雒 騰 張德鑫 桂貝貝 曾志勇

（云南財經(jīng)大學 統(tǒng)計與數(shù)學學院,云南 昆明650000）

1 概述

運營商在部署5G 網(wǎng)絡(luò)的過程中,需要合理地選擇覆蓋區(qū)域內(nèi)的基站站址,進而通過部署基站來滿足用戶的通信需求[1]。而在整個無線網(wǎng)絡(luò)規(guī)劃流程中,高效的網(wǎng)絡(luò)估算對于精確的5G 網(wǎng)絡(luò)部署有著非常重要的意義, 無線傳播模型正是通過對目標通信覆蓋區(qū)域內(nèi)的無線電波傳播特性進行預測, 使得小區(qū)覆蓋范圍、小區(qū)間網(wǎng)絡(luò)干擾以及通信速率等指標的估算成為可能。

2 無線信號傳播的分析以及模型構(gòu)建與預測

2.1 數(shù)據(jù)來源

本文數(shù)據(jù)來源于“華為杯”第十六屆中國研究生數(shù)學建模競賽,賽題提供的數(shù)據(jù)集包含多個小區(qū)的工程參數(shù)數(shù)據(jù)、地圖數(shù)據(jù)和RSRP 標簽數(shù)據(jù), 其中工程參數(shù)數(shù)據(jù)記錄了各小區(qū)站點的工程參數(shù)信息,地圖數(shù)據(jù)記錄地形地貌等信息。RSRP 簽代表平均信號接收功率, 單位為dBm. 并將弱覆蓋判決門限Pth的值定為-103 dBm.若RSRP 預測值或?qū)崪y值小于Pth則為弱覆蓋,若大于等于Pth則為非弱覆蓋。

2.2 問題概括

華為競賽平臺希望我們站在設(shè)備供應(yīng)商與無線運營者的角度,合理地運用機器學習來建立無線傳播模型,來對不同地理位置的RSRP 柵格的平均信號接收功率進行預測, 并有效識別出弱覆蓋區(qū)域, 幫助運營商精準規(guī)劃和優(yōu)化網(wǎng)絡(luò)從而提升客戶體驗[3]，其中使用均方根誤差來作為RSRP 預測的評價標準,為有效測試目標, 還將弱覆蓋識別準確率作為識別弱覆蓋區(qū)域的評價指標。

2.3 特征設(shè)計

高效的機器學習模型建立依賴于輸入變量與問題目標的強相關(guān)性, 因此我們通過文獻資料查找可能影響無線發(fā)射機信號的因素[4],并通過模型以及大賽數(shù)據(jù)信息去設(shè)計出合適的特征變量，主要從兩個角度去設(shè)計可能影響的特征變量,即幾何位置、經(jīng)驗信道模型涉及參數(shù),最終構(gòu)造出了7 個新特征如表1 所示。

2.3.1 幾何位置

對于影響無線發(fā)射機信號傳播的因素, 我們可以根據(jù)已知的幾何位置來挑選合理的特征. 目標柵格與發(fā)射機的地理位置關(guān)系如圖1 所示。

a.目標柵格與發(fā)射機的距離

表1

圖1

b.目標柵格與信號線的相對高度

c.天線與目標柵格的距離

d.天線與目標柵格相對高度的距離

e.發(fā)射機信號的強度

f.發(fā)射機所在柵格與目標柵格海拔差

2.3.2 經(jīng)驗信道模型涉及參數(shù)

a.發(fā)射機的有效高度

b.場景糾正常數(shù)

查閱了 Cost231-Hata模型及其相關(guān)的理論背景知識,發(fā)現(xiàn)在模型場景糾正常數(shù)的定義為：

Cm相當于傳播路徑損耗的懲罰因子, 結(jié)合實際的地物類型名稱的編號含義,進行一定的分類區(qū)別對待,從而創(chuàng)造出新的特征,即場景糾正常數(shù)。

2.4 特征選擇

以上我們完成了特征分析和設(shè)計的工作, 下面我們來進行特征篩選.輸入變量也稱為“特征”,而選擇“少而精”的特征,一方面可以降低模型的復雜性,防止過擬合；另一方面也能夠提高模型運行效率.本文從相關(guān)性和重要性兩個角度來選擇特征,計算出各個特征與目標變量(RSRP)的相關(guān)性,并利用決策樹算法輸出各特征對RSRP 的重要性, 再進行加權(quán)平均求出二者的綜合得分,篩選出得分較高的15 個特征。

2.5 傳播模型的構(gòu)建和評價

由于數(shù)據(jù)量比較龐大,因此我們隨機抽取了10 萬條數(shù)據(jù)進行研究分析,對上面篩選的特征數(shù)據(jù)利用Tensorflow框架構(gòu)建了神經(jīng)網(wǎng)絡(luò)模型[3], 隱藏層數(shù)設(shè)置為3,第一個隱藏層為300 個神經(jīng)元,第二個隱藏層為200 個神經(jīng)元,第三個隱藏層為100 個神經(jīng)元.隱藏層神經(jīng)元個數(shù)逐層減少,呈漏斗形,使得低級別的特征會逐漸被合并到高級別特征中。并且在每層采用了非飽和激活函數(shù)relu,之所以選用非飽和激活函數(shù)relu 激活函數(shù),是我們考慮了梯度消失/爆炸問題.同時,為了避免多層神經(jīng)網(wǎng)絡(luò)在模型訓練和模型預測過程當中可能出現(xiàn)的欠擬合和過擬合現(xiàn)象,我們必須要對多層神經(jīng)網(wǎng)絡(luò)進行一定的防范措施, 本文我們采用了正則化以避免可能出現(xiàn)的過擬合現(xiàn)象,即采用dropout 正則化進行一定的防過擬合處理。

在此,通過Tensorflow框架構(gòu)建的多層網(wǎng)絡(luò)的模型及其參數(shù)選擇就基本已經(jīng)完成, 接下來的工作就是通過我們構(gòu)建的多層神經(jīng)網(wǎng)絡(luò)模型,代入訓練數(shù)據(jù)集,進行相應(yīng)的模型訓練,最后得到預測值和實測值整體偏差的評價指標RMSE（均方根誤差）結(jié)果為11.8001, 弱覆蓋率的評價指標PCRR 為0.29, 符合大賽規(guī)定的大于0.2。

3 結(jié)論

本文主要是通過構(gòu)建無線傳播模型對目標通信覆蓋區(qū)域內(nèi)的無線信號傳播的RSRP 進行預測,是一個回歸問題,并且還通過設(shè)置弱覆蓋判決門限對弱覆蓋情況進行檢測, 又涉及到了二分類問題. 因此在模型中用到的神經(jīng)網(wǎng)絡(luò)框架可以移植到其他回歸或分類問題中,只需要改動數(shù)據(jù)預處理部分即可.這也是神經(jīng)網(wǎng)絡(luò)的強大之處,回歸或分類問題,都可以通過增加神經(jīng)網(wǎng)絡(luò)的復雜度（增加隱藏層、增加神經(jīng)元）和改變輸出來實現(xiàn)。