傳統(tǒng)的無線傳播模型通常需要根據(jù)經(jīng)驗(yàn)?zāi)Ｐ蛯?duì)傳播場(chǎng)景進(jìn)行劃分。為了解決其在實(shí)際應(yīng)用中不夠精確的問題,通過在大量工程參數(shù)中設(shè)計(jì)并選用合適的特征參數(shù)作為模型輸入,構(gòu)建基于機(jī)器學(xué)習(xí)方法 XGBoost的無線傳播預(yù)測(cè)模型,實(shí)現(xiàn)新環(huán)境下無線信號(hào)覆蓋強(qiáng)度的準(zhǔn)確預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明,該模型相較于基于長(zhǎng)短記憶網(wǎng)絡(luò)（LSTM）、線性回歸方法,預(yù)測(cè)均方根誤差最小,為9.101。該方法在預(yù)測(cè)精度和模型魯棒性上都較好,對(duì)在不同場(chǎng)景下的信道傳播路徑損耗進(jìn)行準(zhǔn)確預(yù)測(cè)具有重要意義。 

【文章來源】：軟件導(dǎo)刊. 2020,19(08)

【文章頁數(shù)】：5 頁

【部分圖文】：

五折交叉驗(yàn)證表1特征子集

軟件導(dǎo)刊2020年在確定一棵樹的過程中，可以選擇不同參數(shù)，進(jìn)行xgboost的正則化參數(shù)調(diào)優(yōu)（lambda，alpha）。這些參數(shù)可以降低模型復(fù)雜度，從而提高模型表現(xiàn)，最后降低學(xué)習(xí)速率，確定理想?yún)?shù)。最終參數(shù)為樹的深度、學(xué)習(xí)速率、迭代次數(shù)和損失函數(shù)（max_depth=6，learning_rate=0.01，n_estimators=160，objective=“reg：logistic”）。在新的小區(qū)環(huán)境下可以調(diào)用保存的模型直接預(yù)測(cè)RSRP值。圖2本文算法流程2.4實(shí)驗(yàn)結(jié)果與分析本文數(shù)據(jù)集需要先自行處理和劃分，然后將其應(yīng)用于算法模型訓(xùn)練及預(yù)測(cè)。最終清洗得到38萬條數(shù)據(jù)，對(duì)其進(jìn)行可視化，結(jié)果如表4所示�？梢钥闯�，距離的標(biāo)準(zhǔn)差最大，距離值震蕩最大。每個(gè)小區(qū)內(nèi)的參數(shù)大多數(shù)都相同，不同小區(qū)數(shù)據(jù)集之間才會(huì)有很大差異，因此通過觀察這些參數(shù)特征，直觀上距離是主要影響因素。本文將在兩個(gè)新的小區(qū)112501和115001預(yù)測(cè)RSRP，編號(hào)112501小區(qū)測(cè)試集有4548個(gè)樣本，編號(hào)115001小區(qū)測(cè)試集4463個(gè)樣本。表4各特征參數(shù)可視化與指標(biāo)特征編號(hào)f0f1f2f3f4f5f6f7f8f9字段名稱HeightDistanceRS_PowerCell_Building_HeightCell_AltitudeBuilding_HeightAltitudeAzimuthCell_Clutter_IndexClutter_Index均值（mean）23.43851.4511.26.3502.1116.86502.27174.126.687.31標(biāo)準(zhǔn)差（std）9.781270.262.4511.5210.3726.510.67103.213.133.48最大值（max）655000.7418.2985504805613601818最小值（min）003.2047400022本文基于XGBoost算法模型的特征提取如圖3所

f8f9字段名稱HeightDistanceRS_PowerCell_Building_HeightCell_AltitudeBuilding_HeightAltitudeAzimuthCell_Clutter_IndexClutter_Index均值（mean）23.43851.4511.26.3502.1116.86502.27174.126.687.31標(biāo)準(zhǔn)差（std）9.781270.262.4511.5210.3726.510.67103.213.133.48最大值（max）655000.7418.2985504805613601818最小值（min）003.2047400022本文基于XGBoost算法模型的特征提取如圖3所示。圖中f0~f9代表依次輸入到表中的特征參數(shù)（如表4所示），條形圖上的數(shù)據(jù)代表重要特征個(gè)數(shù)。由圖3可以看出，距離（Distance）是影響RSRP預(yù)測(cè)的主要因素，這與當(dāng)初預(yù)想的相同。此外，兩個(gè)小區(qū)預(yù)測(cè)后表現(xiàn)的特征重要性先后順序沒變，可以看出本文模型較穩(wěn)定，不會(huì)劇烈變化，由此可以推斷該模型泛化能力和準(zhǔn)確率均較好。為驗(yàn)證基于XGBoost的無線信號(hào)預(yù)測(cè)模型有更好的泛化性能和在預(yù)測(cè)結(jié)果上的優(yōu)勢(shì)，本文采用線性回歸［19］和基于LSTM方法［20］進(jìn)行對(duì)比。線性回歸就是擬合一個(gè)線性函數(shù)，傳統(tǒng)的線性回歸會(huì)受因子多樣性和不確定性影響，大量數(shù)據(jù)下表現(xiàn)不佳。而LSTM可以模擬數(shù)據(jù)之間的依賴關(guān)系，本文特征之間沒有特別的時(shí)序關(guān)系，故效果會(huì)存在局限。本文在清洗出的相同數(shù)據(jù)集上進(jìn)行訓(xùn)練測(cè)試，在表4中對(duì)比了LSTM、線性回歸、本文使用的XGBoost模型3種方法的RMSE。結(jié)果表明，本文使用的XGBoost在不同交叉驗(yàn)證迭代上的訓(xùn)練集的RMSE均最優(yōu)。本文XGBoost在所有網(wǎng)絡(luò)結(jié)構(gòu)中表現(xiàn)最好，因?yàn)楸疚木W(wǎng)絡(luò)結(jié)構(gòu)能夠更好地決策出比較重要的特征


本文編號(hào)：3006504