【 IEEE Wireless Communications 2025年5月11日】5月，韩国庆北国立大学Hwanjin Kim教授研究团队，以无线信道预测为主题，分别描述了基于模型和基于机器学习的信道预测方法，并详细阐述了先进的基于机器学习的信道预测方法，例如迁移学习、元学习和注意力机制，以解决训练数据不足、未见过的任务以及梯度消失问题等实际限制。此外，还引入了模型选择标准，包括延迟约束、数据可用性和环境动态，以适应实际部署。相关成果以“Machine-Learning Techniques for Wireless Channel Prediction: Insights and Practical Guidance”为题，在《IEEE Wireless Communications 》杂志上发表。

精确的信道状态信息对于未来的无线通信系统至关重要，因此需要无需额外导频开销即可进行准确的信道预测。虽然机器学习（ML）信道预测方法展现出潜力，但由于其庞大的训练需求，现有方法在适应环境变化方面存在局限性。本研究从时间信道预测和环境自适应两个方面介绍了信道预测方法。然后，详细阐述了如何利用先进的基于机器学习的信道预测方法来解决传统机器学习方法的问题。通过分析训练过程、数据集特征以及源任务和预训练模型对信道预测性能的影响，展示了它们在不同的自适应样本和环境下的效果。此外，还提出了基于延迟约束、数据可用性和环境动态的实用模型选择准则，以支持在无线通信中的有效部署。最后，讨论了基于机器学习的信道预测目前面临的挑战以及未来可能的研究方向。（电子信息学科研究院彭泓森编译）

FIGURE 1.Channel prediction for future wireless communications with ML-based approaches: MLP, CNN, RNN models, or attention mechanism