基于深度学习的小区级rsrp估计方法
技术领域
1.本发明属于无线通信技术领域,具体涉及一种基于深度学习的小区级rsrp估计方法。
背景技术:2.随着无线通信的发展,5g技术在全世界的应用场景变得越来越多。运营商在部署5g网络的过程中,需要合理的选择覆盖区域内的基站站址,从而满足用户的通信需求。然而随着城市化的推进,新的建筑物层出不穷,这使得通信环境变得越来越复杂。在新的复杂环境下准确、快速地估计整个通信小区地理区域范围内参考信号接收功率(reference signal receiving power,rsrp)对于评估新兴5g无线网络的覆盖率和容量至关重要。同时,在整个无线网络规划流程中,高效的网络估算对于精确的5g网络部署有着非常重要的意义。无线传播模型正是通过对目标通信覆盖区域内的无线电波传播特性进行研究,从而估计信号接收端的rsrp。但由于现代社会飞速发展,无线电波传播环境受到城市内的复杂多样的建筑物影响,不再以单一的方式和路径传播,而会产生复杂的透射、散射、反射、折射等。因此,建立一个准确的无线传播模型十分艰巨。
3.现有的无线传播模型分为三类:基于统计学的经验模型、基于电磁波传播规律的理论模型和改进型经验模型。经验模型的获得是从经验数据中获取固定的拟合公式,如okumura、cost231
‑
hata等。理论模型是根据电磁波传播理论,考虑在空间中的反射、绕射、折射等来进行损耗计算,如volcano模型。改进型经验模型是通过在拟合公式中引入更多的参数从而可以为更具体的场景提供计算模型,如spm模型。
4.然而,现有的无线传播模型存在两个弊端。第一,现在的rsrp估计方式很难对无线电传播的电磁环境进行有效的刻画。这是因为现有的无线传播模型的输入一般是由工程参数(如基站塔高度,发射频率等)与测试点的地图数据(如链路距离、接收端有效高度等)组成的物理特征,再通过这些离散的物理特征点对点(point
‑
to
‑
point)的估计接收端的rsrp。但是基于单个信号接收点的点对点的建模方式模型使用的物理特征很难全面的感知无线电传播的电磁环境(如小区内建筑物分布),忽略了相邻接收点处rsrp的相关性,导致在复杂环境下的rsrp估计精度低的问题。第二,现有无线传播模型跨小区的泛化能力差。具体来说,现有无线传播模型对特定区域进行rsrp估计时需要采集该区域下大量实测数据用于拟合和矫正模型,这种矫正好的模型只能在测试区域内使用,在新的环境下进行估计会产生较大的估计误差,估计效果不好。
5.同时,在实际传播模型建模中,为了获得符合目标区域实际环境的更精确的传播模型,研究人员需要收集大量额外的实测数据、工程参数以及电子地图来对现有传播模型进行矫正。
技术实现要素:6.本发明的目的就是为了解决上述背景技术存在的不足,提供一种基于深度学习的
小区级rsrp估计方法,有效提高通信小区内rsrp(reference signal receiving power,参考信号接收功率)的预测精度。
7.本发明采用的技术方案是:一种基于深度学习的小区级rsrp(reference signal receiving power,参考信号接收功率)估计方法,包括以下步骤:s1,根据待估计通信小区的电子地图和基站工程参数得到该通信小区的伪电磁环境地图;所述伪电磁环境地图用于表征该通信小区信号覆盖区域的电磁环境;s2,将待估计通信小区的基站工程参数代入无线传播经验模型,估计该通信小区中各个测量点的rsrp;根据估计的该通信小区中各个测量点的rsrp和该通信小区的电子地图,生成该通信小区的rsrp预估分布图;所述rsrp预估分布图用于表征该通信小区信号覆盖区域的rsrp预估算结果;s3,将步骤s1中生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入,所述神经网络模型输出待估计通信小区的rsrp残差图;所述rsrp残差图用于反映通过无线传播经验模型估算得到的待估计通信小区信号覆盖区域的rsrp与真实数据之间的差值;s4,根据步骤s2获得的rsrp预估分布图和步骤s3获得的rsrp残差图计算得到待估计通信小区信号覆盖区域内的rsrp。
