本技术涉及无线通信和计算机,尤其涉及一种预测无线覆盖的方法、装置、电子设备及存储介质。
背景技术:
1、随着通信技术的发展,为满足日益增长的流量需求,基站设备的数目爆炸式增长,给实际移动网络的基站部署带来了极大的挑战。网络规划问题通常可以规约为一个混合整形规划问题,这类问题的复杂度会随着问题规模的扩大而急剧增大。作为网络规划问题的核心子问题,无线覆盖预测的效率直接影响了网络规划的结果。为保证移动无线网络能够根据实时覆盖情况动态地调节小区天线参数,需要实现高效且准确的无线覆盖预测。
2、由于实际天线的各向异性,要想准确地判断天线对于给定区域的覆盖情况,传统的做法是建立复杂的无线覆盖模型并对目标区域各位置的场强进行计算,需要大量的计算资源。场强预测是移动无线网络中的重要问题。在实际移动通信系统进行天线部署时,因为需要满足一定条件才能进行道路实地测量并且实地测量需要较高的成本,不可能对目标区域的场强进行大规模的实地测量,需要建立合理的场强预测模型。目前主要的场强预测模型包括统计模型、射线跟踪模型,然而在将这两种场强预测模型用于预测5g等等移动无线网络的无线覆盖时,都存在复杂度过大的问题。
3、因此,如何以较低的复杂度,实现高效且准确的无线覆盖预测,成为了亟待解决的技术问题。
技术实现思路
1、本技术实施例提供一种预测无线覆盖的方法、装置、电子设备及存储介质,用以解决在对实际天线的无线覆盖情况进行预测的时候复杂度过大的问题,实现以较低的复杂度进行高效且准确的无线覆盖预测。
2、第一方面,本技术实施例提供一种预测无线覆盖的方法,包括:
3、获取目标区域的输入数据,并根据所述输入数据得到目标区域的输入特征向量;
4、将所述输入特征向量输入到预先训练的无线覆盖预测模型中,得到所述无线覆盖预测模型输出的所述目标区域的预测覆盖结果;其中所述无线覆盖预测模型是基于自动化超参数调优梯度提升决策树(gradient boosting decision tree,gbdt)模型训练得到的。
5、可选地,根据本技术实施例的预测无线覆盖的方法,所述自动化超参数调优梯度提升决策树gbdt模型的训练过程包括:
6、获取包括多个特征的输入样本,所述输入样本用于预测无线覆盖;
7、基于所述输入样本训练gbdt集成树,其中在生成所述gbdt集成树的子树的过程中通过将包括多个特征值的每个特征作为黑盒来寻找局部最优切分点。
8、可选地,根据本技术实施例的预测无线覆盖的方法,所述将包括多个特征值的每个特征作为黑盒来寻找局部最优切分点,包括:
9、在所述每个特征的黑盒中,将使用均值漂移聚类算法得到的聚类中心作为阈值;
10、基于所述每个特征及其对应的所述阈值分别计算损失值,将最小的损失值对应的阈值作为所述特征的局部最优切分点。
11、可选地,根据本技术实施例的预测无线覆盖的方法,所述生成所述gbdt集成树的子树的过程,包括:
12、基于所述局部最优切分点及其对应的损失值,计算所述子树的损失值。
13、可选地,根据本技术实施例的预测无线覆盖的方法,所述基于所述输入样本训练gbdt集成树,包括:
14、设置一组等比数列作为所述子树的更新步长参数;
15、对所述更新步长参数之外的其余超参数进行自动化调优。
16、可选地,根据本技术实施例的预测无线覆盖的方法,所述对所述更新步长参数之外的其余超参数进行自动化调优,包括:
17、对每个所述其余超参数设置一个分布函数;
18、基于所述其余超参数及其对应的分布函数,生成所述子树的随机超参数。
19、可选地,根据本技术实施例的预测无线覆盖的方法,所述输入数据包括:
20、所述目标区域的地形信息、建筑物信息、已有无线覆盖信息、以及天线方向角信息。
21、可选地,根据本技术实施例的预测无线覆盖的方法,所述根据所述输入数据得到目标区域的输入特征向量包括:
22、将所述目标区域划分为多个具有预定面积的栅格;
23、将所述输入数据按照就近原则分配到距离最近的栅格,构建对应于每个栅格的输入特征向量。
