室内LoRaWAN环境感知传播数据集

该数据集由德国锡根大学的研究者收集，包含在锡根大学Hölderlinstraße校区一栋单层办公楼内，通过6个月的现场测量得到的1,328,334条数据。数据集记录了距离、墙壁结构以及环境变量（相对湿度、温度、二氧化碳、颗粒物、气压）等多个因素，旨在为室内LoRaWAN技术的信号传播建模提供支持。数据集的创建过程涉及现场测量、数据清洗和模型训练。它主要用于解决室内LoRaWAN网络设计中信号传播的不确定性，推动6G和物联网应用中更可靠、能效更高的部署。

This dataset was collected by researchers from the University of Siegen, Germany, and contains 1,328,334 records obtained through 6 months of on-site measurements conducted in a single-story office building on the university's Hölderlinstraße Campus. The dataset records multiple factors including distance, wall structures, and environmental variables (relative humidity, temperature, carbon dioxide, particulate matter, and atmospheric pressure), and is intended to support signal propagation modeling for indoor LoRaWAN technology. The dataset creation process involves on-site measurement, data cleaning, and model training. It is primarily used to address the uncertainty of signal propagation in indoor LoRaWAN network design, and to facilitate more reliable and energy-efficient deployments in 6G and Internet of Things (IoT) applications.

搜集汇总

数据集介绍

构建方式

室内LoRaWAN环境感知传播数据集的构建基于一项为期六个月的实证研究，在德国锡根大学Hölderlinstraße校区的单层办公室环境中部署了6个LoRaWAN终端设备和一个中央网关。研究团队通过集成多种环境传感器（包括温湿度、CO2、颗粒物和气压传感器）与LoRaWAN通信模块，以每分钟1次的频率采集了1,328,334条多维测量数据。数据采集系统采用云端架构，通过The Things Network传输数据，并利用InfluxDB数据库实现时序数据的高效存储与管理。为确保数据质量，研究采用隔离森林算法进行异常值检测，并限定使用SF7-SF10扩频因子数据以平衡传输范围与数据完整性。

特点

该数据集的核心价值体现在其多维环境耦合的传播特性表征能力。除传统传播指标（距离、墙体材质）外，创新性地纳入了动态环境变量（温湿度、CO2浓度等），通过ANOVA分析证实这些因素可降低42.32%的未解释方差。数据集展现出典型的室内传播异质性，残差分析揭示四组分高斯混合模型（GMM）最能准确描述信号衰减的复杂分布特征。数据的时间分辨率（60秒间隔）和空间覆盖（8-40米传输距离）为研究环境动态变化对信号传播的影响提供了充分依据，特别适合6G时代环境感知通信系统的开发验证。

使用方法

该数据集支持多层次的研究应用：在基础研究层面，可通过多线性回归（MLR）建模分析各环境因子对路径损耗的贡献度；在算法开发层面，基于GMM的残差分析框架可用于改进传统传播模型；在系统优化层面，数据集支持构建实时环境补偿算法以提升网络可靠性。使用建议包括：1）采用80:20比例划分训练测试集；2）运用5折交叉验证进行模型调优；3）结合ANOVA进行变量显著性检验。对于高级应用，可尝试将环境数据与传播模型集成，开发自适应功率控制或室内定位算法。

背景与挑战

背景概述

室内LoRaWAN环境感知传播数据集由德国锡根大学的Nahshon Mokua Obiri和Kristof Van Laerhoven团队于2025年创建，旨在解决室内LoRaWAN信号传播建模中的复杂环境因素影响问题。该数据集基于为期六个月的实地测量，收集了1,328,334条数据记录，涵盖了距离、墙体结构以及温度、湿度、二氧化碳等环境变量。研究通过多元线性回归（MLR）和方差分析（ANOVA）方法，揭示了环境因素对信号衰减的显著影响，为6G和物联网（IoT）应用中的室内网络设计提供了重要依据。

当前挑战

该数据集面临的挑战主要包括两方面：在领域问题层面，室内LoRaWAN信号传播受多路径效应、墙体材质和动态环境因素（如人员密度和HVAC系统）的复杂交互影响，传统路径损耗模型难以准确捕捉这些非线性关系；在构建过程层面，数据采集需克服传感器校准、长期稳定性以及高密度环境下的信号干扰问题，同时需通过统计验证确保残差分布满足模型假设（如正态性和同方差性），这对数据质量和分析方法提出了极高要求。

常用场景

经典使用场景

室内LoRaWAN环境感知传播数据集在无线通信领域中被广泛用于研究复杂室内环境下的信号传播特性。该数据集通过整合距离、墙体材质和环境变量（如温度、湿度、CO2浓度等），为研究人员提供了一个全面的实验平台，用于验证和改进路径损耗模型。其经典使用场景包括评估环境因素对信号衰减的影响，以及优化LoRaWAN网络在动态室内环境中的部署策略。

衍生相关工作

该数据集衍生了一系列经典研究工作，包括基于机器学习的路径损耗预测模型、环境感知的网络优化算法以及多模态残差分析方法。例如，有研究利用该数据集开发了结合Kalman滤波的动态路径损耗模型，显著提升了信号强度预测的准确性。此外，数据集还被用于验证混合建模方法（如传统模型与机器学习结合），进一步推动了室内无线通信领域的技术进步。

数据集最近研究

最新研究方向

随着6G和物联网技术的快速发展，室内LoRaWAN环境感知传播数据集成为研究热点。该数据集通过整合距离、墙体结构以及环境变量（如温度、湿度和二氧化碳浓度）等多维参数，显著提升了路径损耗模型的预测精度。最新研究表明，采用高斯混合模型（GMM）分析残差分布，能够有效捕捉室内信号传播的异质性，较传统单分布方法更具优势。这一进展为动态室内环境下的网络优化和能效管理提供了新思路，推动了环境感知通信技术在智能建筑和工业物联网中的实际应用。

相关研究论文

• A Statistical Evaluation of Indoor LoRaWAN Environment-Aware Propagation for 6G: MLR, ANOVA, and Residual Distribution Analysis

  德国锡根大学 · 2025年