8.上述技术方案中,所述神经网络模型训练集的单个样本信息包括作为模型输入的某个通信小区的伪电磁环境地图和作为训练标签的该通信小区的rsrp残差图;其中,根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图;将该通信小区的基站工程参数代入无线传播经验模型,估计该通信小区中各个测量点的rsrp;根据估计的该通信小区中各个测量点的rsrp和该通信小区的电子地图,生成该通信小区的rsrp预估分布图;获取该通信小区中的实测的各个测量点的rsrp并结合该通信小区的电子地图生成该通信小区的rsrp实测分布图;根据该通信小区的rsrp预估分布图和rsrp实测分布图生成该通信小区的rsrp残差图,作为神经网络模型训练标签。
9.上述技术方案中,所述神经网络模型的训练过程包括以下步骤:a.构建训练集;b.设置生成器:生成器由若干层神经网络组成,其输入为伪电磁环境地图,输出为rsrp残差图;c.设置鉴别器:鉴别器由若干层神经网络组成,用于判断单个样本的rsrp残差图是否为真;d.采用鉴别器,通过训练集对生成器进行对抗训练。
10.上述技术方案中,对抗训练采用的条件生成对抗网络的目标函数表示为:其中,g表示生成器函数,d表示鉴别器函数,x表示输入的单个样本的伪电磁环境地图,y表示该单个样本对应的通信小区通过无线传播经验模型和实测数据计算获得的rsrp残差图,g(x)表示该单个样本经生成器计算所得的rsrp残差图;对抗训练的最终目标函数g
*
为:
。
11.上述技术方案中,对抗训练中采用损失函数调整对抗训练的最终目标函数,以减少输出图像的模糊并接近真实的输出,调整后的对抗训练的最终目标函数g
*1
为:其中,λ表示损失权重,l(g)表示损失函数。
12.上述技术方案中,生成器生成的单个样本的rsrp残差图经过掩膜处理后再用于鉴别器计算。所述掩膜处理采用以下公式:别器计算。所述掩膜处理采用以下公式:其中,y表示输入的单个样本的真实残差图,即单个样本对应的通信小区通过无线传播经验模型和实测数据计算获得的rsrp残差图;y
(i,j)
表示输入的单个样本的真实残差图在栅格(i,j)处的真实残差值,i∈[0,n),j∈[0,m),n*m为该通信小区的电子地图栅格化处理后的覆盖范围;g’(x)为原始的生成器函数,g(x)为掩膜处理后的生成器函数。
[0013]
上述技术方案中,所述步骤4中采用如下公式计算通信小区的rsrp;其中,g0表示训练完成的神经网络模型函数,x0表示待估计通信小区的伪电磁环境地图;表示步骤s2生成的待估计通信小区的rsrp预估分布图。
[0014]
本发明还提供了一种基于深度学习的小区级rsrp估计方法,包括以下步骤:根据待估计通信小区的电子地图和基站工程参数得到该通信小区的伪电磁环境地图;所述伪电磁环境地图用于表征该通信小区信号覆盖区域的电磁环境;将生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入,所述神经网络模型输出待估计通信小区的rsrp分布图;所述rsrp分布图用于反映待估计通信小区信号覆盖区域内的rsrp。
[0015]
所述神经网络模型训练集的单个样本信息包括作为模型输入的某个通信小区的伪电磁环境地图和作为训练标签的rsrp分布图;其中,根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图;获取该通信小区中的实测的各个测量点的rsrp并结合该通信小区的电子地图生成该通信小区的rsrp实测分布图;将该通信小区的rsrp实测分布图作为该通信小区的rsrp分布图,作为神经网络模型训练标签。
[0016]
上述技术方案中,两种方法采用的伪电磁环境地图生成方法相同。所述的伪电磁环境地图的生成方法包括以下步骤:获取某个通信小区的电子地图并进行栅格化处理获得环境高度地图;根据环境高
