2019年第十六届中国研究生数学建模竞赛A题 试题

A题 无线智能传播模型

1 无线信道建模背景

随着5G NR技术的发展，5G在全球范围内的应用也在不断地扩大。运营商在部署5G网络的过程中，需要合理地选择覆盖区域内的基站站址，进而通过部署基站来满足用户的通信需求。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预测，使得小区覆盖范围、小区间网络干扰以及通信速率等指标的估算成为可能。由于无线电波传播环境复杂，会受到传播路径上各种因素的影响，如平原、山体、建筑物、湖泊、海洋、森林、大气、地球自身曲率等，使电磁波不再以单一的方式和路径传播而产生复杂的透射、绕射、散射、反射、折射等，所以建立一个准确的模型是一项非常艰巨的任务。

现有的无线传播模型可以按照研究方法进行区分，一般分为：经验模型、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，典型的模型有Cost 231-Hata、Okumura等。理论模型是根据电磁波传播理论，考虑电磁波在空间中的反射、绕射、折射等来进行损耗计算，比较有代表性的是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细的分类场景提供计算模型，典型的有Standard Propagation Model（SPM）。

在实际传播模型建模中，为了获得符合目标地区实际环境的传播模型，需要收集大量额外的实测数据、工程参数以及电子地图用来对传播模型进行校正。此外无线LTE网络已在全球普及，全球几十亿用户，每时每刻都会产生大量数据。如何合理地运用这些数据来辅助无线网络建设就成为了一个重要的课题。
近年来，大数据驱动的AI机器学习技术获得了长足的进步，并且在语言、图像处理领域获得了非常成功的运用。伴随着并行计算架构的发展，机器学习技术也具备了在线运算的能力，其高实时性以及低复杂度使得其与无线通信的紧密结合成为了可能。

在本届数学建模竞赛中，希望参赛者能够对机器学习的工作方式有一定掌握并站在设备供应商以及无线运营者的角度，通过合理地运用机器学习模型（不限定只使用这种方法）来建立无线传播模型，并利用模型准确预测在新环境下无线信号覆盖强度，从而大大减少网络建设成本，提高网络建设效率。

2 无线传播模型建模方法简介

在传统的无线传播模型的建立过程中，往往首先需要对传播场景进行划分，每一个场景对应一个传播经验模型。然而，经验模型在实际使用中往往不够精确，所以仍然需要通过采集大量的工程参数以及实际平均信号接收功率（Reference Signal Receiving Power，RSRP）测量值进行经验模型公式的修正。从所述过程中可以看到，传播模型建立本质上是一个函数拟合的过程，即通过调整传播模型的系数，使得利用传播模型计算得到的路径损耗值与实测路径损耗值误差最小。所以当工程参数、地理位置信息、特定地理位置测量点的RSRP已知的情况下，该问题可以归类为一个监督学习问题。

与传统经验模型需要额外人力物力进行校正相比，是否可以利用采集的历史数据并利用机器学习技术，得到一套合适的机器学习模型用以对不同场景下信道传播路径损耗进行准确预测，成为一个非常有价值的研究方向。

本题为参赛队伍提供统一的数据集。各参赛队伍可以自行将数据集拆分为训练集、测试集以及验证集，将其用于AI算法模型的训练及测试。算法的目的在于通过寻找工程参数、地理环境等因素与平均信号接收功率（RSRP）之间的映射模型（理论与实践表明RSRP是工程参数、地理环境等因素的随机函数），从而能够在新的环境中快速预测特定地理位置的RSRP值。

赛题提供的训练数据集包含多个小区的工程参数数据、地图数据和RSRP标签数据，其格式为csv格式（Comma-Separated Values, 逗号分隔值格式）。数据集的结构以及对应数据的含义将会在下节中详细阐述。