摘要：
在传统无线网络规划过程中， 受限于数据搜索条件， 对于无线网络的规划结果往往不尽如人意， 而当下无线网络传播环境的复杂性较以往也是大大增加。 但随着科学技术的发展， 近年来通过 LTE 大数据以及大数据 AI 机器学习等已经成为了助力研究无线信道传播的重要手段之一。 本文主要研究的是通过传统无线传播模型以及现有的大量数据， 通过机器学习技术训练使得得到平均信号接收率（RSRP） 有较小均方误差， 为有效建设提供帮助的同时也能够达到提高传播效率的目的。
针对任务一， 首先我们需要了解相关传输背景， 基于这些背景以及对传统传播模型的了解， 利用传统模型以及传统模型中的校正因子， 并且结合已知工程参数， 地图数据并获取通过已知数据可以求得的衍生数据， 计算数据形成一个完整体系。 并将之归纳分类为五种特征， 分别为： 已有特征， 衍生特征， 计算特征， 校正特征以及涉及特征。 对于每一部分特征都进行详细解释和阐述， 并展现了其计算公式， 通过理论分析以及运用 cost31-hata等模型对部分特征进行计算并进行合理性检验， 从完整性和方向性上构建整体特征体系。
针对任务二， 基于任务一中的特征体系， 我们对其进行是否可以通过已有数据进行计算筛选得到可达特征， 同时出于主客观性整体把握对地物类型， cost231-hata-RSRP,相对高度进行相关性分开判别。 其余特征再通过发散性分析以及相关性分析的手段对特征数据进行量化排序。 在相关性分析中， 共运用了三种特征系数计算方式， 将相关性进行量化排序。
宏观把握特征的整体表现， 微观细化特征的具体相关性。 横向比较不同系数计算方法对特征排序的影响， 纵向比较特征排序内含的不变性。 因此达到了对不同特征的相关性进行多层面分析的要求， 为后续机器学习做好了铺垫。
针对任务三， 出于选择最优模型考虑， 我们采用了考虑了单个模型以及混合模型对数据的影响， 单个模型中选取了全连接神经网络， 随机森林模型线上线下进行 RSRP 的均方误差 RMSE 的计算， 混合模型则考虑了深度神经网络联合线性回归模型， 再次进行线上线下的测试。 其中神经网络相关模型线下选择 200 万作为训练集， 100 万作为测试集； 随机森林线下选择 1100 万数据作为训练集， 所有模型线上均选择 1200 万作为测试集， 具体的RMSE 值如下所示， 其中联合模型， 因其在线下的表现已不如线下全连接神经网络而随机森林表现与全连接神经网络表现差异不明显， 因此并未对其进行线上得分评估。
关键词： 整体特征体系 多层面分析 全连接神经网络 联合模型 随机森林
A19102460049链接：https://pan.baidu.com/s/15ukFXUh2tkkzrgD8woJH5Q
提取码：jz8r