MDPI-Journal-Paper Veröffentlichung

Unser Journal-Paper zu empirischen KI-basierten Modellen zur Vorhersage von Pfadverlust zwischen Basisstation und Endnutzergerät ist veröffentlicht:

Khalili, H.; Frey, H.; Wimmer, M.A. Balancing Prediction Accuracy and Explanation Power of Path Loss Modeling in a University Campus Environment via Explainable AI. Future Internet 2025, 17, 155. https://doi.org/10.3390/fi17040155

Wir untersuchen in der Arbeit Modelle des maschinellen Lernens, um den Pfadverlust vorherzusagen. Solche Modelle können in konkreten Szenarien im Vergleich zu herkömmlichen einfachen empirischen Modellen sehr präzise und können mit komplexem Terrain umgehen. In der Regel ist bei vielen solcher Modelle im Vergleich zu den einfachen empirischen Modellen nicht transparent, wie die Vorhersagen zustande kommen.

In dieser Arbeit loten wir diese Forschungslücke aus und untersuchen Modelle unter den Aspekten Genauigkeit der Vorhersage bei gleichzeitiger Transparenz, wie die Vorhersagen zustande kommen. Wir nutzen in der Arbeit Glass Box ML unter Verwendung der Explainable Boosting Machines (EBM) von Microsoft Research zusammen mit empirischen Pfadverlustdaten aus einer Universitätsumgebung. Die Vorhersagen des Glass-Box-ML werden mit den Vorhersagen von sogenannten Black-Box-Modellen sowie mit denen von einfachen empirischen Modellen verglichen.

Es zeigt sich, dass die verwendeten Glass-box EBM vergleichsweise sehr genaue Vorhersagen ermöglichen und darüber hinaus gegenüber Black-Box-Modellen Aufschluss über die wichtigen erklärenden Merkmale und das Ausmaß ihrer Auswirkungen auf die Signaldämpfung in der zugrunde liegenden Ausbreitungsumgebung geben.