[发明专利]一种基于GBDT与LR集成模型的微波通信效能评估方法

权利要求书

1.一种基于GBDT与LR集成模型的微波通信效能评估方法，其特征在于：包括步骤：

S10、获取微波接力通信系统中R对微波接力机的相关参数；所述相关参数包括：工作参数、位置、天线角度、地形、天气、误码率和吞吐量数据；

S20、将所述相关参数进行关联预处理后，输入第一预设模型，得到所述相关数据的稀疏向量；所述第一预设模型由GBDT模型训练获得；

S30、合并R对所述相关数据的稀疏向量，生成R对所述微波接力机的相关参数的特征稀疏矩阵；

S40、将R对所述微波接力机的相关参数的特征稀疏矩阵代入第二预设模型，通过predict方式评估R对微波接力机的微波通信效能；所述第二预设模型由LogisticRegression模型训练获得。

2.根据权利要求1所述的方法，其特征在于：所述步骤S20中所述第一预设模型由GBDT模型训练获得，包括：

S201、获取N对微波接力机的相关参数；所述相关参数包括：工作参数、位置、天线角度、地形、天气、误码率和吞吐量数据；将所述相关参数进行关联预处理，构建评估模型的训练数据与输出目标；

S202、将所述训练数据预输出目标输入GBDT模型中进行训练，采用GridSearchCV搜索模型最优参数，构建M个弱学习器迭代更新强学习器，当模型损失和的平方值最小，得到最优模型，作为第一预设模型。

3.根据权利要求2所述的方法，其特征在于：所述步骤S40中所述第二预设模型由LogisticRegression模型训练获得，包括：

S401、获取所述训练数据在所述第一预设模型中M个弱学习器的叶子结点索引值，转换为稀疏向量；

S402、合并N对所述训练数据对应的稀疏向量，生成训练数据的特征稀疏矩阵；

S403、将所述训练数据的特征稀疏矩阵和所述输出目标，代入LogisticRegression模型进行训练；采用GridSearchCV调参获取最优参数，训练模型收敛，得到微波效能评估模型作为第二预设模型。

4.根据权利要求2所述的方法，其特征在于：所述步骤S201，包括：

S2011、导入微波通信数据，获取N对微波通信接力机中每一对微波通信两端：微波接力机A和微波接力机B的经纬度；计算所述微波接力机A与微波接力机B的水平距离Dis；获取所述微波接力机A与微波接力机B工作参数下的理论最远通信距离Dmax；设定超出先验通信距离字段Beyond，若DisDmax则Beyond置为第一标记，反之置为第二标记；

S2012、获取所述微波接力机A天线角度angle1，所述微波接力机B天线角度angle2；设定天线夹角字段Angle＝(angle1+angle2)％180，并删掉angle1、angle2字段；

S2013、通过所述微波接力机A、B的经纬度位置信息关联地形、天气，并利用LabelEncoder编码将地形、天气信息中文编码格式转换为数字索引；

S2014、构建微波通信效能评估targets值，获取所述微波接力机A、B工作速率Rate、实际业务吞吐量Data，传输时间t，误码值指标w，误码量Err；若Data÷tRate或ErrData×10^w则将targets置为异常标记，否则targets置为正常标记；

S2015、整合步骤S2011-步骤S2013数据，形成训练数据集train_x；将步骤S2014所产生的targets值作为输出目标train_y。