度地图中的基站坐标信息和基站的基站工程参数将环境高度地图转换为电磁环境地图;对电磁环境地图进行最大最小归一化处理得到伪电磁环境地图。
[0017]
所述的伪电磁环境地图的生成方法具体包括以下步骤:获取某个通信小区的电子地图并进行栅格化处理获得环境高度地图;根据基站的坐标信息在环境高度地图中获取基站处的海拔高度值、建筑物高度值、信号发射塔的高度,并表示为基站处的高度值;根据基站坐标信息、基站处的高度值、环境高度地图和基站发射天线的垂直下倾角计算得到电磁环境地图;对电磁环境地图进行最大最小归一化处理,得到取值范围为[0,1]的伪电磁环境地图。
[0018]
上述技术方案中,所述的伪电磁环境地图的生成方法具体包括以下步骤:获取某个通信小区的地图并进行栅格化处理获得环境高度地图,所述环境高度地图表示为h
(i,j)
其中,i∈[0,n),j∈[0,m),n*m为该通信小区的地图栅格化处理后的覆盖范围,h
altitude(i,j)
为栅格(i,j)内的海拔高度中位数,h
building(i,j)
为栅格(i,j)内的建筑物高度中位数;基站位于栅格(p,q),p∈[0,n),q∈[0,m),基站处的高度值h
bs
的计算公式为:其中h
tower(p,q)
为基站处信号发射塔的高度;采用以下公式将环境高度地图h
(i,j)
转换为电磁环境地图h
e(i,j)
:其中,d
(i,j)
为栅格(i,j)与基站的距离,tanβ
v
为基站发射天线的垂直下倾角;采用以下公式将电磁环境地图h
e
(i,j)进行最大最小归一化处理,得到取值范围为[0,1]的伪电磁环境地图h
e’(i,j)
:。
[0019]
上述技术方案中,如果待估计通信小区信息中包括若干实测点的rsrp的实测数据:则根据所述实测数据生成新的训练集和测试集,并采用新的训练集和测试集对已经完成训练是神经网络模型继续进行训练;采用重新完成训练的神经网络模型作为新的已经完成训练的神经网络模型执行后续计算。
[0020]
所述rsrp预估分布图的生成步骤如下:获取某个通信小区的电子地图中的各个测量点的位置,根据通过无线传播经验模型估计该通信小区中各个测量点的rsrp,并在所述的电子地图中各个测量点的位置标定其对应的估计的rsrp,作为该通信小区的rsrp预估分布图;所述rsrp实测分布图的生成步骤如下:获取某个通信小区的电子地图中的各个测量点的位置,根据通过人工采集的方式获取该通信小区中各个测量点的rsrp,并在所述的电子地图中各个测量点的位置标定其对应的采集到的rsrp,作为该通信小区的rsrp实测分
布图。
[0021]
本发明的有益效果是:本发明引入了无线信号传播的经验公式作为引导机制,为提出的无线传播模型的训练提供约束。本发明通过引入深度学习技术辅助感知无线信号传播的电磁环境,对复杂的新环境进行精确建模。本发明将数据驱动的机器学习技术与基于规则的信号传播经验公式相结合,提出了一种数据驱动与规则相结合的无线传播模型。本发明提出的无线传播模型通过结合无线信号传播的经验公式和实测数据,对深度学习模型的输出进行有效的引导与约束,从而加速了gan的训练速度并提高了rsrp的估计精度。
[0022]
本发明基于深度学习方法强大的拟合能力和泛化能力,采用图对图的无线传播模型的方式进行小区级rsrp精确估计。对比以前点对点的无线传播模型在单个接收点处估计rsrp的方法,本发明通过生成伪电磁环境地图实现在通信小区的地理覆盖区域整体层面上进行rsrp估计,有效提高通信小区内rsrp的预测精度。
[0023]
本发明采用可同一个已经预先训练好模型对多个不同的通信小区rsrp模拟预测,进行实现了跨小区的rsrp估计。本发明采用预先训练好的神经网络模型,新小区部署基站之前基于新小区的地理信息和基站工程参数即可实现rsrp模拟工作。本发明无需预先采集待测小区的实测rsrp数据,可以实现无实测点的复杂的新小区内精确的估计rsrp。
[0024]
