[发明专利]基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置

权利要求书

1.一种基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，包括：

获取目标高铁场景的三维电子地图；

基于所述目标高铁场景的三维电子地图，使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值；

基于相同目标高铁场景下每个位置测量点的实际测量值，结合所述每个位置测量点的初步预测值，通过机器学习对所述初步预测值进行校正，获取初步预测值的校正因子；

根据所述初步预测值的校正因子，使用射线跟踪仿真进行高铁场景接收场强预测；

所述基于相同目标高铁场景下每个位置测量点的实际测量值，结合所述每个位置测量点的初步预测值，通过机器学习对所述初步预测值进行校正，获取初步预测值的校正因子，包括：

基于所述实际测量值和所述初步预测值，得出场强误差；

根据所述场强误差和第一阈值，确定当前预测误差数据特征集；

基于所述当前预测误差数据特征集和历史预测误差数据特征集，利用深度强化机器学习，实现奇异值判决；

其中，判断有无奇异值或奇异数据集有无变化时，若无，则结束所述校正；否则，重新开始所述校正，所述当前预测误差数据特征集加入所述历史预测误差数据特征集；

所述实现奇异值判决，包括：

从所述历史预测误差数据特征集和当前预测误差大于所述第一阈值的数据特征集的连续区间长度、收发信机的方位关系、误差分布、多径机制构成、结构体和材料构成中获取学习特征；

结合所述历史预测误差大于所述第一阈值的数据集特征和当前预测误差大于所述第一阈值的数据集特征，确定当前状态下进行校正行动的概率，以及进行校正行动之后，基于所述校正行动和当前状态返回下一个状态的概率；

由上述可得一个校正行动状态序列，确定任意状态下进行校正行动的概率、对应当前状态和所述校正行动下的收益，以及所有状态下进行校正行动之后的总收益；其中，若进行校正行动之后，所述场强误差减小，则所述校正行动对应的收益大于零，即奖励；反之，若所述场强误差增大，则所述校正行动对应的收益小于零，即处罚；

设置奇异值判决第二阈值，对比采取一系列校正行动之后的总收益和第二阈值，若所述总收益的绝对值大于所述第二阈值，则进行所述目标高铁场景参数校正；若所述总收益的绝对值小于所述第二阈值，则结束校正行动，保存上述所述校正因子。

2.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，所述目标高铁场景的三维电子地图包括：结构体的三维几何信息、地形信息，场景中物体的栅格地图及类别标识。

3.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，所述基于所述目标高铁场景的三维电子地图，使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值，包括：

根据测量路线、关联基站信息及射线跟踪所需的收发信机位置和部署 ,通过射线跟踪对所述目标高铁场景和部署进行仿真，萃取所述初步预测值。

4.根据权利要求3所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，所述初步预测值包括复数电场、传播路径、传播机制、阶数和与路径关联的结构体。

5.根据权利要求1所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，通过路测手段获取相同目标高铁场景下每个位置测量点的实际测量值。

6.根据权利要求5所述的基于机器学习和射线跟踪的高铁网络覆盖预测方法，其特征在于，所述实际测量值包括相同目标高铁场景下每个位置测量点的三维坐标信息及每个位置测量点可探测到的若干个基站的接收场强信息。

7.一种基于机器学习和射线跟踪的高铁网络覆盖预测装置，其特征在于，包括：

电子地图获取模块，用于获取目标高铁场景的三维电子地图；

多径信息获取模块，用于基于所述目标高铁场景的三维电子地图，使用射线跟踪仿真计算所述目标高铁场景中每个位置测量点的初步预测值；

校正模块，用于基于相同目标高铁场景下每个位置测量点的实际测量值，结合所述每个位置测量点的初步预测值，通过机器学习对所述初步预测值进行校正，获取初步预测值的校正因子；

场强预测模块，用于根据所述初步预测值的校正因子，使用射线跟踪仿真进行高铁场景接收场强预测；

所述校正模块用于基于相同目标高铁场景下每个位置测量点的实际测量值，结合所述每个位置测量点的初步预测值，通过机器学习对所述初步预测值进行校正，获取初步预测值的校正因子，包括：

基于所述实际测量值和所述初步预测值，得出场强误差；

根据所述场强误差和第一阈值，确定当前预测误差数据特征集；

基于所述当前预测误差数据特征集和历史预测误差数据特征集，利用深度强化机器学习，实现奇异值判决；

其中，判断有无奇异值或奇异数据集有无变化时，若无，则结束所述校正；否则，重新开始所述校正，所述当前预测误差数据特征集加入所述历史预测误差数据特征集；

所述实现奇异值判决，包括：

从所述历史预测误差数据特征集和当前预测误差大于所述第一阈值的数据特征集的连续区间长度、收发信机的方位关系、误差分布、多径机制构成、结构体和材料构成中获取学习特征；

结合所述历史预测误差大于所述第一阈值的数据集特征和当前预测误差大于所述第一阈值的数据集特征，确定当前状态下进行校正行动的概率，以及进行校正行动之后，基于所述校正行动和当前状态返回下一个状态的概率；

由上述可得一个校正行动状态序列，确定任意状态下进行校正行动的概率、对应当前状态和所述校正行动下的收益，以及所有状态下进行校正行动之后的总收益；其中，若进行校正行动之后，所述场强误差减小，则所述校正行动对应的收益大于零，即奖励；反之，若所述场强误差增大，则所述校正行动对应的收益小于零，即处罚；

设置奇异值判决第二阈值，对比采取一系列校正行动之后的总收益和第二阈值，若所述总收益的绝对值大于所述第二阈值，则进行所述目标高铁场景参数校正；若所述总收益的绝对值小于所述第二阈值，则结束校正行动，保存上述所述校正因子。