CN110933685B - 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 - Google Patents
基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 Download PDFInfo
- Publication number
- CN110933685B CN110933685B CN202010072957.2A CN202010072957A CN110933685B CN 110933685 B CN110933685 B CN 110933685B CN 202010072957 A CN202010072957 A CN 202010072957A CN 110933685 B CN110933685 B CN 110933685B
- Authority
- CN
- China
- Prior art keywords
- speed rail
- value
- scene
- correction
- predicted value
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/08—Testing, supervising or monitoring using real traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明实施例涉及一种基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置,方法包括:获取目标高铁场景的三维电子地图;基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个位置测量点的初步预测值;基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子;根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测。本发明实施例中,利用射线跟踪仿真技术和深度强化机器学习,为场景校正提供更加精确的输入依据,应用部署范围更普适,鲁棒性更高。
Description
技术领域
本发明实施例涉及无线技术领域,具体涉及一种基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置。
背景技术
随着无线技术的迅速发展,无线电波传播的复杂性给高铁GSM-R无线网络中的基站部署和优化工作带来了很大挑战。因此,有效地预测基站覆盖,是实现无线网络基站部署规划与优化的基础,也是准确定位现网中存在问题的前提,能提升基站选址的效率、保证通信、降低部署试错的成本,是无线网络规划优化的重点和难点。
现有的网络优化依靠低速车反复测试以及人工调试,存在效率低、时间长、开销大、难推广等问题,急需以机器学习和射线跟踪仿真技术替代测试车辆及人工调试,为实现“准确高效,一键完成”的高铁智能网络优化提供准确的GSM-R场强覆盖预测,具有迫切的需求以及重要的应用价值。
发明内容
本发明的至少一个实施例提供了一种基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置,解决高铁GSM-R场强覆盖预测的准确性。
第一方面,本发明实施例提出一种基于机器学习和射线跟踪的高铁网络覆盖预测方法,该方法包括:
获取目标高铁场景的三维电子地图;
基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个位置测量点的初步预测值;
基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子;
根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测。
在一些实施例中,目标高铁场景的三维电子地图包括:结构体的三维几何信息、地形信息,场景中物体的栅格地图及类别标识。
在一些实施例中,基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值,包括:
根据测量路线、关联基站信息及射线跟踪所需的收发信机位置和部署,通过射线跟踪对所述目标高铁场景和部署进行仿真,萃取初步预测值。
在一些实施例中,初步预测值包括每条径的复数电场、传播路径、传播机制、阶数和与路径关联的结构体。
在一些实施例中,上述方法还包括:
通过路测手段获取相同目标高铁场景下每个测量点的实际测量值。
在一些实施例中,实际测量值包括相同目标高铁场景下每个测量点的三维坐标信息及每个测量点可探测到的若干个基站的接收场强信息。
在一些实施例中,基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子,包括:
基于实际测量场强和初步预测场强,得出场强误差;
根据场强误差和第一阈值,确定当前预测误差数据特征集;
基于当前预测误差数据特征集和历史预测误差数据特征集,利用深度强化机器学习,实现奇异值判决。
在一些实施例中,基于当前预测误差数据特征集和历史预测误差数据特征集,利用深度强化机器学习,实现奇异值判决,包括:
