摘要：
2019 年 6 月，工信部正式向中国电信、中国移动、中国联通、中国广电发放 5G 商用牌照，标志着中国的 5G 商用元年正式到来，无线电波通信技术将在未来几年迎来前所未有的高速发展。为更好地满足用户不断增长与丰富的的市场需求，运营商需要部署大量基站来提高无线电波传播质量，而准确、高效的网络估算对于精确的 5G 网络部署有着非常重要的意义。
本文以观测点的平均信号接收功率（RSRP）的 PCRR 及 RMSE 指标为优化目标，旨在准确预测观测点的 RSRP 值。针对这一预测类优化问题，本文从模型分析和数据分析的角度对特征进行提取，并基于这些特征先后建立两个神经网络网络。问题一本质上是模型分析任务。首先，运用文献综述法，针对关无线电波传播的 36个模型的特点及适用范围进行汇总分析，学习其特征及特征引入方式；其次，重点研究了Okumura-Hata 模型、 Cost 231-Hata 模型、 SPM 模型，对变量公式及各项参数的选择条件进行剖析，分析其作为模型训练特征矫正项的可能性；最后，对比已有变量名与三种经典统计模型特征变量，选取具有共性且合理的特征（链路距离、基站发射机绝对高度、观测点绝对高度、载波频率、场景纠正） 作为我们模型的备选特征。
问题二本质上是数据分析任务。首先，对题目提供的 12011833 条数据的数据集进行数据清洗与可视化处理；其次，通过重复随机抽样、取平均值的方式，对 16 个变量进行因子分析，得到 6 个解释性极佳的因子，并基于因子分析结果对对变量进行组合与转化；最后，基于已有变量组合和无线电波的传播特性，提取数据中有效统计特征（波频影响因子、自由空间的距离损耗、观测点密度损耗、建筑物密度损耗、平均建筑物高度影响因子、平1均地形影响因子、直射因子、反射因子、散射因子、绕射因子、经典统计模型模型损耗校正项），并通过 Pearson 相关系数、 Kendall 相关系数、 Spearman 相关系数测试其余 RSRP值的相关性，经过显著性筛选最终得到 19 个有效特征。
问题三本质上是工程实践任务。首先，本文在线下通过单 GBDT 模型对上述特征尝试进行了训练与线下指标评估，取得了 9.1276 的线下 RMSE。其次，由于传统 GBDT 模型并不能很好拟合出本问题的目标。本文用 GBDT 的预测输出与经验特征、原始数据特征、统计特征进行了融合，作为多层神经网络的输入，进行融合模型的训练，它会把 PCRR 和RMSE 两个指标同时作为优化目标，进行多目标学习，整体预测无线电波信号强度。最终，本文建立的基于 AI 的无线电波信号强度预测模型， 在线下取得了 22.5834% 的 PCRR 值和 8.5807 的 RMSE，并在华为云 ModelArts 平台也取得了优异的成绩。
在研究过程中，我们还发现，传统经验模型的特征对模型帮助不大，原始数据中的位置特征和统计特征对模型帮助很大，而特征中变量的最优组合方式仍有待深入研究。
关键字： 无线智能传播 特征工程 多目标融合模型 神经网络 TensorFlow
A19100270008链接：https://pan.baidu.com/s/1M8WNPWBIdohQocO5z0fXAQ
提取码：1hkx