[发明专利]大尺度衰落的建模及估计方法、系统、设备和存储介质

权利要求书

1.一种信道大尺度衰落的建模方法，其特征在于，包括：

获取目标区域内的路径损耗参数和大尺度衰落数据，所述目标区域为若干基站共同覆盖的区域；

根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型；

根据所述路径损耗预测模型解耦所述大尺度衰落数据中的路径损耗和阴影衰落，得到阴影衰落数据；

对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中；

根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型。

2.根据权利要求1所述的信道大尺度衰落的建模方法，其特征在于，所述根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型之后，所述方法还包括：

若检测到存在集成学习失败的所述网格，对集成学习成功的所述网格的所述阴影衰落预测模型按照预设方式进行泛化，得到集成学习失败的所述网格的所述阴影衰落预测模型，其中，所述预设方式包括：筛选所述阴影衰落数据的分布最接近高斯分布的所述网格的所述阴影衰落预测模型，或者，对与集成学习失败的所述网格相邻的集成学习成功的所述网格的所述阴影衰落预测模型进行加权组合。

3.根据权利要求1或2所述的信道大尺度衰落的建模方法，其特征在于，对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中之后，所述方法还包括：

计算各个所述网格内的所述阴影衰落数据平均值；

若检测到至少一个所述网格的所述平均值超过预设阈值，重新训练所述路径损耗预测模型。

4.根据权利要求3所述的信道大尺度衰落的建模方法，其特征在于，所述路径损耗预测模型和所述阴影衰落预测模型的基模型为树模型或神经网络。

5.根据权利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述路径损耗预测模型的基模型为分类回归树CRAT时，所述根据所述路径损耗参数和所述大尺度衰落数据进行集成学习，得到路径损耗预测模型，包括：

根据所述路径损耗参数和所述大尺度衰落数据生成包含有若干个训练数据的初始路径损耗训练集，其中，所述大尺度衰落数据为所述训练数据中的训练目标；

从所述初始路径损耗训练集中有放回地抽取所述训练数据，直到抽取出的所述训练数据组成预设数量的路径损耗训练集，所述路径损耗训练集的容量与所述初始路径损耗训练集的容量相同；

利用所述路径损耗训练集分别训练所述预设数量的CRAT，得到第一随机森林模型作为所述路径损耗预测模型。

6.根据权利要求4所述的信道大尺度衰落的建模方法，其特征在于，所述阴影衰落预测模型的基模型为CRAT时，所述根据各个所述网格内的所述阴影衰落数据进行集成学习，得到各个所述网格的阴影衰落预测模型，包括：

依次选取一个所述基站作为目标基站，将各个所述网格中所述目标基站的所述阴影衰落数据作为训练目标，为每个所述网格生成一个基于所述目标基站的阴影衰落训练集；

利用对应于同一个所述网格的所述阴影衰落训练集分别训练第二预设数量的CRAT，得到第二随机森林模型作为相应网格的所述阴影衰落预测模型，所述第二预设数量为所述基站的总数量。

7.根据权利要求1所述的信道大尺度衰落的建模方法，其特征在于，所述对所述目标区域进行网格化，得到若干个网格并将所述阴影衰落数据划分到相应的所述网格中，包括：

按照预设的网格形状对所述目标区域进行划分，得到若干个所述网格；

确定所述阴影衰落数据对应的用户终端在所述目标区域中的位置；

将所述位置所属的所述网格确定为所述阴影衰落数据所属的所述网格。