判断有无奇异值或奇异数据集有无变化时,若无,则结束校正;否则,重新开始校正,所述当前预测误差数据特征集加入历史预测误差数据特征集。
第二方面,本发明实施例还提出一种基于机器学习和射线跟踪的高铁网络覆盖预测装置,包括:电子地图获取模块、多径信息获取模块、校正模块、场强预测模块;
电子地图获取模块,用于获取目标高铁场景的三维电子地图;
多径信息获取模块,用于基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个位置测量点的初步预测值;
校正模块,用于基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子;
场强预测模块,用于根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测。
本发明实施例中提供的一种高铁网络覆盖预测方法,获取目标高铁场景的三维电子地图,然后根据目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个测量点的初步预测值,并且记录相同目标高铁场景下每个测量点的实际测量值,并且结合每个测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子,最后根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测,这样使得为高铁场景校正更加精确,应用部署范围更普适,鲁棒性更高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种基于机器学习和射线跟踪的高铁网络覆盖预测方法的流程图;
图2为本发明实施例提供的一种宏站路测场景及线路图;
图3为本发明实施例提供的一种校正流程图;
图4为本发明实施例提供的一种改变奇异值对应的结构体材料标识图;
图5为本发明实施例提出一种基于机器学习和射线跟踪的高铁网络覆盖预测装置的结构示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
图1为本发明实施例提供的一种高铁网络覆盖预测方法的流程图,如图1所示,该方法包括以下步骤:
步骤101:获取目标高铁场景的三维电子地图。
具体的,本步骤中,利用射线跟踪获取目标高铁场景的三维电子地图,一般情况下该电子地图包含结构体的三维几何信息、地形信息,场景中物体的栅格地图及类别标识,例如:1.高楼、2.矮楼、3.居民楼、4.写字楼。
以高铁GSM-R网络覆盖为例,上述获取目标高铁场景的三维电子地图,是获取高铁行驶过程中周围场景的三维电子地图,其结构体可包括周围居民楼,写字楼,来往车辆等,以及周围场景中所有物体的栅格地图及类别标识。
步骤102:基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个位置测量点的初步预测值。
如步骤102中所描述的,使用射线跟踪仿真计算每个位置测量点的初步预测值,至少包括复数电场、传播路径、传播机制、阶数、与路径关联的结构体等。
步骤103:基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子。
具体的,本步骤中,结合实际测量值和初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子,其校正过程中,获得贴合实际的结构体的材质属性,其中材质属性包括材料标识、传播模型系数。其中传播模型系数包括:等效厚度、粗糙度、介电常数、透射系数、绕射系数、散射增益等,可参见如下所述;
还获得贴合实际的传播模型,其中传播模型是指:反射、散射、绕射、透射等电波传播模型。其中,反射对应的传播模型是菲涅尔模型、基尔霍夫模型,散射对应的传播模型是方向性散射模型,绕射对应的传播模型是Deygout,透射对应的传播模型是穿透损耗。
传播模型与传播参数的对应关系为:菲涅尔公式-介电常数,方向性散射模型-粗糙度、散射增益,绕射-绕射系数,透射-等效厚度、透射系数、介电常数,可参见如下所述;
其中,基于路测等手段获取目标高铁场景部分区域的实际测量值,其中实际测量值包括测量位置的三维坐标信息及每个测量位置可探测到的若干个基站的接收场强信息。
步骤104:根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测。
在一些实施例中,基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个测量点的初步预测值,上述方法包括:
根据实际测量路线、关联基站信息及射线跟踪所需的收发信机位置和部署,通过射线跟踪对目标高铁场景和部署进行仿真,萃取初步预测值;
其中初步预测值包括复数电场、传播路径、传播机制、阶数和与路径关联的结构体。
图2为本发明实施例提供的一种宏站路测场景及线路图,如图2所示,详细展现了宏站路测场景和实际测量线路。
图2中,1处是宏站的位置,路测设备随机测量一定范围内任何地方的实际测量值,随机路线如图所示2处。
可选的,在一些实施例中,通过路测手段获取相同目标高铁场景下每个测量点的实际测量值。
在一些实施例中,基于相同目标高铁场景下每个测量点的实际测量值,结合每个测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子:
