[发明专利]一种基于数据驱动的小区接收功率预测方法

说明书

本发明公开了一种基于数据驱动的小区接收功率预测方法，先对采集到的小区数据进行预处理，再按功能进行划分，划分为工程参数和地图参数，工程参数全部保留并在此基础上设计特征链路距离、实际高度、信号线下倾角和目标栅格与信号线垂直距离，地图参数通过计算方差和皮尔逊相关系数进行特征筛选，扩充后的工程参数与筛选后的地图参数合并，随后利用上述数据输入级联模型XGBoost+LR进行训练，得到预测模型；最好利用预测模型预测新环境下的无线信号覆盖强度，从而大大减少无线网络建设成本，提高网络建设效率。

技术领域

本发明属于无线通信技术领域，更为具体地讲，涉及一种基于数据驱动的小区接收功率预测方法。

背景技术

无线通信是当今信息技术领域最活跃的方向之一。随着5G技术的蓬勃发展，其对于人类社会进步产生的影响越来越受到各国政府的重视。在建设5G网络过程中，考虑到既要尽可能地增加无线信号的覆盖区域，又要减少基站的布站成本，合理的无线网络规划就成了亟需解决的重要问题。在无线规划的实施过程中，无线信号接收功率(RSRP)预测起到非常重要的作用：通过对通信覆盖区域的无线信号传播特性进行相对合理的预测，无线信号接收功率预测的结果一方面为提高现有网络规划和用户服务质量提供了实验依据，另一方面也为下一代5G无线网络规划提供了方向性指导，是制定基站建设策略的重要参考之一。

无线信号接收功率预测的研究方法主要有物理方法和人工智能方法。物理方法，基于无线通信经验模型，并根据可观测的数据如基站位置、接收点位置、发射机高度、信号发射角度等，经过推算得出对应功率。物理方法涉及的特征较少，无法考虑到一些实际的影响条件，如地形、建筑物大小、天气条件及非自然界产生的电磁噪声的影响，因此测算的结果往往与实际测量的结果有一定出入。人工智能方法是指结合了机器学习算法、人工神经网络等智能算法的预测方法，近年来在有着长足的应用。应用神经网络的预测方法，包含输入层、隐藏层和输出层，使用端到端的结构输出预测值，其预测精度需要海量的训练数据为前提，且模型的可解释性较差。应用机器学习算法的预测方法，以监督学习为主，能够描述输入数据和输出数据之间高度复杂的关系，适合处理大量样本和非线性数据。机器学习算法中，XGBoost是基于boosting思想与树模型进行有效结合产生的算法，逻辑回归(LR)是广义线性模型，二者级联能产生“1+12”的效果。

Facebook在2014年的论文中提出了通过GBDT与LR的级联模型解决用户点击率预估CTR问题，该论文发现GBDT是一种很好的特征组合方式，可以增强LR的表达能力，验证了级联模型产生的效果优于单模型。XGBoost是改进的GBDT，泛化性能更强，已授权文件“CN109886349A—一种基于多模型融合的用户分类方法”中即应用了XGBoost+LR的级联模型来做用户分类，技术内容为“对包含用户特征的数据集进行衍生，将数据集特征与衍生后的特征输入XGBoost模型，得到叶子节点编号集，经过One-hot编码，输入LR模型，实现对用户分类的预测”，XGBoost+LR级联的方法解决了传统模型精度低、迭代复杂、不能较好地处理数据稀疏等问题。

与传统经验模型相比，利用采集的历史数据并结合机器学习技术，更加节省人力物力。原始数据加合适的机器学习模型已经可以实现无线信号功率的预测，然而功率预测的场景通常较为复杂，需要考虑的因素较多，因此在原始数据的基础上结合专业知识进行特征工程，提升模型表达的上限，就值得深入研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于数据驱动的小区接收功率预测方法，对无线通信接收点平均功率进行预测。

为实现上述发明目的，本发明一种基于数据驱动的小区接收功率预测方法，其特征在于，包括以下步骤：

(1)、获取小区多组历史实测数据，每组历史实测数据均包括带有标签数据、工程参数和地图参数；然后对采集的数据进行预处理；