效率和系统容量；上述增益依赖于基站在下行传输时获得准确且及时的信道状态信息（channel state information，csi）。

2、在高速铁路和车辆到万物通信等高移动场景中，终端运动会产生显著多普勒频移和快速时变衰落；基站获得导频观测后，还需进行信道估计、调度、预编码计算和硬件流水线处理，实际下行传输所使用的信道状态信息可能已偏离瞬时真实信道，由此产生信道状态信息老化；信道状态信息老化会破坏多空间流之间的正交性，造成流间串扰、波束失配和系统容量下降。

3、为降低导频开销，现有方案常采用稀疏导频或非均匀导频，并利用自回归模型、循环神经网络或transformer预测未来信道状态信息。然而，非均匀导频在预测窗口连续滑动时容易失去采样位置的平移不变性，使不同窗口之间产生观测分布不一致；当采用均匀稀疏导频时，现有时序模型又难以恢复快速信道变化。与此同时，递归式多步预测将前一时刻的预测结果作为后一时刻的输入，容易在快速非平稳信道中造成误差累积。仅以归一化均方误差作为训练目标，也难以直接反映复数信道相位偏差对奇异值分解波束赋形和多流正交性的影响。

4、此外，实时通信要求预测推理在严格基带时延预算内完成，而模型微调包含反向传播和参数更新，其执行时延通常大于一次前向推理且随硬件负载变化。若把在线推理与模型更新串行执行，通信链路会被后台训练阻塞；若模型长期不更新，又难以适应速度、散射体和信道统计特性随时间变化的非平稳环境。

5、因此，需要一种能够兼顾稀疏导频重构、连续多步预测、物理相位保真和异步在线部署的信道预测技术。

技术实现思路

1、针对于上述现有技术的不足，本发明的目的在于提供一种面向高移动mimo的数字孪生信道预测方法，以解决现有技术在高移动非平稳信道下存在稀疏导频窗口分布不一致、多步外推误差累积、预测相位偏差破坏波束正交性以及后台更新阻塞在线推理的问题。

2、为达到上述目的，本发明采用的技术方案如下：

3、本发明的一种面向高移动mimo的数字孪生信道预测方法，步骤如下：

4、s1：构建高移动多天线通信场景下的信道演化模型，根据移动终端运动状态、多普勒频移以及综合处理时延确定信道老化区间；获取移动终端发送且由基站接收的均匀稀疏导频观测数据；

5、s2：构建物理信道层和数字孪生层，将步骤s1中获取的均匀稀疏导频观测数据由物理信道层传输至数字孪生层，并在数字孪生层建立与当前物理信道层对应的滑动时间窗口；

6、s3：利用连续信道轨迹重构网络对数字孪生层中的滑动时间窗口内的均匀稀疏导频观测数据进行连续信道轨迹重构，获得连续历史信道轨迹；

7、s4：利用未来信道状态预测网络对连续历史信道轨迹进行未来信道状态预测；

8、s5：按照预设导频探测间隔对数字孪生层中的滑动时间窗口进行周期性更新，循环执行连续历史信道轨迹重构、未来信道状态预测和滑动时间窗口更新。

9、进一步地，所述方法还包括：

10、s6：基于未来信道状态预测结果及新的导频观测数据确定预测误差，并根据所述预测误差构建同时约束信道数值预测精度和空间相位一致性的联合优化损失函数；

11、s7：基于步骤s6中获得的联合优化损失函数，保持连续信道轨迹重构网络的网络参数不变，对未来信道状态预测网络的网络参数进行异步更新；在参数更新期间继续采用更新前的网络参数进行未来信道状态预测，参数更新完成后采用更新后的网络参数进行后续未来信道状态预测。

12、进一步地，所述步骤s1具体包括：

13、构建用于描述高移动多天线通信场景下相邻时刻信道状态相关演化关系的信道演化模型，采用一阶高斯-马尔可夫关系对相邻时刻的信道状态进行关联，表示为：

14、；

15、其中，表示时刻的复数下行信道矩阵，且；表示时刻的复数下行信道矩阵；表示复数集合；表示基站的发射天线数量；表示移动终端的接收天线数量；表示导频观测时刻与实际下行传输时刻之间的总时间间隔；表示与最大多普勒频移及时间间隔相关的信道时间相关系数，用于表征两个时刻信道状态之间的相关程度；表示时刻相对于时刻的信道老化变化项；