基于实际测量场强和初步预测场强,得出场强误差;
根据场强误差和第一阈值,确定当前预测误差数据特征集;
基于当前预测误差数据特征集和历史预测误差数据特征集,利用深度强化机器学习,实现奇异值判决。
可选的,在一些实施例中,实现奇异值判决,包括:
判断有无奇异值或奇异数据集有无变化时,若无,则结束校正;否则,重新开始校正,当前预测误差数据特征集加入历史预测误差数据特征集;
其中,校正流程一开始时不存在历史预测误差数据特征集。
图3为本发明实施例提供的一种校正流程图,如图3所示,包括如下步骤:
步骤201:计算初步预测值和实际测量值误差。
根据测量路线及关联基站信息定义射线跟踪所需的收发信机位置及部署,并利用射线跟踪对当前高铁场景和部署进行仿真,萃取初步预测值,计算仿真与实际路测场强的误差Er;
以最小化Er为目标,基于反射、散射、透射、绕射多径传播模型,利用无监督的梯度下降法为每条多径对应的传播模型和结构体拟合传播参数;
最终通过本步骤实现在当前场景几何模型约束条件下,获得相关结构体材料的最优传播参数,因此是局部最优解;其中,多径传播模型如下。
直射多径类型的几何追踪为自由空间传播,电磁计算模型为Friis equation,无可校正电磁参数;反射多径类型的几何追踪为斯涅耳反射定律,电磁计算模型为菲涅尔公式,可校正电磁参数为介电常数;透射多径类型的几何追踪为斯涅耳透射定律,电磁计算模型为菲涅尔公式和穿透损耗,可校正电磁参数为等效厚度、透射系数和介电常数;散射多径类型的几何追踪为面元拆分法,电磁计算模型为方向性散射模型,可校正电磁参数为粗糙度和散射增益;绕射多径类型的几何追踪是Deygout模型,电磁计算模型为Deygout模型,可校正电磁参数为绕射系数。
步骤202:实现奇异值判决:设置计算仿真与实际路测场强间误差Er的第一阈值(PT),并提取步骤201中Er大于PT的数据集合S,其中数据集合S包含Er、对应收发信机位置的三维坐标,以及步骤103所得的初步预测值,其中初步预测值包括多径类型、路径、经过的结构体等,结合历史预测误差数据特征集和当前预测特征集,利用深度强化学习方法,可以实现奇异值判决,具体过程如下:
(1)从历史预测误差数据特征集和当前数据集S的连续区间长度、收发信机的方位关系,误差分布、多径机制构成、结构体和材料构成等维度选取学习特征;
(2)根据当前数据集S的Er与PT之间的大小关系,得出是否存在奇异值的判决。结合历史预测误差大于PT的数据集特征和当前数据集S的特征,得到当前状态st下是否进行“校正”行动at的概率p(at|st),以及采取上述行动之后,基于该行动at和当前状态st返回下一个状态st+1的概率p(st+1|at,st);
(3)由(2)可得一个行动状态序列A={(at,st), t=1,2,3,…,T},且可求任意状态st下采取行动at的概率p(t)、对应当前状态和行动(at,st)下的收益r(t),以及采取一系列行动{(at,st), t=1,2,3,…,t}之后的总收益R(t)。
其中,R(m)表示状态sm下采取行动am所对应的收益,p(m)表示状态sm下采取行动am所对应的概率,若采取行动am之后,仿真结果与测量结果之间的误差Er减小,则该行动对应的收益r(m)>0,即奖励;反之,若Er增大,则对应的收益r(m)<0,即处罚。
(4)设定奇异值判决第二阈值Et,对比收益R(t)和判决第二阈值Et。若|R(t)|>Et,则进行场景参数校正(步骤203)。若|R(t)|<Et,则结束校正,保存上述深度强化学习所提取的校正因子。
步骤202所述的方法,可降低对测量***或测量场景中的动态结构体影响的敏感度,例如随机路过的车辆、人等,从而准确定位三维电子地图中造成的奇异影响的静态结构体。
步骤203:改变奇异值相关的结构体的材质类型。
如果步骤202判断存在奇异值,本步骤创建并修改奇异值对应的结构体的材质标识,使其区别于原有标识及与具有原标识的结构体。
步骤204:结束校正,保存该位置处的校正因子。
如图4所示,修改后的结构体被认为是新的材料,将新的场景模型代替旧的模型,参加下一轮的校正,重新执行步骤201,将当前预测奇异值的特征集合加入历史奇异集合,将当前奇异值判决策略加入历史策略中,用于完善机器学习的奖惩。
图5为本发明实施例提出一种基于机器学习和射线跟踪的高铁网络覆盖预测装置的结构示意图,如图5所示,该装置包括:电子地图获取模块301、多径信息获取模块302、校正模块303、场强预测模块304;
电子地图获取模块,用于获取目标高铁场景的三维电子地图;
多径信息获取模块,用于基于目标高铁场景的三维电子地图,使用射线跟踪仿真计算目标高铁场景中每个位置测量点的初步预测值;
校正模块,用于基于相同目标高铁场景下每个位置测量点的实际测量值,结合每个位置测量点的初步预测值,通过机器学习对初步预测值进行校正,获取初步预测值的校正因子;
场强预测模块,用于根据初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测。
本发明实施例中,利用射线跟踪仿真技术和深度强化机器学习,为场景校正提供更加精确的输入依据,应用部署范围更普适,鲁棒性更高。
以上实施例公开的装置能够实现以上各方法实施例公开的方法的流程,为避免重复,在此不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
