CN112118596B - 基于路径序列回归的短程无线信号强度预测方法 - Google Patents

Abstract

本发明公开了一种基于路径序列回归的无线信号强度预测方法，从一个小区单天线的场景下，获得小区内每个接收节点的特征值，并将所得特征形成一个特征向量作为一个接收节点的特征向量，多次构建以天线为起始点的无向连通图，并获得多条从天线到每个接收节点最短路径，每个最短路径上的节点对应的特征向量构成向量序列，将序列输入循环神经网络中进行进一步的学习并输出其状态，该状态经过一个全连接网络预测接收点信号强度。本发明的一种基于路径序列回归的无线信号强度预测方法能够通过有效的特征提取和有效的特征学习，充分利用神经网络的学习能力，达到较高精准度的预测。

Description

基于路径序列回归的短程无线信号强度预测方法

技术领域

本发明涉及一种基于路径序列回归的短程无线信号强度预测方法，属于智能无线预测技术。

背景技术

随着5G技术的发展，5G应用也在不断地扩大。在5G网络的部署过程中，需要合理地选择覆盖区域的站址，从而满足接收点对5G通信质量的需求。其中，高效且精准的网络估算也是重要的环节。随着AI技术的飞速发展，AI技术在无线传播模型中得到了广泛的应用。通过合适的智能算法，可以预测无线信号在覆盖区域内的传播特性，从而对通信网络的规划进行精准估算。

人工神经网络(ANN)作为最近兴起的AI技术，其具有强大的数据拟合能力和强大的函数表示能力，并且以及具有了相当成熟的设计与调参理念。根据具体的任务和数据结构的不同，人工神经网络从原来的全连接网络，又特化成了卷积神经网络与循环神经网络，而这些网络也衍生出了具有不同特性的神经网络。将神经网络运用于无线信号强度预测，可以大大提高无线信号强度预测的精度。但是无线信号强度预测的场景实在太复杂，并且特征数量巨大，神经网络的预测效果在很大的程度上依赖于所提取的特征。因此前期的特征工程非常重要。若特征提取过于简单，无法提取到实际非常有用的特征，会给神经网络的预测效果带来较大的影响。

发明内容

发明目的：针对无线信号强度预测的特征难以提取的问题，本发明的目的是提供一种基于路径序列回归的短程无线信号强度预测方法，该方法模拟了信号的传输路径，并通过GRU对路径特征进行提取，从而使得最后进行预测的全连接神经网络可以学习到非常有效的特征并进行精准预测。

技术方案：

基于路径序列回归的短程无线信号强度预测方法，该方法包括如下步骤：

(1)对单天线场景内的小区接收点数据进行数据预处理，采用四分位距法剔除样本数据中的异常RSRP值的样本点，对于离天线距离大于有效覆盖半径的样本点视为超出基站有效范围的样本点并剔除；

(2)对预处理后的数据进行特征向量构建，采用接收节点特征向量与基站天线特征向量拼接的方式形成一条数据向量，其中接收节点特征向量包括接收节点相对于基站的空间位置向量dx，dy，dh，接收节点的所在栅格的建筑物高度向量Height，接收节点所处的地物类型向量Clutter，其中接收节点所处的地物类型采用嵌入的方式形成嵌入向量，基站天线特征向量包括天线发射信号强度向量RS_POWER，接收天线所在栅格建筑物高度向量Cell_Height，接收天线所处的地物类型向量Cell_Clutter，其中接收天线所处的地物类型采用嵌入的方式形成嵌入向量；

(3)构建特征向量序列，以天线为源点，通过随机连接邻近点，构成多张无向连通图，从无向连通图中提取多棵最短路径树，得到多条最短路径，并将最短路径上的每个节点的数据记录作为特征向量，节点的数据记为， [RS_POWER,Cell_Height,Cell_Clutter,dx,dy,dh,Height,Clutter]，再将每条最短路径上的所有节点对应的特征向量组合成特征向量序列；

(4)采用GRU结合MLP(Multi-LayerPerceptron，多层感知机)的神经网络进行预测，先将步骤(3)中所述特征向量序列输入至LSTM网络，对于LSTM网络的每一个时间步的输出，作为MLP的输入，最终MLP的输出就是当前时间步亦即当前节点所预测的RSRP值；

