本發(fā)明涉及無線網(wǎng)絡(luò)規(guī)劃設(shè)計，尤其涉及一種基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法和裝置。

背景技術(shù)：

1、對無線電傳播進(jìn)行場強(qiáng)覆蓋預(yù)測可以幫助我們了解無線電信號在不同地理位置條件下的傳播情況，從而幫助我們更好地規(guī)劃和設(shè)計無線電通信系統(tǒng)。

2、傳統(tǒng)的無線電波傳播模型一般可分為三類:經(jīng)驗?zāi)Ｐ?、半?jīng)驗或半確定性模型和確定性模型。傳統(tǒng)的無線電傳播模型通?；诮?jīng)典的物理學(xué)理論，使用的參數(shù)具有明確的物理意義，并且需要高精度的采樣數(shù)據(jù)來保證模型的精確度。然而，由于移動通信環(huán)境具有極大的多樣性，這些傳統(tǒng)傳播模型并不適用于含有大量噪聲數(shù)據(jù)的情形。在這種情況下，這些高噪聲會降低傳統(tǒng)傳播模型的準(zhǔn)確性，例如標(biāo)準(zhǔn)傳播模型(standard?propagationmodel，spm)等傳統(tǒng)傳播模型，或多層感知機(jī)(multilayer?perceptron，mlp)神經(jīng)網(wǎng)絡(luò)架構(gòu)的ai傳播模型，它們采用連續(xù)波(continuous?wave，cw)路測數(shù)據(jù)進(jìn)行模型校正，但它們無法準(zhǔn)確地描述電磁波在多變場景下的復(fù)雜傳播情況。由于cw路測數(shù)據(jù)是全向天線對應(yīng)的測量結(jié)果，其天線方向圖為全向且對稱，因此只能展示距離損耗，同時，天線的方向性是一個恒定值，其增益特性無法通過訓(xùn)練的方式來獲取。此外，使用cw路測數(shù)據(jù)需要耗費(fèi)大量的資源進(jìn)行采集，并且采集到的數(shù)據(jù)量有限，數(shù)據(jù)的多樣性不足，因此，通過采用cw數(shù)據(jù)校正出的模型的適用范圍并不廣泛。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明實(shí)施例提供一種基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法和裝置，用以解決上述的傳統(tǒng)的無線電波傳播模型需要高精度的采樣數(shù)據(jù)來保證模型的精確度，不適用于含有大量噪聲數(shù)據(jù)的情形的技術(shù)問題。

2、第一方面，本發(fā)明實(shí)施例提供一種基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法，包括：

3、獲取最小化路測數(shù)據(jù)；

4、對所述最小化路測數(shù)據(jù)進(jìn)行預(yù)處理，得到接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)，以及得到接收端和發(fā)送端之間的地理信息參數(shù)；

5、將所述接收端和發(fā)送端之間的地理信息參數(shù)和所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入基于人工智能大模型技術(shù)的無線傳播模型中，得到所述無線傳播模型輸出的區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果；

6、其中，所述無線傳播模型用于對所述接收端和發(fā)送端之間的地理信息參數(shù)和所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)進(jìn)行特征提取并分析提取到的特征之間的相關(guān)性，基于分析結(jié)果對區(qū)域場強(qiáng)覆蓋情況進(jìn)行預(yù)測。

7、在一個實(shí)施例中，所述無線傳播模型包括：第一全連接層、第二全連接層、第三全連接層、第一多頭注意力機(jī)制、位置編碼模塊、第二多頭注意力機(jī)制、拼接機(jī)制、第四全連接層和激活層；

8、其中，所述第一全連接層、所述第二全連接層和所述第三全連接層用于對所述接收端和發(fā)送端之間的地理信息參數(shù)進(jìn)行特征提取，獲得接收端和發(fā)送端之間的地理特征向量；

9、所述第一多頭注意力機(jī)制用于為經(jīng)過所述第一全連接層、所述第二全連接層和所述第三全連接層后的輸出特征賦予權(quán)重，得到多個具備不同權(quán)重的接收端和發(fā)送端之間的地理特征向量；

10、所述位置編碼模塊用于對所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)進(jìn)行位置排序和編碼，得到增強(qiáng)位置信息后的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)；

11、所述第二多頭注意力機(jī)制用于為所述增強(qiáng)位置信息后的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)賦予權(quán)重，得到多個具備不同權(quán)重的接收端預(yù)設(shè)范圍內(nèi)的地理信息特征；

12、所述拼接機(jī)制用于將所述多個具備不同權(quán)重的接收端和發(fā)送端之間的地理特征和所述多個具備不同權(quán)重的接收端預(yù)設(shè)范圍內(nèi)的地理信息特征進(jìn)行拼接，得到拼接后的特征與信息；

