摘要：
本文使用赛题提供的训练数据，对数据信息进行挖掘，最终建立平均信号接收功率预测模型，在华为云平台成功部署， 排名前 3%。
本文主要完成了以下几方面的工作：
数据观察与清洗。 本文通过特征分布信息可视化、多项地图信息可视化、 计算基本统计量等方式，对数据进行了宏观观察，获取了一些先验信息。随后， 从多个角度对数据集进行筛查，发现数据集无缺失值，一致性强，但存在若干异常。对异常点进行进一步分析讨论，最终确定了若干海拔异常点，由于异常点数量与数据集数量相比较小，直接对异常值进行剔除处理。最后将清洗后的数据集做了训练集与验证集的划分。
针对问题一，本文调查了 Cost 231-Hata 模型的详细资料，并从中选取出合适的基于专家经验的特征，结合数据集的几何信息、发射机工程信息、地物类型索引等信息为数据集设计了合适的特征，并阐明了构造理由。
针对问题二，本文从传统信道模型、数据集信息、算法生成三个方面构造特征，并进行筛选。 构造过程中， 查找了多个传统信道传播模型，并选取典型有效代表，从中构造合适的特征；在数据集上构造了几何信息特征，加入发射机工程信息、地物类型索引特征；对前两种方法构造出的单一特征进行多项式变换、对数变换、指数变换，从而丰富特征集。筛选过程中，使用方差、皮尔森系数、斯皮尔曼系数等指标评价特征，并结合随机森林算法为特征重要性评估，最终对四项排名取均值，获取了特征排名。
针对问题三，我们在比较后使用了五层神经网络作为本文主要模型，使用 leakyRelu 为激活函数，并添加 BatchNormalization 层，最终在在本地获得了 9.06 的验证集误差。
最后我们对我们的模型进行了评价总结，指出了不足。
关键字： 信道建模 特征工程 机器学习
A19102690029链接：https://pan.baidu.com/s/1WwGCdooVAZLpBKpe8J27hw
提取码：e8w2