(5)采用平方误差损失函数，对原网络进行反向传播求得网络参数的梯度并采用梯度下降对原网络参数更新从而进行网络参数的优化以减小平方误差损失函数。

进一步地，四分位距法剔除样本数据中的异常RSRP值的样本点具体为：计算单个小区中所有测量接收点的第一四分位数Q₁，与第三四分位数Q₃，第一四分位数是等于该小区样本中所有RSRP值由小到大排列后第25％的数字，第三四分位数等于该样本中所有RSRP值由小到大排列后第75％的数字，在RSRP值由小到大排列的样本中，第一四分位数的索引L₁，与第三四分位数的索引L₃，按如下公式计算：

其中，n为单个小区样本总数，如果L₁不是整数则取L₁与L₁+1的平均数，若平均数仍不是整数则取小于L₁的最大整数,同理L₃也是如此，L₁与L₃的序号所对应的RSRP 值就是Q₁与Q₃；

得出Q₁与Q₃后，计算四分位距，即IRQ＝Q₃-Q₁，则筛选RSRP值的范围是 [Q₁-1.5×IRQ,Q₃+1.5×IRQ]，对于RSRP值不位于此范围内的样本点则视为异常样本点剔除。

进一步地，有效覆盖半径为1.5km。

进一步地，所述步骤(4)中的神经网络预测，首先是采用GRU进行向量序列的特征学习，序列中每一个特征向量都会对应输出学习状态并作为MLP网络的输入，MLP 网络对GRU输出的学习状态进行学习，并预测出当前学习状态下，亦即当前位置的节点的RSRP值。

进一步地，平方误差损失函数为：

其中Predict是某一节点在多条最短路径上所得预测RSRP值的平均预测值。

有益效果：与现有技术相比，本发明的优点在于：使用本发明所涉及的无线信号强度预测方法，能够模拟出信号从天线发送到接收点的信号传输过程中的传播途径，并提取传播途径的特征，并采用GRU进行进一步的特征学习，最后采用MLP进行无线信号强度RSRP的预测。因此，本发明能够通过有效的特征提取和有效的特征学习，充分利用神经网络的学习能力，达到较高精准度的预测，最后预测的均方根误差为10.3dB。

附图说明

图1为基于路径序列回归的短程无线信号强度预测方法；

图2为为本发明实施例中GRU内部结构示意图；

图3(a)为发明实施例中随机无向连通图构建示意图一，图3(b)为发明实施例中随机无向连通图构建示意图二；

图4为本发明实施例中GRU网络与MLP网络结合的结构示意图。

图5为本发明实施例中模型迭代收敛示意图。

具体实施方式

下面结合附图对本发明作进一步说明：

本发明公开了一种基于路径序列回归的无线信号强度预测方法，其基于随机无向连通图与最短路径树构建从发射节点到接收节点的可能路径，通过数据训练，由BP(BackPropagation)神经网络与循环神经网络GRU(Gated Recurrent Unit，门控循环单元) 学习各种可能传播路径的特征，能够对小区基站覆盖范围内的接收点处的信号RSRP(Reference Signal Receiving Power，参考信号接收功率)值以及弱覆盖区域进行精确的预测。该方法包括：从一个小区单天线的场景下，获得小区内每个接收节点的特征值，包括接收节点相对于发射天线的空间三维坐标，节点周围的建筑物高度，节点处的地物类型，以及节点的接收信号强度RSRP，并将所得特征形成一个特征向量作为一个接收节点的特征向量。多次构建以天线为起始点的无向连通图，并获得多条从天线到每个接收节点最短路径，每个最短路径上的节点对应的特征向量构成向量序列，将序列输入循环神经网络(GRU)中进行进一步的学习并输出其状态，该状态经过一个全连接网络预测接收点信号强度(RSRP)，通过此模型架构采用所得数据训练并进行预测所得的均方根误差为10.3dB。

如图1所示，对单天线场景内的小区接收点数据进行数据预处理与特征设计。在数据预处理中，首先剔除含有缺省值的样本，然后通过四分位距法，检测样本中的异常的RSRP值，剔除异常样本，并剔除离天线距离大于1.5km的样本(这里假设单天线场景下天线的有效覆盖半径是1.5km)。

