无线网络信号传播路径损耗预测方法及电子设备技术

本公开提供一种无线网络信号传播路径损耗预测方法及电子设备。所述方法包括：获取网络环境数据与原始测试数据，根据网络环境数据、原始测试数据生成初始特征数据并从中提取确定高阶特征数据；对初始特征数据与高阶特征数据进行冗余度与相关性分析，筛选出关键特征数据；构建多元线性回归模型，根据关键特征数据求解模型系数；利用多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值以生成组合特征数据；构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。所述电子设备用于实现所述无线网络信号传播路径损耗预测方法。

【技术实现步骤摘要】
无线网络信号传播路径损耗预测方法及电子设备
本公开涉及技术无线网络通信领域，尤其涉及一种无线网络信号传播路径损耗预测方法及电子设备。
技术介绍
目前对于5G移动通信关键技术的研究逐渐成熟，但是网络建设仍然面临两个主要挑战。一是5G网络建设成本巨大。为了实现网络的无缝覆盖，相比于传统移动通信网络的基站数量，5G基站的数量将增加约2倍；二是基站的能耗巨大。单个5G基站的能耗约为4G基站的3倍，总能耗将是4G基站9倍以上，因此由能耗产生的运营成本问题不可忽视。为了解决上述问题，需要更精准有效的无线网络规划技术作为支撑。无线网络规划的关键是以无线传播模型为基础对无线网络路径损耗的覆盖预测。通过无线传播模型对不同站点规划方案的路径损耗进行预测，可以在保证网络覆盖范围和质量的前提下，尽可能减少规划站点数量并优化基站工参配置，从而有效降低无线网络的能耗和建设成本。由于目前处于5G网络建设初期，覆盖预测的主要场景为广域连续覆盖场景，因此多选择经验模型对站点规划方案进行性能评估。然而采用经验模型评估方法无法准确描述不同城市不同区域的无线环境，在工程实践中运营商需要根据网络特点选择合适的经验模型，并通过实测数据对模型进行校正以拟合当地的真实无线环境。然而由于5G网络信号传播的复杂性，相关技术的模型校正方法很难实现对路径损耗的准确预测。
技术实现思路
有鉴于此，本公开的目的在于提出一种无线网络信号传播路径损耗预测方法及电子设备。基于上述目的，在第一方面，本公开提供了一种无线网络信号传播路径损耗预测方法，所述方法包括：获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据；根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据；对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据；从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数；基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据；构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。在第二方面，本公开还提供了一种无线网络信号传播路径损耗预测电子设备，所述电子设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面的所述无线网络信号传播路径损耗预测方法。从上面所述可以看出，本公开提供的一种无线网络信号传播路径损耗预测方法及电子设备，首先通过数据预处理对网络环境数据和原始测试数据进行清洗，提高数据的可用性；接着通过特征提取方法对路测数据中的高阶特征进行提取和构造，提高特征空间的完备性；最后通过特征选择方法对提取的特征进行相关性和冗余度分析，去除冗余或相关性低的特征得到关键特征数据，提高特征的表达能力，之后基于关键特征数据进行MLR-DNN模型的双重校正，其中先对5G无线信号路径损耗预测问题构建MLR模型，并使用最小二乘法拟合特征与路径损耗之间的线性关系，还将MLR模型拟合结果作为描述线性关系的高阶特征，通过特征组合构建组合特征数据，之后设计DNN模型结构以及训练策略，并针对组合特征数据进行训练，进一步拟合特征与路径损耗之间的非线性关系，以提升路径损耗预测的准确性。所述无线网络信号传播路径损耗预测方法及电子设备，通过特征工程逐步筛选后去关键特征数据，再利用双重模型相结合，能够更准确的拟合原始测试数据和路径损耗之间的非线性映射关系，有效提升路径损耗预测的准确性，满足5G网络覆盖预测的需求。附图说明为了更清楚地说明本公开或相关技术中的技术方案，下面将对实施例或相关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公开的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1为本公开实施例所提供的一种无线网络信号传播路径损耗预测方法示意图；图2为本公开实施例所提供的一种无线网络信号传播路径损耗预测方法中筛选关键特征数据的方法示意图示意图；图3为本公开实施例所提供的一种无线网络信号传播路径损耗预测电子设备示意图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。目前对于5G移动通信关键技术的研究逐渐成熟，但是网络建设仍然面临两个主要挑战。一是5G网络建设成本巨大。为了实现网络的无缝覆盖，相比于传统移动通信网络的基站数量，5G基站的数量将增加约2倍；二是基站的能耗巨大。单个5G基站的能耗约为4G基站的3倍，总能耗将是4G基站9倍以上，因此由能耗产生的运营成本问题不可忽视。为了解决上述问题，需要更精准有效的无线网络规划技术作为支撑。无线网络规划的关键是以无线传播模型为基础对无线网络路径损耗的覆盖预测。通过无线传播模型对不同站点规划方案的路径损耗进行预测，可以在保证网络覆盖范围和质量的前提下，尽可能减少规划站点数量并优化基站工参配置，从而有效降低无线网络的能耗和建设成本。由于目前处于5G网络建设初期，覆盖预测的主要场景为广域连续覆盖场景，因此多选择经验模型对站点规划方案进行性能评估。然而采用经验模型评估方法无法准确描述不同城市不同区域的无线环境，在工程实践中运营商需要根据网络特点选择合适的经验模型，并通过实测数据对模型进行校正以拟合当地的真实无线环境。然而由于5G网络信号传播的复杂性，相关技术的模型校正方法很难实现对路径损耗的准确预测。5G网络的网络性能参数多数据量大，能够直接获取的网络性能参数的数据质量和特征表达能力较弱，并且这些网络性能参数与路径损耗之间除了具有线性关系还具有更复杂的非线性关系，对于这些问题此本公开利用特征工程对5G网络中的原始测试数据进行处理以提高数据质量和特征表达能力，再采用多元线性回归模型与深度神经网络模型相结合的双重模型思路本文档来自技高网...

