Berlin V2X

Berlin V2X数据集是由德国弗劳恩霍夫海因里希赫兹研究所等多个机构合作创建，旨在支持6G及未来无线通信中的机器学习研究。该数据集包含来自多种车辆和无线接入技术的GPS定位无线测量数据，覆盖柏林多样化的城市环境，包括两个不同的移动网络运营商的蜂窝网络和侧链路无线接入技术。数据集通过高时间分辨率采样，包含详细的无线网络数据和车辆GPS信息，以及天气和交通条件等元数据。此数据集的应用领域广泛，主要用于解决车辆通信中的服务质量预测问题，支持车辆到一切（V2X）通信方案的研究，如碰撞警告、紧急车辆警告等。The Berlin V2X Dataset was collaboratively created by multiple institutions including the Fraunhofer Heinrich Hertz Institute in Germany, aiming to support machine learning research for 6G and future wireless communication systems. This dataset encompasses GPS-positioned wireless measurement data collected from various vehicles and wireless access technologies, covering the diverse urban environments of Berlin, including cellular networks from two different mobile network operators and sidelink wireless access technologies. Sampled at high temporal resolution, the dataset contains detailed wireless network data, vehicle GPS information, and metadata such as weather and traffic conditions. With a wide range of application scenarios, this dataset is mainly used to address the quality of service prediction problem in vehicular communications, and supports research on Vehicle-to-Everything (V2X) communication solutions such as collision warning and emergency vehicle warning.

搜集汇总

数据集介绍

构建方式

在车联网通信领域，数据集的构建需精准捕捉真实环境下的无线信道特性与车辆动态。Berlin V2X数据集通过一项精心设计的测量活动构建，该活动在德国柏林西部的多样化城市环境中展开，覆盖了住宅区街道、宽阔林荫大道、城市公园及高速公路段，总路线长达17.2公里。测量采用最多四辆车辆，以车队或分组模式行驶，同步采集蜂窝网络（接入两家不同运营商）与直连通信数据。专用测量设备与软件定义无线电平台分别用于收集蜂窝网络质量指标（如信噪比、参考信号接收功率）与直连链路的性能参数，同时整合了高精度GPS定位、交通状况及天气等辅助信息，确保了数据在时空维度上的高分辨率与丰富性。

特点

该数据集的核心特点在于其多维度的综合性与真实场景的多样性。它不仅同时涵盖了蜂窝网络与直连通信两种无线接入技术的数据，还引入了两家不同移动网络运营商的网络测量，为研究跨运营商模型迁移与适应性提供了独特基础。数据采集于混合城市与高速公路场景，包含了隧道等复杂无线电环境，从而捕获了信道条件的高度动态变化。此外，数据集提供了从物理层到应用层的多层次服务质量指标，并与车辆运动轨迹、实时交通及气象数据紧密关联，构成了一个支持机器学习模型训练与验证的、标注清晰且时空对齐的多模态数据资源。

使用方法

Berlin V2X数据集为车联网通信的机器学习研究提供了实证基础。研究者可利用其进行服务质量预测模型的开发与评估，例如基于物理层特征预测下行链路数据速率或端到端时延。数据集支持跨运营商与跨设备的迁移学习研究，通过分析不同网络间的特征相关性，探索模型泛化与适应策略。对于直连通信，数据可用于分析距离、信噪比与分组错误率之间的关系，以优化链路参数选择或评估覆盖范围。此外，整合蜂窝与直连数据可用于多无线接入技术场景下的链路选择算法测试。数据以结构化格式公开，附有详细元数据，便于研究者进行数据预处理、特征工程及模型训练，推动车联网智能通信算法的进步。

背景与挑战

背景概述

随着无线通信技术向6G及更高阶演进，机器学习在提升网络服务质量与用户体验方面展现出巨大潜力。在此背景下，柏林V2X数据集应运而生，由弗劳恩霍夫海因里希赫兹研究所、爱立信研究部门、德累斯顿工业大学及宝马集团等多家机构联合构建，并于2022年正式发布。该数据集聚焦于车联网通信领域，旨在通过高精度时空数据支持机器学习模型在V2X场景中的研究与应用，核心解决无线网络服务质量预测、多运营商网络适应性及多无线电接入技术协同等关键问题。其涵盖城市道路、高速公路及隧道等多种复杂环境下的蜂窝网络与侧链通信数据，为智能交通系统的安全性与效率优化提供了坚实的数据基础，显著推动了车联网与人工智能交叉领域的前沿探索。

当前挑战

柏林V2X数据集所针对的车联网通信领域，面临服务质量动态预测的严峻挑战，尤其在高速移动场景中，网络延迟、吞吐量等关键指标易受环境干扰而剧烈波动，传统模型难以实现精准预估。在数据集构建过程中，研究人员需克服多车辆同步测量、异构网络数据融合及高精度时空对齐等难题。具体而言，同时采集蜂窝网络与侧链通信数据要求精密的时间同步与设备协调；整合来自不同运营商、频段及通信协议的海量信息，需解决数据异构性与一致性问题；而GPS定位精度不足则可能影响侧链通信中距离与包错误率关联分析的可靠性。这些挑战共同凸显了车联网数据采集与处理的复杂性。

常用场景

经典使用场景

在车联网（V2X）通信领域，Berlin V2X数据集为机器学习研究提供了多车辆、多无线接入技术的真实测量数据。该数据集最经典的使用场景在于支持服务质量（QoS）预测模型的训练与验证，通过高时间分辨率的蜂窝网络和侧链通信测量，结合GPS定位、交通状况及天气信息，使研究者能够深入分析城市与高速公路混合环境中无线信道的动态特性。

解决学术问题

该数据集有效解决了车联网研究中缺乏高质量、多维度实测数据的瓶颈问题。它支持学术界探索蜂窝网络与侧链通信的跨运营商性能比较、信道状态预测、以及延迟与吞吐量建模等关键课题。通过提供标注清晰、环境多样的测量数据，数据集为机器学习算法在无线资源管理、链路选择策略及跨域迁移学习等方向的研究奠定了坚实基础。

衍生相关工作

该数据集已衍生出多项经典研究工作，主要集中在跨运营商网络性能对比、侧链通信链路范围估计以及多无线接入技术（RAT）的协同管理等领域。例如，基于数据集开展的迁移学习研究探索了模型在不同运营商网络间的适应性；同时，侧链数据被用于分析距离与包错误率（PER）的关系，为V2V通信的参数优化提供了依据。这些工作显著推动了车联网中机器学习方法的实用化进程。