Berlin V2X

该数据集包含了在不同城市环境下，针对蜂窝网络和侧链路无线接入技术进行的GPS定位无线测量数据，为车辆与一切（V2X）通信领域的研究提供了广泛的可能性。此外，该数据集具有高时间分辨率的标注和采样，便于新研究人员快速上手。该数据集的规模涵盖了多辆车辆和多种无线接入技术，适用于进行与车辆通信相关的机器学习研究任务。

This dataset contains wireless measurement data with GPS positioning for cellular networks and sidelink radio access technologies across diverse urban environments, providing extensive research prospects for the field of Vehicle-to-Everything (V2X) communications. Furthermore, this dataset boasts high temporal resolution annotations and sampling, facilitating rapid onboarding for novice researchers. Covering multiple vehicles and various radio access technologies, this dataset is suitable for machine learning research tasks related to vehicular communications.

搜集汇总

数据集介绍

构建方式

Berlin V2X数据集源自柏林西郊一场精心设计的实测活动。测量路线全长17.2公里，蜿蜒穿行于居民区、林荫大道、城市公园及高速公路等多元交通环境，单次采集耗时约45分钟。团队在三天内出动最多四辆测试车，以编队和双车配对两种编队模式累计完成17次循迹行驶。每辆车均配备专用测量设备，同步采集蜂窝网络（分属两家不同运营商）与LTE-V2X直连通信链路的数据，并辅以高精度GPS定位、交通拥堵指数及气象信息等侧信息，最终构建起一个时空分辨率精细、场景覆盖广泛的综合性数据集。

特点

该数据集的核心特色在于其多维异构性与高时间分辨率。蜂窝侧数据以10毫秒为间隔记录物理层信噪比、参考信号接收功率等关键指标，并同步捕获应用层吞吐量与延迟；直连通信侧则基于软件无线电平台，在5.9GHz频段采集两种典型消息模式下的信噪比与误包率。数据同时涵盖两家移动网络运营商的实测结果，为跨运营商机器学习模型的泛化性评估提供了稀缺的对比样本。此外，GPS轨迹、天气与交通状况的同步记录，使得无线链路性能与环境动态的关联分析成为可能。

使用方法

研究者可依据研究目标灵活提取数据子集。针对服务质量预测任务，可直接调用蜂窝网络的高时间分辨率物理层与应用层参数，构建回归或分类模型；跨运营商迁移学习研究则可利用两家运营商的配对数据，检验模型在不同网络环境下的适配能力。直连通信数据支持基于车辆间距离与信噪比的误包率估计，进而优化通信参数配置。多无线接入技术的共存数据还为链路选择与资源管理策略的验证提供了实验基础。数据集以公开标准化格式发布，并附有详尽的数据字典与预处理说明，便于研究者快速接入与复现。

背景与挑战

背景概述

Berlin V2X数据集由Fraunhofer Heinrich Hertz研究所、Ericsson Research、德累斯顿工业大学、凯泽斯劳滕-兰道工业大学、德国电信及宝马集团等多家机构于2022年联合创建，旨在支撑第六代移动通信（6G）背景下基于机器学习的车联网（V2X）通信研究。该数据集聚焦于多车辆、多无线接入技术（LTE蜂窝与Sidelink）的协同测量，通过在柏林城区涵盖住宅街道、林荫大道、公园及高速公路的17.2公里实测路线，采集了高时间分辨率的全球定位系统（GPS）定位数据、蜂窝网络信令（来自两家不同运营商）以及Sidelink通信质量参数。其核心研究问题在于利用机器学习实现服务质量（QoS）预测、跨运营商模型迁移及多链路选择策略优化，为V2X领域的协作式智能交通系统（C-ITS）应用（如碰撞预警、编队行驶）提供了宝贵的数据基础，对推动无线通信智能化与车联网技术演进具有重要影响力。

当前挑战

Berlin V2X数据集所面临的挑战主要体现在两个方面。在领域问题层面，核心挑战在于如何利用机器学习模型精准预测高度动态V2X场景中的QoS指标（如吞吐量、时延），这需要处理多运营商网络在物理层特性（如信噪比、参考信号接收功率）上的非一致性，以及Sidelink通信中距离、信噪比与误包率（PER）之间复杂的非线性关系，同时还需应对跨设备、跨区域（如城市峡谷与高速公路）的模型泛化难题。在数据集构建过程中，挑战则源于实测环境的复杂性：需要协调多车辆编队（如队列行驶与分散行驶两种模式）同步采集数据，克服SDR平台在收发切换时产生的残余发射功率对Sidelink接收帧的干扰，并确保在长达45分钟的单次行驶中，从不同运营商、不同频段（700 MHz至2.7 GHz）及不同天气与交通条件下获得高质量、高时间分辨率的标注数据，这对设备校准、数据同步与预处理提出了严苛要求。

常用场景

经典使用场景

Berlin V2X数据集的核心应用场景聚焦于车联网（V2X）通信环境下的多模态无线测量与机器学习研究。该数据集通过在柏林城区与高速公路交织的17.2公里路线上进行实地驾驶测试，同步采集了蜂窝网络（LTE）与直连通信（sidelink）两种无线接入技术的精细测量数据，涵盖物理层信噪比、参考信号接收功率、数据速率、时延等关键服务质量指标，并配以高精度的全球定位系统轨迹、交通拥堵因子及气象信息。这种高时空分辨率的多元数据融合，使其成为研究城市复杂动态信道特征、评估不同运营商网络性能差异、以及验证机器学习模型在真实V2X场景中泛化能力的理想实验平台。

解决学术问题

该数据集精准回应了车联网通信研究中长期存在的核心困境：缺乏同时涵盖车辆动态轨迹与多制式无线网络实测数据的公开基准。它有效支撑了基于机器学习的服务质量预测研究，尤其解决了跨运营商网络间的模型迁移难题——通过对比两家不同移动网络运营商在相同地理区域的信号特征，揭示了物理层参数与数据速率的高度相关性，以及运营商间特征分布的异同，为迁移学习与域适应算法提供了实证基础。此外，数据集还助力直连通信场景下基于距离的误包率估计、多无线接入技术链路选择策略的评估，以及利用实测数据校正仿真模型以提升预测可信度等学术议题。

衍生相关工作

Berlin V2X数据集催生了多类衍生性研究工作，其中最具代表性的包括：基于物理层特征与数据速率强相关性的服务质量预测模型构建，如利用长短期记忆网络或随机森林算法实现下行吞吐量的精准估计；跨运营商与跨设备的迁移学习框架，通过域对抗训练或参数微调技术缩小不同网络环境下的特征分布差异；基于距离-信噪比-误包率关联分析的直连通信链路预算模型，为场景S1与S2（不同消息频率与调制编码方案）下的通信参数选择提供依据；以及融合蜂窝与直连通信的多无线接入技术切换策略，借助强化学习实现链路选择的自适应优化。