在采用四分位距法去除异常的RSRP值得样本点实施中，计算单个小区中所有测量接收点的第一四分位数Q₁，与第三四分位数Q₃。第一四分位数是等于该小区样本中所有RSRP值由小到大排列后第25％的数字，同理第三四分位数等于该样本中所有RSRP值由小到大排列后第75％的数字。在RSRP值由小到大排列的样本中，第一四分位数的索引L₁，与第三四分位数的索引L₃按如下公式计算：

其中，n为单个小区样本总数，如果L₁不是整数则取L₁与L₁+1的平均数，若平均数仍不是整数则取小于L₁的最大整数,同理L₃也是如此，L₁与L₃的序号所对应的RSRP 值就是Q₁与Q₃。

得出Q₁与Q₃后，计算四分位距，即IRQ＝Q₃-Q₁。则筛选RSRP值的范围是 [Q₁-1.5×IRQ,Q₃+1.5×IRQ]对于RSRP值不位于此范围内的样本点则视为异常样本点剔除。

对于与天线直线距离过大的样本点的剔除则是先计算样本点到天线的距离即：

其中Cell X，CellY分别是小区发射天线所属的栅格位置的下x，y坐标；X，Y是接收点处的x，y坐标。CellAltitude是小区发射天线所在栅格(Cell X,CellY)的海拔高度；Height 是接收节点的所在栅格的建筑物高度；Altitude是接收节点处的海拔高度。

对于distance大于1.5(km)的样本点视为超出天线有效范围的样本点并剔除。

在特征设计实施中，基站的设计特征包括：天线发射信号强度RS_POWER，接收天线所在栅格建筑物高度Cell_Height，以及基站处的地物类型Cell_Clutter。接收点的设计特征包括：接收点在基站坐标系下的空间位置(dx,dy,dh)，计算方式如下：

先对原坐标系进行转换，在原坐标系将原点移到发射端天线，并将坐标系沿着Z轴(垂直地面的高度轴)顺时针旋转将Y轴转到水平方位角方向，并沿着X轴顺时针旋转下倾角(机械下倾角+电子下倾角)角度。并计算新坐标系中，某一非天线节点(X，Y)相对于发射端天线的位置偏移：

dx＝(X-Cell X)×cos(Azimuth)-(Y-Cell Y)×sin(Azimuth)

dy＝(Y-Cell Y)×cos(decline_ang)-(X-Cell X)×sin(decline_ang))

其中，Azimuth是方位角，decline_ang取值是天线机械下倾角和天线电子下倾角之和，亦即：

Mechanical_Downtil+Electrical_Downtil。

而dh计算方式如下：

(Altitude-Height-Cell Altitude-1.5+distance_level×tan(decline_ang))×cos(decline_ang)

其中

其余接收点特征为接收点处所在栅格的建筑高度Height，接收点处的地物类型Clutter；将基站特征与接收点特征进行拼接形成特征向量 [RS_POWER,Cell_Height,Cell_Clutter,dx,dy,dh,Height,Clutter]，其中Cell_Clutter与Clutter 会被映射成为嵌入向量，设嵌入向量为V1与V2，则原向量表示为 [RS_POWER,Cell_Height,V1,dx,dy,dh,Height,V2]，嵌入向量会作为网络的参数在反向传播时随着梯度一起优化。

(2)进行路径序列特征的获取，考虑到接收点的RSRP值不仅与基站本身的特征属性如功率、发射角度等有关，同时与基站到接收点的传播路径上所经历地物类型、海拔变化等有关，并且在基站信号的实际传递过程中将历经一系列反射与折射变化，导致预测RSRP值成为相当复杂的问题。为了简化问题，本专利假设了一种基站到接收点的信号传播过程，即基站向邻近接收点发送信号，再经由邻近接收点向其他接收点转送信号，如此信号扩散，直到所有接收点都能收到信号。此时，信号传播过程可以表示为连通图上的扩散过程，接收点的信号将依赖从基站到接收点所有可能路径上的全部特征。为了进一步简化问题，本文的方法通过随机连接邻近点，构成多张无向连通图，提取多棵最短路径树，再经由多路平均集成，来获得接收点的RSRP值。在此假设下，单点上的RSRP值预测可以转化为路径上的RSRP值回归。构建随机无向连通图过程如图3(a) 和图3(b)所示：