16、确定导频观测时刻与实际下行传输时刻之间的信道老化区间，并将所述信道老化区间对应的总时间间隔表示为：

17、；

18、其中，表示均匀稀疏导频的导频探测间隔，即相邻两次导频观测之间的时间间隔；表示从获得导频观测数据至执行实际下行传输过程中产生的综合处理时延，所述综合处理时延包括：信道估计、信道预测、调度、预编码计算以及基带硬件流水线处理所产生的时延；

19、根据移动终端运动状态确定对应的最大多普勒频移，并结合总时间间隔确定信道时间相关程度；

20、获取移动终端发送且由基站接收的均匀稀疏导频观测数据，具体为：移动终端按照预设的导频探测间隔发送导频信号，基站接收所述导频信号，并根据各导频观测时刻接收到的导频信号获得对应的复数信道状态观测数据；按照所述导频探测间隔在时间维度上形成均匀稀疏导频观测序列。

21、进一步地，所述步骤s2具体包括：

22、构建物理信道层，将均匀稀疏导频观测数据传输至数字孪生层，作为数字孪生层表征当前物理信道层状态的观测依据；

23、其中，所述物理信道层包括：基站多天线阵列、移动终端、无线传播信道以及在基站与移动终端之间传输的导频信号和数据信号；基站接收到的均匀稀疏导频观测数据用于表征对应导频观测时刻的物理信道状态；

24、构建数字孪生层，在数字孪生层中建立与当前物理信道层相对应的滑动时间窗口，并按照导频观测时刻将步骤s1中获取的均匀稀疏导频观测数据存入所述滑动时间窗口。

25、进一步地，所述步骤s3具体包括：

26、构建连续信道轨迹重构网络，所述连续信道轨迹重构网络作为两级级联网络中的第一级信道重构网络，用于根据滑动时间窗口内的均匀稀疏导频观测数据及对应的导频位置信息，重构滑动时间窗口内未观测时间位置的信道状态，得到连续历史信道轨迹；

27、将各导频观测时刻的复数信道状态信息分离为实部和虚部并沿特征维度排列，形成稀疏导频输入张量；根据均匀稀疏导频观测数据对应的导频位置构建二值导频位置掩码，在存在实际导频观测值的位置将对应掩码元素设置为1，在不存在实际导频观测值的位置将对应掩码元素设置为0；

28、将所述稀疏导频输入张量与所述二值导频位置掩码进行拼接，对拼接结果进行线性投影，将所述拼接结果映射至隐特征空间；在经线性投影得到的特征中加入绝对位置编码，以保留滑动时间窗口内各时间采样位置的先后顺序；

29、对加入绝对位置编码后的特征执行级联一维残差膨胀卷积处理，提取局部多尺度信道变化特征；一维残差膨胀卷积单元采用不同的膨胀率，以扩大时间感受野；其中，小的膨胀率用于提取快速衰落和局部相位变化特征，大的膨胀率用于提取长时间尺度的信道演化特征；每个一维残差膨胀卷积单元依次执行一维膨胀卷积、批归一化、高斯误差线性单元激活和残差连接；

30、将经级联一维残差膨胀卷积处理后的特征输入基于自注意力机制的时间域编码器，建立滑动时间窗口内不同时间位置之间的长程依赖关系；再执行输出投影，得到原始连续信道重构结果；

31、对所述原始连续信道重构结果执行掩码融合，在实际导频观测位置保留对应的物理观测值，在未观测位置采用第一级信道重构网络输出的重构值，得到连续历史信道轨迹，表示为：

32、；

33、其中，表示经掩码融合后得到的连续历史信道轨迹；表示与二值导频位置掩码维度相同且各元素均为1的张量；表示对应位置元素之间的逐元素乘积运算；表示未观测位置对应的反向掩码，其中未观测位置取1、实际导频观测位置取0。