虽然结合附图描述了本发明的实施方式,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (7)
1.一种基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,包括:
获取目标高铁场景的三维电子地图;
基于所述目标高铁场景的三维电子地图,使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值;
基于相同目标高铁场景下每个位置测量点的实际测量值,结合所述每个位置测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子;
根据所述初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测;
所述基于相同目标高铁场景下每个位置测量点的实际测量值,结合所述每个位置测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子,包括:
基于所述实际测量值和所述初步预测值,得出场强误差;
根据所述场强误差和第一阈值,确定当前预测误差数据特征集;
基于所述当前预测误差数据特征集和历史预测误差数据特征集,利用深度强化机器学习,实现奇异值判决;
其中,判断有无奇异值或奇异数据集有无变化时,若无,则结束所述校正;否则,重新开始所述校正,所述当前预测误差数据特征集加入所述历史预测误差数据特征集;
所述实现奇异值判决,包括:
从所述历史预测误差数据特征集和当前预测误差大于所述第一阈值的数据特征集的连续区间长度、收发信机的方位关系、误差分布、多径机制构成、结构体和材料构成中获取学习特征;
结合所述历史预测误差大于所述第一阈值的数据集特征和当前预测误差大于所述第一阈值的数据集特征,确定当前状态下进行校正行动的概率,以及进行校正行动之后,基于所述校正行动和当前状态返回下一个状态的概率;
由上述可得一个校正行动状态序列,确定任意状态下进行校正行动的概率、对应当前状态和所述校正行动下的收益,以及所有状态下进行校正行动之后的总收益;其中,若进行校正行动之后,所述场强误差减小,则所述校正行动对应的收益大于零,即奖励;反之,若所述场强误差增大,则所述校正行动对应的收益小于零,即处罚;
设置奇异值判决第二阈值,对比采取一系列校正行动之后的总收益和第二阈值,若所述总收益的绝对值大于所述第二阈值,则进行所述目标高铁场景参数校正;若所述总收益的绝对值小于所述第二阈值,则结束校正行动,保存上述所述校正因子。
2.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,所述目标高铁场景的三维电子地图包括:结构体的三维几何信息、地形信息,场景中物体的栅格地图及类别标识。
3.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,所述基于所述目标高铁场景的三维电子地图,使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值,包括:
根据测量路线、关联基站信息及射线跟踪所需的收发信机位置和部署 ,通过射线跟踪对所述目标高铁场景和部署进行仿真,萃取所述初步预测值。
4.根据权利要求3所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,所述初步预测值包括复数电场、传播路径、传播机制、阶数和与路径关联的结构体。
5.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,通过路测手段获取相同目标高铁场景下每个位置测量点的实际测量值。
6.根据权利要求5所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法,其特征在于,所述实际测量值包括相同目标高铁场景下每个位置测量点的三维坐标信息及每个位置测量点可探测到的若干个基站的接收场强信息。
7.一种基于机器学习和射线跟踪的高铁网络覆盖预测装置,其特征在于,包括:
电子地图获取模块,用于获取目标高铁场景的三维电子地图;
多径信息获取模块,用于基于所述目标高铁场景的三维电子地图,使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值;
校正模块,用于基于相同目标高铁场景下每个位置测量点的实际测量值,结合所述每个位置测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子;
场强预测模块,用于根据所述初步预测值的校正因子,使用射线跟踪仿真进行高铁场景接收场强预测;
所述校正模块用于基于相同目标高铁场景下每个位置测量点的实际测量值,结合所述每个位置测量点的初步预测值,通过机器学习对所述初步预测值进行校正,获取初步预测值的校正因子,包括:
基于所述实际测量值和所述初步预测值,得出场强误差;
根据所述场强误差和第一阈值,确定当前预测误差数据特征集;
基于所述当前预测误差数据特征集和历史预测误差数据特征集,利用深度强化机器学习,实现奇异值判决;