左右为相同的几个接收点，采用随机的方式生成了不同的无向图。主要流程如下：第一个接收点为基站，从基站附近的点选出最近的n个点，然后从这n个接收点中随机选出k个点，让这k个点向外发散，同样的随机选出距离这些点最近的n个点中的k个点，然后让这n个点继续向外发散，直到遍历了所有接收点才算结束。在发散过程中，已经走过的路径不会再次进行发散，避免重复和循环作业。

无向图构建完成后需要确定每个接收点到基站的最短路径，且该路径不能出现闭环等问题，经过思考，认为可以将无向图转化为最短路径树来解决，最短路径树是网络的源点到所有结点的最短路径构成的树。以一个接收点即基站为根，然后根接收点到其他所有点的距离最短，然后形成了一棵树，把不必要的边删除，在求一个点到其他点的距离的时候就已经会把根接收点到其他所有点的最短距离求出来了，只是不确定是哪些边构成的。先用Dijastra算法对所有接收点求一遍到基站的最优路径得出了基站到其他接收点的距离，然后沿着Dijastra算法得出的各路径通过深度优先算法对各点进行遍历，如果两点的最优路径之差等于两点之间无向图上连通的距离，说明这条边可以充当最短路径树上的边，换上并且没有影响，深度优先遍历后便可得到最短路径树。并从多个无向连通图中的多棵最短路径树中提取多个最短路径，路径中单个节点映射位(1)中的向量，每个路径可以映射成为(1)中向量组成的向量序列；

(3)用(2)中所确定的特征作为GRU网络与MLP网络的结合网络的输入，网络最终的输出为各接收点的RSRP值。如附图4所示，在GRU的使用时，一般定义其初始状态h0为0，但是在RSRP预测问题中，可以将初始状态h0随机初始化，并作为网络的参数一同训练。通过观察训练样本发现，序列长度较长的可以达到200左右，而普通RNN具有长期依赖问题，长期依赖问题是指当前系统的状态，可能受很长时间之前系统状态的影响，是RNN中无法解决的一个问题。长期依赖问题主要产生于长序列，这对小区中距离基站较远的偏远地区信号弱覆盖区接收点的RSRP值的预测非常不利。为了避免这个问题，使用RNN的进阶版本GRU进行预测。GRU是LSTM网络的一种效果很好的变体，它较LSTM网络的结构更加简单，而且效果也很好，是当前非常流形的一种网络。LSTM中引入了三个门函数：输入门、遗忘门和输出门来控制输入值、记忆值和输出值，LSTM模型便可以很好的解决RNN模型的长期依赖问题。GRU是 LSTM的变体，可以解决RNN网络中的长依赖问题。而在GRU模型中只有两个门：分别是更新门和重置门。具体结构如附图2所示，其中，z是更新门，r是复位门，

是 GRU单元当前时间步的隐状态，h是GRU单元当前时间步的输出。

(4)采用平方误差损失函数亦即，

其中Predict是某一节点在多条最短路径上所得预测RSRP值的平均预测值。

对原网络进行反向传播求得网络参数的梯度并采用梯度下降对原网络参数更新从而进行网络参数的优化以减小平方误差损失函数。

如附图5所示为网络的训练过程，可以看出网络是在不断收敛的,网络的平方误差损失最终收敛于100dB，并在100dB上下振荡。将该模型最终的训练参数应用到测试集，发现测试集预测的RSRP值均方根误差是10.3dB。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.基于路径序列回归的短程无线信号强度预测方法，其特征在于：该方法包括如下步骤：

(1)对单天线场景内的小区接收点数据进行数据预处理，采用四分位距法剔除样本数据中的异常RSRP值的样本点，对于离天线距离大于有效覆盖半径的样本点视为超出基站有效范围的样本点并剔除；

所述四分位距法剔除样本数据中的异常RSRP值的样本点具体为：计算单个小区中所有测量接收点的第一四分位数Q₁，与第三四分位数Q₃，第一四分位数是等于该小区样本中所有RSRP值由小到大排列后第25％的数字，第三四分位数等于该样本中所有RSRP值由小到大排列后第75％的数字，在RSRP值由小到大排列的样本中，第一四分位数的索引L₁，与第三四分位数的索引L₃，按如下公式计算：