24、可选地,根据本技术实施例的预测无线覆盖的方法,所述目标区域的预测覆盖结果包括以下至少一项:
25、所述目标区域的每个栅格的覆盖率;
26、所述目标区域的整体覆盖率。
27、第二方面,本技术实施例还提供一种电子设备,包括存储器,收发机,处理器;
28、所述存储器用于存储计算机程序;所述收发机用于在所述处理器的控制下收发数据;所述处理器用于读取所述存储器中的计算机程序并执行以下操作:
29、获取目标区域的输入数据,并根据所述输入数据得到目标区域的输入特征向量;
30、将所述输入特征向量输入到预先训练的无线覆盖预测模型中,得到所述无线覆盖预测模型输出的所述目标区域的预测覆盖结果;其中所述无线覆盖预测模型是基于自动化超参数调优梯度提升决策树gbdt模型训练得到的。
31、可选地,根据本技术实施例的电子设备,所述自动化超参数调优梯度提升决策树gbdt模型的训练过程包括:
32、获取包括多个特征的输入样本,所述输入样本用于预测无线覆盖;
33、基于所述输入样本训练gbdt集成树,其中在生成所述gbdt集成树的子树的过程中通过将包括多个特征值的每个特征作为黑盒来寻找局部最优切分点。
34、可选地,根据本技术实施例的电子设备,所述将包括多个特征值的每个特征作为黑盒来寻找局部最优切分点,包括:
35、在所述每个特征的黑盒中,将使用均值漂移聚类算法得到的聚类中心作为阈值;
36、基于所述每个特征及其对应的所述阈值分别计算损失值,将最小的损失值对应的阈值作为所述特征的局部最优切分点。
37、可选地,根据本技术实施例的电子设备,所述生成所述gbdt集成树的子树的过程,包括:
38、基于所述局部最优切分点及其对应的损失值,计算所述子树的损失值。
39、可选地,根据本技术实施例的电子设备,所述基于所述输入样本训练gbdt集成树,包括:
40、设置一组等比数列作为所述子树的更新步长参数;
41、对所述更新步长参数之外的其余超参数进行自动化调优。
42、可选地,根据本技术实施例的电子设备,所述对所述更新步长参数之外的其余超参数进行自动化调优,包括:
43、对每个所述其余超参数设置一个分布函数;
44、基于所述其余超参数及其对应的分布函数,生成所述子树的随机超参数。
45、可选地,根据本技术实施例的电子设备,所述输入数据包括:
46、所述目标区域的地形信息、建筑物信息、已有无线覆盖信息、以及天线方向角信息。
47、可选地,根据本技术实施例的电子设备,所述根据所述输入数据得到目标区域的输入特征向量:
48、将所述目标区域划分为多个具有预定面积的栅格;
49、将所述输入数据按照就近原则分配到距离最近的栅格,构建对应于每个栅格的输入特征向量。
50、可选地,根据本技术实施例的电子设备,所述目标区域的预测覆盖结果包括以下至少一项:
51、所述目标区域的每个栅格的覆盖率;
52、所述目标区域的整体覆盖率。
53、第三方面,本技术实施例还提供一种预测无线覆盖的装置,包括:
54、输入数据获取单元,用于获取目标区域的输入数据,并根据所述输入数据得到目标区域的输入特征向量;
55、无线覆盖预测单元,用于将所述输入数据输入到预先训练的无线覆盖预测模型中,得到所述无线覆盖预测模型输出的所述目标区域的预测覆盖结果;其中所述无线覆盖预测模型是基于自动化超参数调优梯度提升决策树gbdt模型训练得到的。
56、第四方面,本技术实施例还提供一种处理器可读存储介质,所述处理器可读存储介质存储有计算机程序,所述计算机程序用于使所述处理器执行如上所述第一方面所述的预测无线覆盖的方法。
57、本技术实施例提供的预测无线覆盖的方法、装置、电子设备及存储介质,通过采用预先训练的自动化超参数调优梯度提升决策树(gradient boosting decision tree,gbdt)模型来对目标区域的无线覆盖进行预测,降低了对实际天线的无线覆盖情况进行预测的复杂度,节约了大量的计算资源,实现了高效且准确的无线覆盖预测。