2019年“华为杯”研究生数学建模A题--无线智能传播模型

1. 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（RSRP）测量值进行经验模型公式的修正。所以，传播模型建立的本质是一个函数拟合的过程，通过调整传播模型的系数，使误差最小。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的问题。

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途径损耗进行预测，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），从而能在新的环境中快速预测特定地理环境的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，格式为csv格式（逗号分隔值格式）。

2. 数据集的介绍

工程参数数据、地图数据、RSRP标签数据

3. 赛题

本题除了在中国研究生数学建模竞赛网站上提交论文之外，问题三还需要在华为云平台上提交模型，不提交的队伍将被视作没有完成此题而不计入比赛成绩。

3.1 特征工程中的特征设计

高效的机器学习模型建立依赖于输入变量与问题目标的强相关性，因此输入变量也称为“特征”。特征工程的本质是从原始数据中转换得到能够最好表征目标问题的参数，并使得各个参数的动态范围在一个相对稳定的范围内，从而提高机器学习模型训练的效率。

3.2 特征工程的特征选择

完成特征设计后，通常需要选择有意义的特征输入机器学习模型进行训练。对于不同方法构造出来的特征，需要从多个层次来判断这个特征是否合适。通常来说，可以从以下两个方面来选择特征：

• 特征是否发散：如果一个特征不发散，例如方差接近于0，也就是说样本在这个特征上基本没有差异，这个特征对于样本的区分并没有什么用。
• 特征与目标的相关性：这点比较显见，与目标相关性高的特征，应当优先选择。

3.3 RSRP预测

4. 评审

4.1 评审数据集简介

线上代码评分系统将使用对参赛队保密的评审数据集来对模型进行评分，以便公平地测试各参赛队提交模型的泛化能力。

4.2 提交内容

论文主要以文字形式详细阐述AI模型的建模过程，包括模型的建立方法，参数的设置和训练的结果，特别是第三问要阐述清楚。

第三问需要提交完整的模型。针对每一个评审数据集的输入文件，模型输出要求也是一个文件，例如输入数据文件名test_123456.csv，则输出文件名必须为test_123456.csv_result.txt。另外，输出文件的数量与输入文件必须一致。

4.3 线上代码评分

对于提交的预测RSRP值，将根据以下条件进行排序。

• 模型在评审数据集的评估下，弱覆盖识别率（PCRR: Poor coverage recognition rate）必须大于等于20%。
• 在PCRR精度达标后，再根据预测均方根误差（RMSE: Root mean square error）大小进行各参赛组的名次排序（RMSE小者排名靠前）。

PCRR和RMSE的介绍如下所示：

• 弱覆盖识别率（PCRR: Poor coverage recognition rate）在进行预测的过程中如果可以有效识别弱覆盖区域，能够更好地帮助运营商精准规划和 优化网络从而提升客户体验。因此，除 RMSE 为有效测试目标之外，弱覆盖识别准确率也 是作为一项非常有价值的评价指标。
• 均方根误差（RMSE: Root mean square error）。 RMSE 是评估预测值和实测值整体偏差的指标，其大小直观表现了仿真准确性。直接计
  算待评估数据的 RMSE，计算公式如下:
  

提交

组委会将为参赛队提供华为云 ModelArts 作为 AI 运算平台，训练数据集都存储在该平台上。参赛队伍可以将训练数据下载到本地展开训练，同时竞赛评审也利用华为云大赛平台进行。

本次竞赛线上部分的数据集获取、模型提交、评分与排名系统等详细内容请访问本次竞赛的华为云网站:
此次竞赛的华为云网站