基于机器学习的复杂环境下路径损耗快速预测模型制造技术

本发明专利技术公开了基于机器学习的复杂环境下路径损耗快速预测模型，通过建立网络环境中用户路径数据库；当用于处于该网络环境中时，用户路径数据库根据检测到的用户路径预测用户即将到达的下一矩阵点；系统调整下一矩阵点对应网络基站的传输参数，使下一矩阵点的传输参数以最低基站总功率进行传输。本发明专利技术首先通过对用户路径的大数据分析，建立用户路径数据库，然后实时获取用户的路径信息，并根据获取的路径信息预测用户的下一位置，继而调整即将到达之处的基站工作状态，使基站以最优功率进行工作。本发明专利技术的网络环境包括模拟环境和实测数据，所测得数据准确可靠，通过两种方式相结合，能够降低路测工作量。能够降低路测工作量。能够降低路测工作量。

【技术实现步骤摘要】
基于机器学习的复杂环境下路径损耗快速预测模型


[0001]本专利技术涉及5G基站传输优化方法
，具体涉及基于机器学习的复杂环境下路径损耗快速预测模型。

技术介绍

[0002]由于5G自身传输特性的限制，如果需要达到传统4G网络的覆盖程度，那么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。再者，5G基站的能耗巨大。单个5G基站的能耗约为4G基站的3倍，这就大大增加了5G基站的运营成本。
[0003]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。
[0004]考虑到上述运用成本的增加，在工程实践中就需要根据5G用户的实际需求对网络进行优化及快速预测，改变传统的广域连续覆盖方式。

