摘要：
由于电磁信号在传播过程中容易受到多方干扰， 极易发生透射、 绕射、 散射、 反射、折射等情况， 信号在传播过程中将会大量损耗， 急需优质模型来辅助无线网络建设。 本文通过对工程数据的深度挖掘与分析， 针对 5G 技术下的无线信道建模问题， 设计并提出了高效的无线智能传播预测模型。
针对问题一， 通过分析现有数据， 调研并理解 Cost 231-HATA 模型的原理及应用场景，并在算法调研中受到传统传播模型的启发， 针对基站的空间位置信息设计出更为合理的特征。 随后， 通过对原有数据集进行统计分析、 异常点检测， 决定保留或构造如下特征： 基站栅格与用户栅格的相对距离， 小区发射机相对地面高度， 小区发射机水平方向角， 小区发射机垂直电下倾角， 小区发射机垂直机械下倾角， 小区发射机中心频率， 小区发射机发射功率， 基站真实海拔高度， 基站与用户的真实海拔高度差， 小区用户所在栅格地物类型索引以及基站所在栅格地物类型索引。
针对问题二， 有效的数据和特征能给模型提供更高上限， 所以对数据进行特征筛选就尤为重要。 首先使用 LightGBM 模型量化各个特征对于平均信号接收功率 RSRP 的重要性；随后， 在统计意义上选择使用 Pearson 相关系数计算特征与 RSRP 的相关性； 同时， 还考虑到特征内的方差。 通过实验可以观察到， 在这三种维度下， 各特征相关性程度排序基本一致， 最终得出结论， 用户与基站距离、 用户与基站的高度差是最为突出的重要特征， 而小区发射机中心频率几乎可以忽略不计， 其他特征重要性排序详见正文。
针对问题三， 在设计和筛选了有效特征之后， 需要利用更深层的 AI 模型对无限传播模型建模。 我们分别选择了三种建模方法——全连接神经网络（DNN） 、 卷积神经网络（CNN）和 LightGBM。 DNN 网络基于感知机理论， 经过多层全连接后可以回归出 RSRP 值； CNN 网络经过卷积操作对数据进行回归， 实验探索了针对无线传播场景， 基于 Network In Network，ResNet， GoogleNet 三种经典结构设计的多种模型； 最后使用 LightGBM 模型进行数据回归。 经过三个版本的模型结果对比可以发现， LightGBM 取得的结果不仅在 RMSE、 PCRR 等指标上最优， 预测出的 RSRP 分布还十分接近真实值的分布； 而基于 ResNet 的 CNN 效果优良， 易于部署上线， 取得了不错的效果。
关键字： 特征提取 特征选择 平均信号接收功率 RSRP LightGBM CNN PCRRRMSE
A19103580027链接：https://pan.baidu.com/s/10FBRurxWIIbq0ZIObn-01w
提取码：lwh2