其中,判断有无奇异值或奇异数据集有无变化时,若无,则结束所述校正;否则,重新开始所述校正,所述当前预测误差数据特征集加入所述历史预测误差数据特征集;
所述实现奇异值判决,包括:
从所述历史预测误差数据特征集和当前预测误差大于所述第一阈值的数据特征集的连续区间长度、收发信机的方位关系、误差分布、多径机制构成、结构体和材料构成中获取学习特征;
结合所述历史预测误差大于所述第一阈值的数据集特征和当前预测误差大于所述第一阈值的数据集特征,确定当前状态下进行校正行动的概率,以及进行校正行动之后,基于所述校正行动和当前状态返回下一个状态的概率;
由上述可得一个校正行动状态序列,确定任意状态下进行校正行动的概率、对应当前状态和所述校正行动下的收益,以及所有状态下进行校正行动之后的总收益;其中,若进行校正行动之后,所述场强误差减小,则所述校正行动对应的收益大于零,即奖励;反之,若所述场强误差增大,则所述校正行动对应的收益小于零,即处罚;
设置奇异值判决第二阈值,对比采取一系列校正行动之后的总收益和第二阈值,若所述总收益的绝对值大于所述第二阈值,则进行所述目标高铁场景参数校正;若所述总收益的绝对值小于所述第二阈值,则结束校正行动,保存上述所述校正因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072957.2A CN110933685B (zh) | 2020-01-22 | 2020-01-22 | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010072957.2A CN110933685B (zh) | 2020-01-22 | 2020-01-22 | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110933685A CN110933685A (zh) | 2020-03-27 |
CN110933685B true CN110933685B (zh) | 2020-06-05 |
Family
ID=69854421
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072957.2A Active CN110933685B (zh) | 2020-01-22 | 2020-01-22 | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110933685B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111162847B (zh) * | 2020-04-02 | 2020-06-30 | 北京中铁建电气化设计研究院有限公司 | 高铁网络定向天线的对准方法、装置和电子设备 |
CN114448474B (zh) * | 2020-11-05 | 2022-11-22 | ***通信集团设计院有限公司 | 多天线信道矩阵预测方法、装置和电子设备 |
CN113938895B (zh) * | 2021-09-16 | 2023-09-05 | 中铁第四勘察设计院集团有限公司 | 铁路无线信号的预测方法、装置、电子设备及存储介质 |
CN114297747A (zh) * | 2021-12-06 | 2022-04-08 | 上海中铁通信信号测试有限公司 | 地铁隧道混合信道建模方法及电子终端 |
CN114422061B (zh) * | 2022-03-31 | 2022-07-19 | 中铁第四勘察设计院集团有限公司 | 一种针对铁路环境下无线信号传播自适应预测方法 |
CN115103370A (zh) * | 2022-06-17 | 2022-09-23 | 中国铁建电气化局集团有限公司 | 基于rt在环信道态势估计的ris无线覆盖增强方法 |
CN115065955B (zh) * | 2022-08-18 | 2022-12-13 | 中国铁建电气化局集团有限公司 | 高铁5g无线通信网络覆盖规划方法、装置、设备和介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365962A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 建筑物材质无线传播损耗参数数据库的建立和校正方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104363616A (zh) * | 2014-10-27 | 2015-02-18 | 山东润谱通信工程有限公司 | 一种室外到室内传播模型预测室内三维空间场强的方法 |
CN104660349A (zh) * | 2014-10-27 | 2015-05-27 | 山东润谱通信工程有限公司 | 一种扩展的COST-231-Walfisch-Ikegami传播模型预测室外三维空间场强的方法 |
CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
CN110602736A (zh) * | 2019-07-10 | 2019-12-20 | 北京交通大学 | 场强预测方法、装置和计算机设备 |
-
2020