34、进一步地，所述步骤s4具体包括：

35、构建未来信道状态预测网络，所述未来信道状态预测网络作为两级级联网络中的第二级信道预测网络，用于根据步骤s3中获得的连续历史信道轨迹，提取不同时间尺度的信道演化特征以及不同天线链路之间的空间相关特征，并以非自回归方式预测信道未来一个导频探测间隔对应的前向预测区间内多个未来时刻的信道状态，所述前向预测区间的时域长度与导频探测间隔相同，且预测结果包括下一导频观测时刻对应的信道状态；按照不同天线链路对步骤s3中得到的连续历史信道轨迹进行排列，使每个天线链路在滑动时间窗口内的历史信道状态序列作为独立的一维时间序列输入至第二级信道预测网络；

36、对各天线链路的历史信道状态序列执行多尺度卷积与线性映射双路嵌入处理；其中，多尺度卷积分支采用多个不同尺度的一维卷积核提取不同时间尺度的信道演化特征，小尺度的一维卷积核用于提取短时间快速衰落和相位变化特征，中等尺度的一维卷积核用于提取中等时间尺度的变化趋势，大尺度的一维卷积核用于提取慢变包络特征；线性映射分支对完整历史信道状态序列进行线性映射，以保留整体信道演化趋势；

37、通过可学习的融合参数对两个分支的输出进行自适应融合，得到融合嵌入特征，表示为：

38、；

39、其中，表示多尺度卷积分支输出的局部多尺度信道特征；表示线性映射分支输出的整体信道演化特征；表示两个分支自适应融合后得到的融合嵌入特征；表示可学习的融合参数；表示逻辑型激活函数，用于将所述融合参数映射为0至1之间的融合权重；表示线性映射分支对应的融合权重；

40、将各天线链路在整个滑动时间窗口内的融合嵌入特征作为一个变量表征单元，并在不同天线链路之间执行跨变量自注意力处理，以利用不同天线链路在共同传播环境下的空间相关关系；对于第个天线链路和第个天线链路，二者的注意力权重表示为：

41、；

42、根据所述注意力权重对不同天线链路的值向量进行加权聚合，得到第个天线链路的空间补偿特征，表示为：

43、；

44、其中，表示第个天线链路对第个天线链路的注意力权重；表示第个天线链路的查询向量；表示第个天线链路的键向量；表示第个天线链路的值向量；表示求和过程中第个天线链路的键向量；表示转置运算；表示键向量的特征维度；表示参与跨变量自注意力处理的天线链路数量；表示求和索引；表示指数函数；表示第个天线链路经跨变量自注意力处理后得到的空间补偿特征；

45、对经跨变量自注意力处理后的特征进行输出映射，并采用末值残差连接生成未来信道状态预测结果，如下：

46、；

47、其中，表示所述连续历史信道轨迹在滑动时间窗口的末端信道状态；表示滑动时间窗口内历史信道状态序列的长度；表示第二级信道预测网络根据历史信道演化规律预测得到的未来信道变化量；表示未来信道状态预测结果。

48、进一步地，所述步骤s5具体包括：

49、将滑动时间窗口沿时间方向向前移动一个导频探测间隔，移除滑动时间窗口中时间最早的历史导频观测数据，将新的导频观测数据及其对应的导频位置信息存入滑动时间窗口，并同步更新二值导频位置掩码，使更新后的滑动时间窗口继续保持均匀一致的导频采样结构；

50、基于更新后的滑动时间窗口重新执行步骤s3，利用连续信道轨迹重构网络对更新后的导频观测数据进行连续信道轨迹重构，得到更新后的连续历史信道轨迹；再基于更新后的连续历史信道轨迹重新执行步骤s4，利用未来信道状态预测网络络获得更新后的未来信道状态预测结果；

51、在每次滑动时间窗口更新过程中，将新的导频观测数据作为新的物理观测锚点，使连续历史信道轨迹和未来信道状态预测结果周期性受到最新物理信道观测约束，从而减少长时间开环外推造成的预测误差累积，并使连续信道重构与未来信道状态预测过程保持在当前信道统计特性对应的宽平稳区间内。