同时,因为深度学习模型强大的泛化能力,对抗训练完成后的模型采用少量、部分的实测点数据对模型继续训练,即可对新环境进行快速建模和重构,便于拓展本发明的应用场景。
附图说明
[0025]
图1为具体实施例中通信小区的栅格化处理后地图的三维可视化结果,x,y轴是脱敏后的坐标(单位:米)z轴为该区域的海拔高度加上建筑物高度。
[0026]
图2为具体实施例中通信小区电子地图的俯视图,x,y轴是脱敏后的坐标(单位:米),最小分辨率为5米*5米,图中方块bs表示基站位置。
[0027]
图3为本发明提出的神经网络模型的框架图,图中所示为带有掩模处理和残差估计的基于cgans的小区级rsrp估计模型框架。
[0028]
图4为具体实施例中生成器g和鉴别器d的具体结构;其中cl为卷积层,bn为批归一化层。
[0029]
图5为具体实施例训练期间的损耗曲线;其中横坐标表示epoch,即训练轮数(单位:轮);纵坐标表示rmse,即均方根误差(单位:dbm)。
[0030]
图6为实验中编号为no. 1223001通信小区的可视化图。上层为该通信小区的三维图;下层在上层三维图垂直投影,x,y,z轴是脱敏后的坐标(单位:米)。
[0031]
图7为实验中编号为no. 1223001通信小区采用传统的spm方法得到的rsrp估计误差概率密度函数图。
[0032]
图8为实验中编号为no. 1223001通信小区采用knn模型的估计的rsrp估计误差概率密度函数图。
[0033]
图9为实验中编号为no. 1223001通信小区采用本发明提出的模型且使用通信小区内30%的数据进行fine
‑
turning估计的rsrp估计误差概率密度函数图。
[0034]
图7
‑
图9中,横坐标是rsrp估计误差值(单位:dbm),纵坐标是概率密度(无单位)。
具体实施方式
[0035]
下面结合附图和具体实施例对本发明作进一步的详细说明,便于清楚地了解本发明,但它们不对本发明构成限定。
[0036]
本发明提供了一种基于深度学习的小区级rsrp估计方法,包括以下步骤:第一步,根据待估计通信小区的电子地图(电子地图内容包括但不限于:通信小区内的建筑物分布、建筑物高度、海拔高度、地物类型等)和通信小区内基站的工程参数(工程参数包括但不限于基站塔高、天线朝向、电子下倾角、机械下倾角、载波频率、发射功率等)得到该通信小区的伪电磁环境地图。所述伪电磁环境地图包括该通信小区信号覆盖区域内的地理信息、建筑物信息和基站的工程参数。
[0037]
所述的伪电磁环境地图的生成方法包括以下步骤:获取某个通信小区的电子地图并进行栅格化处理获得环境高度地图;根据环境高度地图中的基站坐标信息和基站的基站工程参数将环境高度地图转换为电磁环境地图;对电磁环境地图进行最大最小归一化处理得到伪电磁环境地图。
[0038]
所述的伪电磁环境地图的生成方法具体包括以下步骤:获取某个通信小区的电子地图并进行栅格化处理获得环境高度地图;根据基站的坐标信息在环境高度地图中获取基站处的海拔高度值、建筑物高度值、信号发射塔的高度,并表示为基站处的高度值;根据基站坐标信息、基站处的高度值、环境高度地图和基站发射天线的垂直下倾角计算得到电磁环境地图;对电磁环境地图进行最大最小归一化处理,得到取值范围为[0,1]的伪电磁环境地图。
[0039]
电子地图的计算和参数设置可参考《z. yi, l. zhiwen, h. rong, w. ji, x. wenwu and l. shouyin, "feature extraction in reference signal received power prediction based on convolution neural networks," in ieee communications letters, vol. 25, no. 6, pp. 1751
‑
1755, june 2021, doi: 10.1109/lcomm.2021.3054862.》提出的方法。
