CN110912627B - 一种基于数据驱动的小区接收功率预测方法 - Google Patents
一种基于数据驱动的小区接收功率预测方法 Download PDFInfo
- Publication number
- CN110912627B CN110912627B CN201911347724.2A CN201911347724A CN110912627B CN 110912627 B CN110912627 B CN 110912627B CN 201911347724 A CN201911347724 A CN 201911347724A CN 110912627 B CN110912627 B CN 110912627B
- Authority
- CN
- China
- Prior art keywords
- data
- parameters
- cell
- transmitter
- map
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/391—Modelling the propagation channel
- H04B17/3913—Predictive models, e.g. based on neural network models
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
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。
Description
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+1>2”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;
其中,工程参数包括:发射机位置坐标(Cell X,Cell Y)、发射机相对地面的高度Height、小区发射机水平方向角A、发射机垂直电下倾角θED、发射机垂直机械下倾角θMD、小区发射机中心频率、小区发射机发射功率;
地图参数包括:小区站点所在栅格的建筑物高度、小区站点所在栅格海拔高度Cell Altitude、小区站点所在栅格地物类型索引、栅格位置坐标(X,Y)、栅格位置建筑物高度、栅格位置海拔高度Altitude、栅格位置地物索引;
标签数据为无线通信接收点平均功率RSRP;
(2)、计算小区发射机的有效高度hb;
hb=Height+Cell Altitude-Altitude
(3)、计算发射机与栅格之间的链路距离d;
其中,Δd为栅格距离;
(4)、计算信号线实际下倾角θSL;
θSL=θED+θMD
(5)、计算目标栅格与信号线的垂直距离Δhue;
Δhue=cos(θSL)hb-sin(θSL)d
(6)、利用方差和皮尔逊相关系数筛选地图参数;
(6.1)、计算第j个地图参数自身的方差Dj;
其中,xij表示第j个地图参数中第i个数据,i=1,2,…,n,n为第j个地图参数的数据个数;xj为第j个地图参数的均值;
(6.2)、对每个地图参数的自身方差进行降序排序,然后剔除方差低于预设阈值σ的地图参数;
(6.3)、计算第j个地图参数与标签数据之间的皮尔逊相关系数Pj;
其中,σj为第j个地图参数的标准差,yi为标签数据RSRP的第i个数据,σy是标签数据RSRP的标准差;
(6.4)、根据计算结果进行排序,剔除皮尔逊相关系数高于阈值P*的地图参数;
(7)、将工程参数、标签数据、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue存储在训练数据集,并进行标准化和离散化处理;
(8)、在训练数据集中,以某一组工程参数、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue作为输入数据,输入至XGBoost+LR级联模型,其输出为对应的预测标签数据,通过反复训练,得到预测模型;
(9)、若已知新环境的工程参数和地图参数按照步骤(2)-(6)所述方法处理,然后输入至预测模型,从而预测出新环境下的RSRP预测值。
本发明的发明目的是这样实现的:
本发明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。
附图说明
图1是本发明一种基于数据驱动的小区接收功率预测方法流程图;
图2是栅格化示意图;
图3是目标栅格与发射机的几何关系示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明一种基于数据驱动的小区接收功率预测方法流程图。
在本实施例中,如图1所示,本发明一种基于数据驱动的小区接收功率预测方法,包括以下步骤:
S1、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;
小区历史实测数据是按照栅格位置,进行采集,数据采集过程中为了后续研究方便,尽量多方面采集数据。对于一组数据进行预处理:包括提出失真数据,填充缺失值,去除异常值和噪声数据
其中,如表1所示,工程参数包括:发射机位置坐标(Cell X,Cell Y)、发射机相对地面的高度Height、小区发射机水平方向角A、发射机垂直电下倾角θED、发射机垂直机械下倾角θMD、小区发射机中心频率、小区发射机发射功率;
地图参数包括:小区站点所在栅格的建筑物高度、小区站点所在栅格海拔高度Cell Altitude、小区站点所在栅格地物类型索引、栅格位置坐标(X,Y)、栅格位置建筑物高度、栅格位置海拔高度Altitude、栅格位置地物索引;
标签数据为无线通信接收点平均功率RSRP;
表1
在本实施例中,栅格的概念由图2所示,一个栅格面积为25平方米,一个小区可以划分为多个栅格,每一个栅格位置对应一组测量数据,包含工程参数、地图参数和标签数据;目标栅格与发射机的几何关系如图3所示。
S2、计算小区发射机的有效高度hb,由测量数据中的小区发射机相对地面的高度Height、小区站点所在栅格的海拔高度Cell Altitude、栅格位置的海拔高度Altitude表示:
