[发明专利]基于路径序列回归的短程无线信号强度预测方法

说明书

本发明公开了一种基于路径序列回归的无线信号强度预测方法，从一个小区单天线的场景下，获得小区内每个接收节点的特征值，并将所得特征形成一个特征向量作为一个接收节点的特征向量，多次构建以天线为起始点的无向连通图，并获得多条从天线到每个接收节点最短路径，每个最短路径上的节点对应的特征向量构成向量序列，将序列输入循环神经网络中进行进一步的学习并输出其状态，该状态经过一个全连接网络预测接收点信号强度。本发明的一种基于路径序列回归的无线信号强度预测方法能够通过有效的特征提取和有效的特征学习，充分利用神经网络的学习能力，达到较高精准度的预测。

技术领域

本发明涉及一种基于路径序列回归的短程无线信号强度预测方法，属于智能无线预测技术。

背景技术

随着5G技术的发展，5G应用也在不断地扩大。在5G网络的部署过程中，需要合理地选择覆盖区域的站址，从而满足接收点对5G通信质量的需求。其中，高效且精准的网络估算也是重要的环节。随着AI技术的飞速发展，AI技术在无线传播模型中得到了广泛的应用。通过合适的智能算法，可以预测无线信号在覆盖区域内的传播特性，从而对通信网络的规划进行精准估算。

人工神经网络(ANN)作为最近兴起的AI技术，其具有强大的数据拟合能力和强大的函数表示能力，并且以及具有了相当成熟的设计与调参理念。根据具体的任务和数据结构的不同，人工神经网络从原来的全连接网络，又特化成了卷积神经网络与循环神经网络，而这些网络也衍生出了具有不同特性的神经网络。将神经网络运用于无线信号强度预测，可以大大提高无线信号强度预测的精度。但是无线信号强度预测的场景实在太复杂，并且特征数量巨大，神经网络的预测效果在很大的程度上依赖于所提取的特征。因此前期的特征工程非常重要。若特征提取过于简单，无法提取到实际非常有用的特征，会给神经网络的预测效果带来较大的影响。

发明内容

发明目的：针对无线信号强度预测的特征难以提取的问题，本发明的目的是提供一种基于路径序列回归的短程无线信号强度预测方法，该方法模拟了信号的传输路径，并通过GRU对路径特征进行提取，从而使得最后进行预测的全连接神经网络可以学习到非常有效的特征并进行精准预测。

技术方案：

基于路径序列回归的短程无线信号强度预测方法，该方法包括如下步骤：

(1)对单天线场景内的小区接收点数据进行数据预处理，采用四分位距法剔除样本数据中的异常RSRP值的样本点，对于离天线距离大于有效覆盖半径的样本点视为超出基站有效范围的样本点并剔除；

(2)对预处理后的数据进行特征向量构建，采用接收节点特征向量与基站天线特征向量拼接的方式形成一条数据向量，其中接收节点特征向量包括接收节点相对于基站的空间位置向量dx，dy，dh，接收节点的所在栅格的建筑物高度向量Height，接收节点所处的地物类型向量Clutter，其中接收节点所处的地物类型采用嵌入的方式形成嵌入向量，基站天线特征向量包括天线发射信号强度向量RS_POWER，接收天线所在栅格建筑物高度向量Cell_Height，接收天线所处的地物类型向量Cell_Clutter，其中接收天线所处的地物类型采用嵌入的方式形成嵌入向量；

(3)构建特征向量序列，以天线为源点，通过随机连接邻近点，构成多张无向连通图，从无向连通图中提取多棵最短路径树，得到多条最短路径，并将最短路径上的每个节点的数据记录作为特征向量，节点的数据记为， [RS_POWER,Cell_Height,Cell_Clutter,dx,dy,dh,Height,Clutter]，再将每条最短路径上的所有节点对应的特征向量组合成特征向量序列；

(4)采用GRU结合MLP(Multi-LayerPerceptron，多层感知机)的神经网络进行预测，先将步骤(3)中所述特征向量序列输入至LSTM网络，对于LSTM网络的每一个时间步的输出，作为MLP的输入，最终MLP的输出就是当前时间步亦即当前节点所预测的RSRP值；