【技术保护点】
1.一种无线网络信号传播路径损耗预测方法，所述方法包括：/n获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据；/n根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据；/n对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据；/n从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数；/n基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据；/n构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。/n

【技术特征摘要】
1.一种无线网络信号传播路径损耗预测方法，所述方法包括：
获取目标无线网络的网络环境数据与原始测试数据，根据所述网络环境数据与所述原始测试数据生成初始特征数据；
根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据；
对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据；
从所述关键特征数据中选取线性相关特征数据，对应于所述线性相关特征数据利用多元线性回归模型对所述目标网络路径损耗进行建模，根据所述线性相关特征数据求解所述多元线性回归模型的模型系数；
基于所述模型系数利用所述多元线性回归模型计算与所述关键特征数据对应的路径损耗预测值，根据所述关键特征数据与所述路径损耗预测值生成组合特征数据；
构建深度神经网络模型，利用所述组合特征数据对所述深度神经网络模型进行训练优化得到优化模型，利用所述优化模型对所述目标无线网络的路径损耗进行预测。


2.根据权利要求1所述的方法，其中，所述目标无线网络包括与基站天线相对应的多个网络服务小区；
所述网络环境数据包括基站天线状态信息以及多个所述网络服务小区的小区网络参数与物理环境信息；
其中，所述小区网络参数包括所述网络服务小区的小区地理位置信息、小区标识信息与小区网络状态信息；
所述物理环境信息是指所述网络服务小区中多个建筑物的地理特征数据，包括建筑物轮廓信息、建筑物高度信息以及建筑物地理位置信息；
所述原始测试数据包括与多个测试点相对应的终端地理位置信息、终端网络状态信息、终端天线状态信息以及实际路径损耗；
所述根据所述网络环境数据与所述原始测试数据生成初始特征数据，进一步包括：
根据多个所述测试点与多个所述网络服务小区的对应关系，将所述网络环境数据与多个所述测试点相应的所述原始测试数据进行匹配，得到所述初始特征数据。


3.根据权利要求2所述的方法，其中，所述根据所述初始特征数据对网络通信环境进行分析以提取确定高阶特征数据，进一步包括：
根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据；
根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据；
所述高阶特征数据包括所述工参特征数据与所述地理特征数据；
其中，所述根据所述基站天线状态信息、所述小区网络参数与所述原始测试数据确定无线网络通信的工参特征数据，进一步包括：
根据所述基站天线状态信息确定基站天线高度，根据所述终端天线状态信息确定终端天线高度，根据所述基站天线高度与所述终端天线高度确定收发端天线高度差；
根据多个所述网络服务小区的所述小区地理位置信息确定基站地理位置信息，根据所述基站地理位置信息与所述终端地理位置信息确定收发端二维距离；
根据所述收发端天线高度差与所述收发端二维距离计算确定收发端三维距离；
根据所述基站地理位置信息与所述终端地理位置信息计算确定所述终端地理位置信息相应所述测试点与所述基站天线之间的相对方位角；
以及根据所述基站天线状态信息确定基站天线下倾角；
所述工参特征数据包括所述收发端天线高度差、收发端二维距离、收发端三维距离、所述相对方位角与所述天线下倾角；
所述地理特征数据用于记录所述无线网络通信是否被建筑物遮挡，所述根据所述工参特征数据与所述物理环境数据确定无线网络通信的地理特征数据，进一步包括：
根据所述基站地理位置信息、所述终端地理位置信息、所述基站天线高度、所述终端天线高度以及所述物理环境数据，分析确定收发端之间的无线网络通信是否被建筑物遮挡。


4.根据权利要求2所述的方法，其中，所述初始特征数据与所述高阶特征数据包括分别与多项特征相对应的多个特征字段；
所述对所述初始特征数据与所述高阶特征数据进行冗余度与相关性分析，根据分析结果筛选关键特征数据，进一步包括：
根据多个特征字段对应的多项特征进行冗余度分析，将无法用于描述无线通信环境特点的特征以及具有相同物理意义的特征判定为冗余特征，删除所述冗余特征相应的特征字段；
根据所述特征字段的取值进行冗余度分析，将取值单一的所述特征字段判定为冗余特征字段，删除所述冗余特征字段；
根据所述特征字段计算确定多项所述特征与实际路径损耗之间的相关性系数，选取所述相关性系数绝对值大于预设相关阈值的所述特征作为关键特征，由所述关键特征相应的所述特征字段...

【专利技术属性】
技术研发人员：郑凤，
申请(专利权)人：北京邮电大学，
类型：发明
国别省市：北京;11