hb=Height+Cell Altitude-Altitude
S3、计算发射机与栅格之间的链路距离d,由数据信息中的栅格位置X坐标(X)、发射机栅格位置X坐标(Cell X)、栅格位置Y坐标(Y)、发射机栅格位置Y坐标(Cell Y)表示:
其中,Δd为栅格距离;
S4、计算信号线实际下倾角θSL,信号线为发射机到接收点的连线,其实际下倾角是小区发射机垂直电下倾角θED(Electrical Downtilt)和小区发射机垂直机械下倾角θMD(Mechanical Downtilt)二者之和:
θSL=θED+θMD
S5、计算目标栅格与信号线的垂直距离Δhue;
Δhue=cos(θSL)hb-sin(θSL)d
在本实施例中,由经典无线通信模型Cost-Hata231可知,S2-S5获取特征蕴含丰富信息,与标签数据具有很强非线性关系,加入新特征可以增强工程参数。
S6、利用方差和皮尔逊相关系数筛选地图参数;
S6.1、计算第j个地图参数自身的方差Dj;
S6.2、各个特征对应的方差如表2所示,对每个地图参数的自身方差进行降序排序,然后剔除方差低于预设阈值σ=0.1的地图参数;
表2S6.3、计算第j个地图参数与标签数据之间的皮尔逊相关系数Pj;
其中,σj为第j个地图参数的标准差,yi为标签数据RSRP的第i个数据,σy是标签数据RSRP的标准差。
S6.4、各个地图参数与标签数据RSRP之间的皮尔逊系数如表3所示,根据计算结果进行降序排序,剔除皮尔逊相关系数高于阈值P*=0.5的地图参数。
表3
S7、将工程参数、标签数据、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue存储在训练数据集,并进行标准化和离散化处理;
S8、在训练数据集中,以某一组工程参数、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue作为输入数据,输入至XGBoost+LR级联模型,其输出为对应的预测标签数据,通过反复训练,得到预测模型;
在本实施例中,训练数据先输入单独的XGBoost模型,训练调优方法为网格搜索+交叉验证GridSearchCV方法;训练调优完成的XGBoost模型,遍历其中每一棵树,计算叶子节点向量;对所得叶子节点向量离散化处理,使用One-hot-encoding编码;处理后的离散数据输入LR模型进行训练调优,训练调优方法为网格搜索+交叉验证GridSearchCV方法;XGBoost的叶子节点向量输入LR,为XGBoost和LR级联预测模型。
S9、若已知新环境的工程参数和地图参数按照步骤S2-S6所述方法处理,然后输入至预测模型,从而预测出新环境下的RSRP预测值。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (2)
1.一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;
(2)、计算小区发射机的有效高度hb;
hb=Height+Cell Altitude-Altitude
其中,Height为发射机相对地面的高度,Cell Altitude为小区站点所在栅格海拔高度,Altitude为栅格位置海拔高度;
(3)、计算发射机与栅格之间的链路距离d;
其中,Δd为栅格距离,(X,Y)为栅格位置坐标,(Cell X,Cell Y)为发射机位置坐标;
(4)、计算信号线实际下倾角θSL;
θSL=θED+θMD
其中,θED为发射机垂直电下倾角,θMD为发射机垂直机械下倾角;
(5)、计算目标栅格与信号线的垂直距离Δhue;
Δhue=cos(θSL)hb-sin(θSL)d
(6)、利用方差和皮尔逊相关系数筛选地图参数;
(6.1)、计算第j个地图参数自身的方差Dj;
(6.2)、对每个地图参数的自身方差进行降序排序,然后剔除方差低于预设阈值σ的地图参数;
(6.3)、计算第j个地图参数与标签数据之间的皮尔逊相关系数Pj;
(6.4)、根据计算结果进行排序,剔除皮尔逊相关系数高于阈值P*的地图参数;
(7)、将工程参数、标签数据、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue存储在训练数据集,并进行标准化和离散化处理;
(8)、在训练数据集中,以某一组工程参数、筛选后的地图参数以及计算得到的hb、d、θSL、Δhue作为输入数据,输入至XGBoost+LR级联模型,其输出为对应的预测标签数据,通过反复训练,得到预测模型;
(9)、若已知新环境的工程参数和地图参数按照步骤(2)-(6)所述方法处理,然后输入至预测模型,从而预测出新环境下的RSRP预测值。
2.根据权利要求1所述的一种基于数据驱动的小区接收功率预测方法,其特征在于,所述工程参数包括:发射机位置坐标(CellX,CellY)、发射机相对地面的高度Height、小区发射机水平方向角A、发射机垂直电下倾角θED、发射机垂直机械下倾角θMD、小区发射机中心频率、小区发射机发射功率;
所述地图参数包括:小区站点所在栅格的建筑物高度、小区站点所在栅格海拔高度Cell Altitude、小区站点所在栅格地物类型索引、栅格位置坐标(X,Y)、栅格位置建筑物高度、栅格位置海拔高度Altitude、栅格位置地物索引;
所述标签数据为无线通信接收点平均功率RSRP。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347724.2A CN110912627B (zh) | 2019-12-24 | 2019-12-24 | 一种基于数据驱动的小区接收功率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911347724.2A CN110912627B (zh) | 2019-12-24 | 2019-12-24 | 一种基于数据驱动的小区接收功率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110912627A CN110912627A (zh) | 2020-03-24 |