52、进一步地，所述步骤s6具体包括：

53、对步骤s4中得到的未来信道状态预测结果对应的预测信道矩阵进行奇异值分解，表示为：

54、；

55、其中，表示预测信道矩阵左奇异向量组成的酉矩阵；表示由预测信道矩阵奇异值组成的矩阵；表示预测信道矩阵右奇异向量组成的酉矩阵；基站利用所述矩阵生成下行预编码矩阵，移动终端利用执行接收合并得到接收合并矩阵；

56、当步骤s5周期性获取的新的导频观测数据到达，且其导频观测时刻与此前未来信道状态预测结果中的相应预测时刻对应时，基于所述新的导频观测数据获得相应时刻的物理信道观测参考状态，并计算所述物理信道观测参考状态对应的观测参考信道矩阵与预测信道矩阵之间的预测误差矩阵，表示为：

57、；

58、其中，表示预测误差矩阵；表示与所述新的导频观测数据对应时刻的观测参考信道矩阵；表示对应时刻的预测信道矩阵；

59、将基于预测信道矩阵获得的预编码矩阵和接收合并矩阵作用于真实物理信道，得到实际等效基带信号，表示为：

60、；

61、其中，表示接收合并后的等效基带接收信号向量；表示下行发送符号向量；表示移动终端噪声向量；表示基于预测信道矩阵实现空间流解耦后形成的期望信号分量；表示预测误差矩阵导致的残余空间流间串扰分量；

62、基于预测误差构建联合优化损失函数，使所述联合优化损失函数同时约束信道数值预测误差和复数信道在向量空间中的相位方向偏差，表示为：

63、；

64、其中，表示联合优化损失函数；表示均方误差损失，用于度量真实信道状态与预测信道状态之间的数值差异；表示广义余弦相位一致性损失，用于度量真实信道状态与预测信道状态在复数向量空间中的方向差异；表示损失权重，且，用于平衡数值预测精度与空间相位一致性；

65、将真实信道矩阵和预测信道矩阵分别向量化为真实信道向量和预测信道向量，所述广义余弦相位一致性损失表示为：

66、；

67、其中，表示真实信道向量的共轭转置；表示真实信道向量与预测信道向量复数内积的模；表示真实信道向量的二范数；表示预测信道向量的二范数；表示对样本进行期望或平均运算。

68、进一步地，所述步骤s7具体包括：

69、保持连续信道轨迹重构网络的网络参数不变，计算联合优化损失函数相对于未来信道状态预测网络的网络参数的梯度，并根据梯度对未来信道状态预测网络的网络参数进行异步更新；未来信道状态预测网络的网络参数更新表示为：

70、；

71、其中，表示异步更新开始前的未来信道状态预测网络的网络参数；表示经过异步处理时延完成更新后的未来信道状态预测网络的网络参数；表示异步更新开始时刻；表示异步更新从开始至完成所经历的处理时延；表示网络参数更新的学习率；表示基于当前未来信道状态预测网络的网络参数计算得到的联合优化损失函数；表示联合优化损失函数相对于未来信道状态预测网络的网络参数的梯度；

72、在未来信道状态预测网络进行异步参数更新期间，继续采用更新前的网络参数执行未来信道状态预测；

73、利用网络参数更新后的未来信道状态预测网络进行后续未来信道状态预测。

74、本发明的有益效果：

75、1、本发明将稀疏导频重构与未来csi预测解耦为两个级联阶段，避免单一网络同时承担缺失值恢复和多步外推而导致的优化冲突。

76、2、本发明利用掩码融合保留实测导频，使数字孪生信道轨迹始终受到物理观测锚定，降低重构漂移。

77、3、本发明利用双流跨尺度嵌入和跨变量自注意力同时捕获快速相位旋转、慢变衰落包络及天线链路空间相关性，有助于提高非平稳场景下的预测鲁棒性，并在中高信噪比条件下总体改善下行波束赋形性能。

78、4、本发明利用动态滑动时间窗口周期性注入真实导频，减少递归式多步预测的误差传播并满足连续通信需求。

79、5、本发明中在线推理和后台训练异步解耦，不因反向传播时延中断下行链路，适配基带处理器的实际算力和调度波动。

80、6、本发明中联合优化数值精度和复数相位一致性，可减少预测误差在svd等效信道中形成的非对角串扰，提高预测波束赋形的正交性和系统容量。