- 2020-01-22 CN CN202010072957.2A patent/CN110933685B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103365962A (zh) * | 2013-06-19 | 2013-10-23 | 山东润谱通信工程有限公司 | 建筑物材质无线传播损耗参数数据库的建立和校正方法 |
CN103702338A (zh) * | 2013-12-24 | 2014-04-02 | 山东润谱通信工程有限公司 | 一种快速建立室内无线信号指纹数据库的方法 |
CN104363616A (zh) * | 2014-10-27 | 2015-02-18 | 山东润谱通信工程有限公司 | 一种室外到室内传播模型预测室内三维空间场强的方法 |
CN104660349A (zh) * | 2014-10-27 | 2015-05-27 | 山东润谱通信工程有限公司 | 一种扩展的COST-231-Walfisch-Ikegami传播模型预测室外三维空间场强的方法 |
CN109217955A (zh) * | 2018-07-13 | 2019-01-15 | 北京交通大学 | 基于机器学习的无线环境电磁参数拟合方法 |
CN110602736A (zh) * | 2019-07-10 | 2019-12-20 | 北京交通大学 | 场强预测方法、装置和计算机设备 |
Non-Patent Citations (2)
Title |
---|
Channel Modeling for Future High-Speed Railway;TAO ZHOU等;《IEEE ACCESS》;20190501;第52818-52826页 * |
轨道交通场景电波传播建模理论与方法研究;官科;《万方学位论文库》;20150629;第34-38、41-42、51-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110933685A (zh) | 2020-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110933685B (zh) | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 | |
Li et al. | A feature-scaling-based $ k $-nearest neighbor algorithm for indoor positioning systems | |
CN103841640B (zh) | 一种基于定位位置残差的nlos基站识别与定位方法 | |
CN102984745B (zh) | Wi-Fi AP位置及路径损耗模型的联合估测方法 | |
CN109640269B (zh) | 基于csi与时域融合算法的指纹定位方法 | |
CN102064895B (zh) | Rssi与模式匹配相结合的无源定位方法 | |
CN106454747B (zh) | 手机终端的无线定位方法 | |
CN103997783B (zh) | 一种室外聚类匹配定位方法和装置 | |
CN111416676B (zh) | 基于射线跟踪的高铁铁路交叉并线区段场强预测方法 | |
CN104703143A (zh) | 一种基于wifi信号强度的室内定位方法 | |
CN101180550A (zh) | 增强型移动台定位方法和*** | |
CN102395195B (zh) | 一种提高非视距环境下室内定位精度的方法 | |
CN109951798A (zh) | 融合Wi-Fi和蓝牙的增强位置指纹室内定位方法 | |
CN112469066A (zh) | 5g网络覆盖评估方法及装置 | |
CN114363808B (zh) | 一种基于rssi测距的室内定位方法 | |
CN104661232B (zh) | 基于费歇尔信息矩阵指纹定位精度基本限的ap布置方法 | |
Bernardin et al. | Cell radius inaccuracy: a new measure of coverage reliability | |
CN104581945A (zh) | 基于距离约束的半监督apc聚类算法的wlan室内定位方法 | |
CN101541079B (zh) | 移动台定位方法 | |
CN101489181A (zh) | 定位移动终端的方法和装置 | |
Arai et al. | Color radiomap interpolation for efficient fingerprint wifi-based indoor location estimation | |
CN112995893A (zh) | 一种指纹定位方法、***、服务器和存储介质 | |
CN101373216A (zh) | 可携式通讯装置的定位方法 | |
CN116896787A (zh) | 终端定位方法、装置、设备及存储介质 | |
CN102469477A (zh) | 一种网络优化的方法、装置和*** |
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 |