CN110912627B true CN110912627B (zh) | 2021-05-14 |
Family
ID=69827380
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911347724.2A Active CN110912627B (zh) | 2019-12-24 | 2019-12-24 | 一种基于数据驱动的小区接收功率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110912627B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112367129B (zh) * | 2020-07-27 | 2022-02-11 | 南京邮电大学 | 一种基于地理信息的5g参考信号接收功率预测方法 |
CN114095856B (zh) * | 2020-07-31 | 2022-09-23 | 中国电信股份有限公司 | 用于基站节能的处理方法和处理装置 |
CN112118596B (zh) * | 2020-09-22 | 2022-12-06 | 东南大学 | 基于路径序列回归的短程无线信号强度预测方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106548210B (zh) * | 2016-10-31 | 2021-02-05 | 腾讯科技(深圳)有限公司 | 基于机器学习模型训练的信贷用户分类方法及装置 |
CN109874146B (zh) * | 2017-12-05 | 2020-12-25 | 华为技术有限公司 | 一种预测路损的方法及装置 |
CN109996251B (zh) * | 2017-12-29 | 2022-08-16 | 中兴通讯股份有限公司 | 一种进行信号覆盖预测的方法 |
CN110418354A (zh) * | 2019-08-06 | 2019-11-05 | 北京邮电大学 | 一种基于机器学习的免传播模型无线网络规划方法 |
-
2019
- 2019-12-24 CN CN201911347724.2A patent/CN110912627B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110912627A (zh) | 2020-03-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110912627B (zh) | 一种基于数据驱动的小区接收功率预测方法 | |
Ahmadien et al. | Predicting path loss distribution of an area from satellite images using deep learning | |
CN110197218B (zh) | 基于多源卷积神经网络的雷雨大风等级预测分类方法 | |
Ates et al. | Path loss exponent and shadowing factor prediction from satellite images using deep learning | |
KR102661600B1 (ko) | 실재 환경관련 정보를 고려한 통신 채널 분석과 무선 망 설계 방법 및 장치 | |
CN110418354A (zh) | 一种基于机器学习的免传播模型无线网络规划方法 | |
CN104105106B (zh) | 无线通信网智能天线覆盖场景自动分类识别方法 | |
CN103778477B (zh) | 监视台站布站方法和装置 | |
CN114362367A (zh) | 面向云边协同的输电线路监测***和方法、识别***和方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
CN114501530B (zh) | 基于深度强化学习的天线参数的确定方法和装置 | |
WO2022021602A1 (zh) | 一种基于地理信息的5g参考信号接收功率预测方法 | |
CN115619963A (zh) | 一种基于内容感知的城市建筑物实体建模方法 | |
CN114828026B (zh) | 基站规划方法、装置、设备、存储介质及程序产品 | |
CN114611388B (zh) | 基于人工智能的无线信道特征筛选方法 | |
CN110366188B (zh) | 干扰测量点部署方法、干扰测量路径规划方法及*** | |
CN115018014B (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
CN113936166A (zh) | 一种基于多普勒天气雷达数据的冰雹回波识别方法及*** | |
CN109286900B (zh) | 一种Wi-Fi样本数据优化方法 | |
CN103581667B (zh) | 一种基于无线传感网络技术的智能化城市安全防范方法 | |
Arregui et al. | Short-term vehicle traffic prediction for terahertz line-of-sight estimation and optimization in small cells | |
Hu et al. | Study on Wireless Signal Propagation in Residential Outdoor Activity Area Based on Deep Learning | |
CN117135639B (zh) | 基于神经网络的无线通信覆盖预测方法、***及设备 | |
CN111696330A (zh) | 一种用于输电线路风灾的分类方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |