摘要：
在无线网络规划的过程中，建立高效精确的无线传播模型对目标通信覆盖区域进行信号强度估算对5G网络的部署具有重要意义。本文运用机器学习方法针对无线传播模型建模题展开研究，首先设计信号传播三维场景并完成特征设计过程，然后运用多种特征评价方法对特征与信号强度目标值的相关性进行评分和排序，最后基于构造和筛选的特征，集成前馈神经网络与梯度提升决策树建立组合模型，实现最终信号功率预.测。本模型在华为云平台线上部署运行的RMSE测试结果为9.07421,截至论文提交时排名第一。
问题一:本问题在传统无线传播模型Cost231-Hata的基础上进一步引入专家知识，将数学模拟和物理客观相结合，建立了简化的发射站和接收点的信号传播场景模型。然后，基于场景模型构造四类重要特征:
1)观察点与基站点的距离，
2)信号传播线与观察点-基站点连线夹角，
3) 信号传播途中遇到的阻挡物数量与高度等信息，
4) 小区地物类型频率统计信息等。最终在原有17种特征之外共计增加18种新特征，并通过可视化数据集中小区内信号强度分布状况与信号发射机信息直观验证构造特征的合理性。
问题二:本问题根据特征的发散性和特征与目标的相关性两个方面来进行特征筛选。特征的发散程度使用变异系数指标进行评价;特征与目标的相关性使用皮尔森相关系数和最大信息系数统计指标，以及嵌入式的特征打分模型随机森林和CatBoost进行评价。然后，基于上述五种评价方式分别对原始特征及问题一-的构造特征进行特征评分和排名，并使用五种评价指标的分数加权和作为每个特征的最终评分。最后，根据特征得分与排名信息的分析，可以验证问题一中设计的四类关键特征对于观测点信号功率的预测具有非常重要的意义。
问题三:本问题基于前馈神经网络和梯度提升决策树建立无线智能传播模型。首先，基于问题一和问题二构造和筛选的特征建立多层前馈神经网络的预测模型，同时使用并行方式叠加线性回归模型来有效捕捉较为低阶的交叉特征。此外，为弥补神经网络收敛困难且可解释性较差的缺点，我们将改进的神经网络结构与梯度提升决策树集成构建组合预测模型，从而有效地结合不同模型的优势，得到了更优异的模型性能表现。
关键词:无线传播信号预测、神经网络、梯度提升树模型、特征工程
A19100030004下载连接：链接：https://pan.baidu.com/s/1fuXTGc7g4qZ54fsT2hscBA
提取码：gml9