[0040]
本发明的具体实施例采用某个通信小区的电子地图。将通信小区的电子地图栅格化处理,每个栅格代表了5m * 5m的区域,如图1所示,一个通信小区涵盖64*64个栅格,即覆盖320m*320m的区域,图1和图2中的箭头为设置的北朝向。图1中的高度值由下式计算:所述环境高度地图表示为h
(i,j)
其中,n=m=64为该通信小区的地图栅格化处理后的覆盖范围,h
altitude(i,j)
为栅格(i,j)内的海拔高度中位数,h
building(i,j)
为栅格(i,j)内的建筑物高度中位数。
[0041]
基站位于栅格(0,32)处,基站处的高度值h
bs
的计算公式为:其中h
tower(0,32)
为基站处信号发射塔的高度;该电子地图中的参数可以通过该地区的建筑数据库获得,也可以通过openstreetmap或谷歌地图开源api获得。
[0042]
考虑到受到基站的工程参数会影响无线电的传播,环境高度地图被进一步的转化
为伪电磁环境地图。首先采用以下公式将环境高度地图h
(i,j)
转换为电磁环境地图h
e(i,j)
:其中,d
(i,j)
为栅格(i,j)与基站的距离,tanβ
v
为基站发射天线的垂直下倾角。
[0043]
采用以下公式将电磁环境地图h
e
(i,j)进行最大最小归一化(min
‑
max normalization)处理,得到取值范围为[0,1]的伪电磁环境地图h
e’(i,j)
。
[0044]
第二步,将待估计通信小区的基站工程参数代入无线传播经验模型(如cost231
‑
hata,spm等),估计该通信小区中各个测量点的rsrp;根据估计的该通信小区中各个测量点的rsrp和该通信小区的电子地图,生成该通信小区的rsrp预估分布图;所述rsrp预估分布图用于表征该通信小区信号覆盖区域的rsrp估算结果。
[0045]
第三步,将第一步中生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入,所述神经网络模型输出待估计通信小区的rsrp残差图;所述rsrp残差图用于反映通过无线传播经验模型估算得到的待估计通信小区信号覆盖区域的rsrp与真实数据之间的差值。
[0046]
所述神经网络模型的训练过程包括以下步骤:a.构建训练集和测试集,所述神经网络模型训练集和测试集的单个样本信息包括某个通信小区的伪电磁环境地图和rsrp残差图;其中,根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图,作为神经网络模型的输入;将该通信小区的基站工程参数代入无线传播经验模型,估计该通信小区中各个测量点的rsrp;根据估计的该通信小区中各个测量点的rsrp和该通信小区的电子地图,生成该通信小区的rsrp预估分布图;获取该通信小区中的实测的各个测量点的rsrp并结合该通信小区的电子地图生成该通信小区的rsrp实测分布图;根据该通信小区的rsrp预估分布图和rsrp实测分布图生成该通信小区的rsrp残差图,作为神经网络模型训练/测试标签。
[0047]
所述rsrp预估分布图的生成步骤如下:获取某个通信小区的电子地图中的各个测量点的位置,根据通过无线传播经验模型估计该通信小区中各个测量点的rsrp,并在所述的电子地图中各个测量点的位置标定其对应的估计的rsrp,作为该通信小区的rsrp预估分布图;所述rsrp实测分布图的生成步骤如下:获取某个通信小区的电子地图中的各个测量点的位置,根据通过人工采集的方式获取该通信小区中各个测量点的rsrp,并在所述的电子地图中各个测量点的位置标定其对应的采集到的rsrp,作为该通信小区的rsrp实测分布图。
[0048]
b.设置生成器:生成器由若干层神经网络组成,其输入为伪电磁环境地图,输出为rsrp残差图。
[0049]
c.设置鉴别器:鉴别器由若干层神经网络组成,用于判断单个样本的rsrp残差图是否为真。
[0050]
d.采用鉴别器,通过训练集对生成器进行对抗训练;并通过测试集对对抗训练后的生成器进行测试。