其中，n为单个小区样本总数，如果L₁不是整数则取L₁与L₁+1的平均数，若平均数仍不是整数则取小于L₁的最大整数,同理L₃也是如此，L₁与L₃的序号所对应的RSRP值就是Q₁与Q₃；

得出Q₁与Q₃后，计算四分位距，即IRQ＝Q₃-Q₁，则筛选RSRP值的范围是[Q₁-1.5×IRQ,Q₃+1.5×IRQ]，对于RSRP值不位于此范围内的样本点则视为异常样本点剔除

所述基站的设计特征包括：天线发射信号强度RS_POWER，接收天线所在栅格建筑物高度Cell_Height，以及基站处的地物类型Cell_Clutter；接收点的设计特征包括：接收点在基站坐标系下的空间位置(dx,dy,dh)，计算方式如下：

先对原坐标系进行转换，在原坐标系将原点移到发射端天线，并将坐标系沿着Z轴顺时针旋转将Y轴转到水平方位角方向，并沿着X轴顺时针旋转下倾角角度；并计算新坐标系中，某一非天线节点(X，Y)相对于发射端天线的位置偏移：所述Z轴为垂直地面的高度轴；所述下倾角为天线机械下倾角与电子下倾角之和；

dx＝(X-Cell X)×cos(Azimuth)-(Y-Cell Y)×sin(Azimuth)

dy＝(Y-Cell Y)×cos(decline_ang)-(X-Cell X)×sin(decline_ang))

其中，Azimuth是方位角，decline_ang取值是天线机械下倾角和天线电子下倾角之和，亦即：

Mechanical_Downtil+Electrical_Downtil；

而dh计算方式如下：

(Altitude-Height-Cell Altitude-1.5+distance_level×tan(decline_ang))×cos(decline_ang)

其中CellAltitude是小区发射天线所在栅格(Cell X,Cell Y)的海拔高度；Height是接收节点的所在栅格的建筑物高度；Altitude是接收节点处的海拔高度；

(2)对预处理后的数据进行特征向量构建，采用接收节点特征向量与基站天线特征向量拼接的方式形成一条数据向量，其中接收节点特征向量包括接收节点相对于基站的空间位置向量dx，dy，dh，接收节点的所在栅格的建筑物高度向量Height，接收节点所处的地物类型向量Clutter，其中接收节点所处的地物类型采用嵌入的方式形成嵌入向量，基站天线特征向量包括天线发射信号强度向量RS_POWER，接收天线所在栅格建筑物高度向量Cell_Height，接收天线所处的地物类型向量Cell_Clutter，其中接收天线所处的地物类型采用嵌入的方式形成嵌入向量；

(3)构建特征向量序列，以天线为源点，通过随机连接邻近点，构成多张无向连通图，从无向连通图中提取多棵最短路径树，得到多条最短路径，并将最短路径上的每个节点的数据记录作为特征向量，节点的数据记为，[RS_POWER,Cell_Height,Cell_Clutter,dx,dy,dh,Height,Clutter]，再将每条最短路径上的所有节点对应的特征向量组合成特征向量序列；

(4)采用门控循环单元GRU结合多层感知机MLP的神经网络进行预测，先将步骤(3)中所述特征向量序列输入至GRU网络，对于GRU网络的每一个时间步的输出，作为MLP的输入，最终MLP的输出就是当前时间步亦即当前节点所预测的RSRP值；

所述神经网络预测，首先是采用GRU进行向量序列的特征学习，序列中每一个特征向量都会对应输出学习状态并作为MLP网络的输入，MLP网络对GRU输出的学习状态进行学习，并预测出当前学习状态下，亦即当前位置的节点的RSRP值；

(5)采用平方误差损失函数，对原网络进行反向传播求得网络参数的梯度并采用梯度下降对原网络参数更新从而进行网络参数的优化以减小平方误差损失函数；

平方误差损失函数为：

其中Predict(i)是第i个节点在多条最短路径上所得预测RSRP值的平均预测值。

2.根据权利要求1所述的基于路径序列回归的短程无线信号强度预测方法，其特征在于：有效覆盖半径为1.5km。

Images