技术实现思路

[0005]为解决现有技术中的不足，本专利技术提供基于机器学习的复杂环境下路径损耗快速预测模型。
[0006]为了实现上述目标，本专利技术采用如下技术方案：
[0007]基于机器学习的复杂环境下路径损耗快速预测模型：包含以下步骤：
[0008]S1：获取单个网络基站的传输参数及该种网路基站所组成网络环境中的配置参数；
[0009]S2：获取网络环境中的干扰条件，并根据该干扰条件将各个网络基站的配置参数调整至使整个网络环境中的传输参数处于最佳状态，干扰条件包括影响信号传输的人工建筑信息及自然环境信息；
[0010]S3：选取网络环境中的若干矩阵点作为测试点，获取各个矩阵点处的路测数据；
[0011]S4：将路测数据与S2中最佳状态下的传输参数进行差值分析，并对相应矩阵点的差值进行排序；
[0012]S5：选取S4中差值较大矩阵点，分析对比该矩阵点相邻方向四个矩阵点的路测数据；
[0013]S6：将各个点的路测数据进行拟合，继而建立网络环境中任意矩阵点路径的路测数据的变化量的预测模型；
[0014]S7：建立网络环境中用户路径数据库；
[0015]S8：当用于处于该网络环境中时，用户路径数据库根据检测到的用户路径预测用户即将到达的下一矩阵点；
[0016]S9；系统调整下一矩阵点对应网络基站的传输参数，使下一矩阵点的传输参数以
最低基站总功率进行传输。
[0017]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：S1中，单个网络基站的传输参数包括下行带宽、工作频段、峰值谱频率及MIMO流数。
[0018]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：配置参数包括组成网络中各个网络基站的传输参数及各个网络基站的天线方位角、机械下倾角、电子下倾角、挂高、经纬度。
[0019]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：S4中采用蚁群算法对传输参数进行差值分析，采用K
‑
means均值聚类算法对相应矩阵点的差值进行排序。
[0020]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：S6中，采用最小二乘法进行数据拟合。
[0021]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：S7中，用户路径数据库包含以下步骤：
[0022]S71：通过基站定位的方式获取用户坐标，并标记用户坐标对应的时间点；
[0023]S72：将同一用户的顺序时间点进行连接；
[0024]S72：剔除异常数据。
[0025]优选，前述的基于机器学习的复杂环境下路径损耗快速预测模型：S9中，最低基站总功率是指在保证最低网络传输速率的前提下，所有向该矩阵点发射传输数据的功率总和。
[0026]本专利技术所达到的有益效果：
[0027]本专利技术首先通过对用户路径的大数据分析，建立用户路径数据库，然后实时获取用户的路径信息，并根据获取的路径信息预测用户的下一位置，继而调整即将到达之处的基站工作状态，使基站以最优功率进行工作。
[0028]再者，本专利技术的网络环境包括模拟环境和实测数据，所测得数据准确可靠，通过两种方式相结合，能够降低路测工作量。
附图说明
[0029]图1是本专利技术的总体流程图。
具体实施方式
[0030]下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。
[0031]如图1所示：本实施例公开了基于机器学习的复杂环境下路径损耗快速预测模型：包含以下步骤：
[0032]S1：获取单个网络基站的传输参数及该种网路基站所组成网络环境中的配置参数；其中，单个网络基站的传输参数包括下行带宽、工作频段、峰值谱频率及MIMO流数。配置参数包括组成网络中各个网络基站的传输参数及各个网络基站的天线方位角、机械下倾角、电子下倾角、挂高、经纬度。
[0033]S2：获取网络环境中的干扰条件，并根据该干扰条件将各个网络基站的配置参数调整至使整个网络环境中的传输参数处于最佳状态，干扰条件包括影响信号传输的人工建
筑信息及自然环境信息，其中人工建筑信息包括建筑物分布及建筑物的几何尺寸，自然环境信息主要指高山等对信号传输影响较大的物体。
[0034]上述S1和S2中的数据可以理解为理论数据，通过该数据可对网络基站的配置参数进行优化。
[0035]S3：选取网络环境中的若干矩阵点作为测试点，获取各个矩阵点处的路测数据；即对测试环境进行网格划分，划分可采用100*100M的方式进行划分，也可以采用其他尺寸精度进行网格划分。
[0036]S4：然后将路测数据与S2中最佳状态下的传输参数进行差值分析，差值分析最好采用蚁群算法进行分析；然后采用K
‑
means均值聚类算法对相应矩阵点的差值进行排序。并对相应矩阵点的差值进行排序；在分析之前需要剔除原始数据中的异常数据点。
[0037]S5：选取S4中差值较大矩阵点，分析对比该矩阵点相邻方向四个矩阵点的路测数据；
[0038]S6：将各个点的路测数据进行拟合，继而建立网络环境中任意矩阵点路径的路测数据的变化量的预测模型；拟合方式可采用最小二乘法进行实现。通过
[0039]S7：建立网络环境中用户路径数据库；用户数据库可通过以下方式获取：基站定位的方式获取用户坐标，并标记用户坐标对应的时间点，将同一用户的顺序时间点进行连接，剔除异常数据。也就是根据基站定位的方式获取用户最可能行走的路线，该路线通常是规划好的铺装路面。这样在进行基站建设时，就可以对人流密集的地方对配置基站，对于人迹罕至的区域少配置基站。
[0040]S8：当用于处于该网络环境中时，用户路径数据库根据检测到的用户路径预测用户即将到达的下一矩阵点，该处采用上一步骤中大数据的分析策略。
[0041]S9：系统调整下一矩阵点对应网络基站的传本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的复杂环境下路径损耗快速预测模型，其特征在于：包含以下步骤：S1：获取单个网络基站的传输参数及该种网路基站所组成网络环境中的配置参数；S2：获取网络环境中的干扰条件，并根据该干扰条件将各个网络基站的配置参数调整至使整个网络环境中的传输参数处于最佳状态，所述干扰条件包括影响信号传输的人工建筑信息及自然环境信息；S3：选取网络环境中的若干矩阵点作为测试点，获取各个矩阵点处的路测数据；S4：将路测数据与S2中最佳状态下的传输参数进行差值分析，并对相应矩阵点的差值进行排序；S5：选取S4中差值较大矩阵点，分析对比该矩阵点相邻方向四个矩阵点的路测数据；S6：将各个点的路测数据进行拟合，继而建立网络环境中任意矩阵点路径的路测数据的变化量的预测模型；S7：建立网络环境中用户路径数据库；S8：当用于处于该网络环境中时，用户路径数据库根据检测到的用户路径预测用户即将到达的下一矩阵点；S9；系统调整下一矩阵点对应网络基站的传输参数，使下一矩阵点的传输参数以最低基站总功率进行传输。2.根据权利要求1所述的基于机器学习的复杂环境下路径损耗快速预测模型，其特征在于：S1中，单个网络基站的传输参数包括下...

【专利技术属性】
技术研发人员：高塬，卢业勤，
申请(专利权)人：苏州星伦物联信息科技有限公司，
类型：发明
国别省市：