[0051]
本发明中生成器g和鉴别器d的对抗网络,是一个基于条件gans的无线传播模型,其目标是学习从通信小区内的伪电磁环境地图x到实测rsrp(reference signal receiving power,rsrp)与传统无线传播模型估计结果的残差y的映射。该模型的整体框架如图3所示。模型的输入x为一张预处理好的伪电磁环境地图,生成器g将输入x转换为g’(x),即估计的rsrp残差图。然后,g’(x)经过invalid值mask处理后得到估计残差图g(x)。为了保证生成的估计残图阵尽可能的真实,设计了一个鉴别器d用于判断输入的矩阵(生成的g(x)或真实的残差图y)是否是真的。通过生成器g和鉴别器d的对抗训练就能使生成器g输出逼近真实的图像。
[0052]
在图像处理中,由于图像中的像素点取值被约束在[0,255]的范围中,像素值比较容易进行归一化。然而在一个通信小区内rsrp的范围受到基站的工程参数和传播环境的复杂程度等因素的影响,直接将实测rsrp按照地图位置转换为真实rsrp图像进行归一化会丢失重要的rsrp范围信息。
[0053]
为了解决上述问题,本发明提出在基于cgan的无线传播模型中引入传统的无线传播经验模型。通过人工经验公式的rsrp估计结果提供rsrp大致的范围信息。如图3所示,通过获取样本通信小区内的rsrp真实值(ground truth)与传统的无线传播经验模型拟合实测数据得到拟合模型估计结果(fitting model prediction)的残差,约束深度学习模型(即生成器g)的输出。真实的残差图y计算公式如下:其中,为rsrp实测分布图,为rsrp预估分布图。
[0054]
在图像翻译领域,需要转换的图像往往是完整的图片。然而,因为地形或是人力等因素,在数据的实际测量过程中,很难将一个通信小区内的所有点的rsrp都采集到。这导致一个通信小区的rsrp图像含有大量的invalid值。为了避免invalid值对模型训练的干扰需进行掩膜处理,掩膜处理使用下列公式被计算:理,掩膜处理使用下列公式被计算:其中,y表示输入的单个样本的真实残差图,即对应的通信小区通过无线传播经验模型和实测数据计算获得的rsrp残差图;y
(i,j)
表示输入的单个样本的真实残差图在栅格(i,j)处的真实残差值,i∈[0,n),j∈[0,m),n*m为该通信小区的地图栅格化处理后的覆盖范围;g’(x)为原始的生成器函数,g(x)为掩膜处理后的生成器函数。如果图像是栅格(i,j)处需要进行掩膜处理,经过掩膜处理的该处的图像被置0。
[0055]
生成器g(generator)和鉴别器d(discriminator)的具体结构如图4所示。对于generator,由于输入和输出之间会共享很多的信息,如果使用普通的卷积神经网络结构,那么会导致每一层都承载保存着所有的信息,这样神经网络很容易出错。因而,使用u
‑
net来进行减负。u
‑
net是一个对称的encoder
‑
decoder结构,其将第i个下采样层拼接到第n
‑
i
个上采样层。这样做是因为第i层和第n
‑
i层的图像大小是一致的,可以认为它们承载着类似的信息。对于discriminator,通过三层的下采样层结构提取输入图像的特征,其输出为对输入图像的判断结果。
[0056]
其中,下采样层由卷积核为[4,4]的卷积层(cl)、batch normalization(bn)和leaky rectified linear units (leaky relu)的激活函数组成。上采样层由反卷积层(ctl)、bn、dropout和leaky relu的激活函数组成。卷积运算的目的是提取输入的不同特征,多层的卷积层能从低级特征中迭代提取更复杂的特征。bn用于提高每一层的输入分布的稳定性,减小神经网络的ics(interval covariate shift)[batch normalization: accelerating deep network training by reducing internal covariate shift]。
[0057]
对抗训练采用的条件生成对抗网络的目标函数表示为:其中,g表示生成器函数,d表示鉴别器函数,x表示输入的单个样本的伪电磁环境地图,y表示该单个样本的真实残差图,g(x)表示该单个样本经生成器计算所得的计算残差图;其中,g试图最小化这个目标,而与之对抗的d试图最大化它,即对抗训练的最终目标函数g
*
为:对抗训练中采用损失函数(如l1距离)调整对抗训练的最终目标函数,以减少输出图像的模糊并接近真实的输出,调整后的对抗训练的最终目标函数g
*1
为:其中,;λ为损失权重。l1距离又被称为曼哈顿距离。
[0058]
在离线训练期间,本具体实施例采用了cgan的标准优化方法。在每一个训练step中通过交替计算生成器g和鉴别器d的梯度去更新生成器g和鉴别器d的参数。为了自适应的衰减训练中的学习率,adam算法被应用在提出的模型中。训练时的超参数followed pix2pix模型,loss权重,初始学习率为,动量参数为β1=0.5,β2=0.99。
[0059]
第四步,根据第二步获得的rsrp预估分布图和第三步获得的rsrp残差图计算得到待估计通信小区信号覆盖区域内的rsrp。
[0060]
在在线预测期间,训练好的神经网络模型将被单独部署用于预测一个新通信小区中的rsrp分布,以与训练阶段完全相同的方式运行生成器网络。在线预测的某通信小区的rsrp估计值可以由下式表示:其中,g0表示训练完成的神经网络模型函数,x0表示待估计通信小区的伪电磁环境地图;表示将待估计通信小区的rsrp预估分布图。
[0061]
本发明还提供了一种基于深度学习的小区级rsrp估计方法,包括以下步骤:
根据待估计通信小区的电子地图和基站工程参数得到该通信小区的伪电磁环境地图;所述伪电磁环境地图用于表征该通信小区信号覆盖区域的电磁环境;将生成的伪电磁环境地图作为已经完成训练的神经网络模型的输入,所述神经网络模型输出待估计通信小区的rsrp分布图;所述rsrp分布图用于反映待估计通信小区信号覆盖区域内的rsrp。
[0062]
所述神经网络模型训练集的单个样本信息包括作为模型输入的某个通信小区的伪电磁环境地图和作为训练标签的rsrp分布图;其中,根据某个通信小区的电子地图和基站工程参数计算得到该通信小区的伪电磁环境地图;获取该通信小区中的实测的各个测量点的rsrp并结合该通信小区的电子地图生成该通信小区的rsrp实测分布图;将该通信小区的rsrp实测分布图作为该通信小区的rsrp分布图,作为神经网络模型训练标签。
[0063]
下面采用具体的实验数据,对本发明所提出的第一种方法的有益效果进行验证。
[0064]
本实验所采用的是由华为公司提供的开源rsrp实测数据。其中包含181个城市通信小区共415,244个接收端实测点,平均一个小区包含2294个实测点。每个通信小区已被预处理为64*64的栅格,每个栅格代表5m*5m的区域,即假设每个小区的基站有效的覆盖范围为320m*320m。其测量参数如下表所示:为了更好的测试所提出模型的性能,rsrp实测数据集在通信小区level上将181个小区随机划分为150个小区组成的训练集和31个小区组成的测试集。所提出模型将在训练集上进行离线训练,然后将训练好的模型在线预测测试集的rsrp。
[0065]
本实验主要使用rmse与mape来衡量所提出模型的估计性能,其公式如下:本实验主要使用rmse与mape来衡量所提出模型的估计性能,其公式如下:其中,n为所有实测点的数量,s
truei
为第i个实测点的rsrp实测值,为第i个实测点由本发明所提出模型在线预测的rsrp估计值。
[0066]
进一步的,在进行预测的过程中如果可以有效识别覆盖区域的接收信号功率等
级,能够更好地帮助运营商精准规划和优化网络。因此,信号覆盖等级识别的准确率也是作为一项非常有价值的评价指标。根据中国移动划分的信号强度等级规范,信号被分为5个等级,由下表所示:5个等级的rsrp可以被视为5个不同的类别,本实验引入了多分类问题的准确度、精确度和f1score对本发明所提出模型识别覆盖区域的接收信号功率等级性能进行验证。
[0067]
如下表所示,tp指实际为正样本,模型预测为正样本;fn指实际为正样本,模型预测为负样本;fp指实际为负样本,模型预测为正样本;tn指实际为负样本,模型预测为负样本:准确度accuracy、精确度precision、召回率recall和f1score的计算公式如下所示:示:示:示: 。
[0068]
为了验证使用传统的无线传播经验模型计算残差约束所提出模型的性能表现,将原始的pix2pix模型作为baseline与本发明提出的模型进行对比。原始的pix2pix模型直接
使用实测的rsrp图代替图3中的真实残差图y。训练时的损耗曲线如图5所示,本发明所提出的模型在训练期间能更快的收敛到更低的loss处。实验结果表明人工经验公式有助于提高所提出模型的性能。
[0069]
为了验证本发明所提出模型在新通信小区的泛化能力,本实验在测试集上对比了本发明所提出的神经网络模型(后文简称模型)和传统无线传播模型cost231
‑
hata、spm和使用训练集校正系数的spm拟合模型的预测性能。矫正后的spm拟合模型可以表示为:使用训练集校正系数的spm拟合模型的预测性能。矫正后的spm拟合模型可以表示为: 。
[0070]
同时,常用的机器学习算法如线性回归(lr)k近邻(knn)和随机森林回归(rfr)也被训练来预测新小区的rsrp。实验表明,本发明所提出模型在新小区的rsrp预测精度高于基于点对点的机器学习模型。为了直观的观察所提出模型的预测能力,本实验从测试集中随机选择了编号为no.1223001的小区,该小区包含2361个实测点。通过对比传统的spm的预测结果,如下表所示,验证了本发明所提出的模型(proposed model)具有良好的跨小区泛化能力:如果待估计通信小区信息中包括若干实测点的rsrp的实测数据:则根据所述实测点及其对应的实测数据生成新的训练集和测试集,并采用新的训练集和测试集对已经完成对抗训练的生成器继续进行对抗训练;采用重新完成对抗训练的神经网络模型执行第三步。
[0071]
本实验设想了一个新的通信小区包含一定量的实测数据时,建立无线传播模型预测整个小区rsrp的场景。将编号为no.1223001的通信小区的实测点按照7:3的比例分为训练集和测试集。使用单个通信小区内的训练集分别训练了lr、knn、rfr机器学习模型,然后用训练好的机器学习模型预测单个小区内的rsrp。同样的,用该训练集fine
‑
tuning本发明提出的模型,然后用完成fine
‑
tuning的模型【proposed model(ft)】预测单个小区内的rsrp,其性能指标如下表所示:
实验结果表明,在机器学习方法中,对单个小区内的rsrp预测准确度最高的是rfr。通过对比提出模型和rfr,提出模型预测的rsrp的rmse较rfr下降了1.12dbm,f1score达到了84.1,相较rfr提升了10.3。
[0072]
为了更直观的观察,不同模型的误差示意图如图7
‑
9所示。未经过fine
‑
tuning的本发明所提出的模型的rsrp预测表现可以接近使用同小区的实测点训练的机器学习算法,而经过同小区的实测点fine
‑
tuning后的本发明提出模型能更有效的降低rsrp的预测误差,从而更精确的预测通信小区内的rsrp。
[0073]
本实验给出了一个通信小区内包含不同数量的实测点来fine
‑
tuning所提出的模型对模型预测性能的影响。如下表所示,随着训练集加入的实测点的增多,所提出模型能“看到”更多的实测数据信息,对rsrp的预测更加精准。其中1
‑
9,3
‑
7等表示实测点数据和原始训练集作为训练样本的比例:本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。