13、所述第四全連接層用于對所述拼接后的信息進(jìn)行特征轉(zhuǎn)換，將網(wǎng)絡(luò)學(xué)習(xí)到的特征映射到具體的輸出；

14、所述激活層用于對經(jīng)過所述第四全連接層后的特征信息進(jìn)行非線性映射，得到區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果。

15、在一個實(shí)施例中，將所述接收端和發(fā)送端之間的地理信息參數(shù)和所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入基于人工智能大模型技術(shù)的無線傳播模型中，得到所述無線傳播模型輸出的區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果，包括：

16、將所述接收端和發(fā)送端之間的地理信息參數(shù)輸入所述第一全連接層，將所述第一全連接層的輸出結(jié)果輸入所述第二全連接層，將所述第二全連接層的輸出結(jié)果輸入所述第三全連接層，將所述第三全連接層輸出的接收端和發(fā)送端之間的地理特征向量輸入第一多頭注意力機(jī)制，獲得多個具備不同權(quán)重的接收端和發(fā)送端之間的地理特征向量；

17、將所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入所述位置編碼模塊，獲得增強(qiáng)位置信息后的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)；將增強(qiáng)位置信息后的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入所述第二多頭注意力機(jī)制，獲得多個具備不同權(quán)重的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)；

18、將所述多個具備不同權(quán)重的接收端和發(fā)送端之間的地理特征和所述多個具備不同權(quán)重的接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入拼接模塊進(jìn)行拼接，得到拼接后的信息；

19、將所述拼接后的信息輸入所述第四全連接層進(jìn)行特征提取，得到合并信息向量；

20、將所述合并信息向量輸入所述激活層進(jìn)行非線性映射，得到區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果。

21、在一個實(shí)施例中，所述第一多頭注意力機(jī)制和所述第二多頭注意力機(jī)制均包括多個注意力機(jī)制網(wǎng)絡(luò)，每個注意力機(jī)制網(wǎng)絡(luò)均包括3組線性層；對于輸入的數(shù)據(jù)ci，在每個注意力機(jī)制網(wǎng)絡(luò)中分別經(jīng)過3組線性層后與權(quán)重矩陣w相乘，得到q、k、v，其中q＝w1ci，k＝w2ci，v＝w3ci，再利用如下公式計算得到結(jié)果ai：

22、ai＝s*v＝softmax(q*kt)*v

23、對于輸入的數(shù)據(jù)ci，經(jīng)過所述第一多頭注意力機(jī)制或者所述第二多頭注意力機(jī)制中的i個注意力機(jī)制網(wǎng)絡(luò)之后，得到結(jié)果a1，a2，……ai。

24、在一個實(shí)施例中，所述最小化路測數(shù)據(jù)包括：接收端和發(fā)送端之間的距離長度、接收端和發(fā)送端之間的遮擋信息、接收端發(fā)送端之間的地物類型信息、接收端和發(fā)送端之間最接近接收端的預(yù)設(shè)距離長度內(nèi)的遮擋信息以及接收端和發(fā)送端之間最接近接收端的預(yù)設(shè)距離長度內(nèi)的地物類型信息。

25、在一個實(shí)施例中，對所述最小化路測數(shù)據(jù)進(jìn)行預(yù)處理，得到接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)，以及得到接收端和發(fā)送端之間的地理信息參數(shù)，包括：

26、按照預(yù)設(shè)的劃分長度，根據(jù)接收端和發(fā)送端之間最接近接收端的預(yù)設(shè)距離長度，構(gòu)建遮擋信息柵格組和地物信息柵格組，所述遮擋信息柵格組和所述地物信息柵格組中包含的柵格數(shù)量一致；根據(jù)接收端和發(fā)送端之間最接近接收端的預(yù)設(shè)距離長度內(nèi)的遮擋信息，將遮擋部分對應(yīng)的遮擋信息柵格組中的柵格記為1，將未遮擋部分的對應(yīng)的遮擋信息柵格組中的柵格記為0，構(gòu)建得到遮擋信息向量；根據(jù)接收端和發(fā)送端之間最接近接收端的預(yù)設(shè)距離長度內(nèi)的地物類型信息，將地物類型信息記錄至對應(yīng)的地物信息柵格組中的柵格內(nèi)；以接收端為起點(diǎn)，由近及遠(yuǎn)的所有柵格的地物類型按順序組成地物類型向量；所述遮擋信息向量和所述地物類型向量共同作為所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)；

27、將接收端和發(fā)送端之間的距離長度作為總長度，計算得到接收端和發(fā)送端之間被遮擋部分占總長度的比例、接收端和發(fā)送端之間未遮擋部分占總長度的比例以及接收端和發(fā)送端之間每種地物類型的長度占總長度的比例，作為接收端和發(fā)送端之間的地理信息參數(shù)。

28、第二方面，本發(fā)明實(shí)施例提供一種基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測裝置，包括：

29、數(shù)據(jù)獲取模塊，用于獲取最小化路測數(shù)據(jù)；

30、預(yù)處理模塊，用于對所述最小化路測數(shù)據(jù)進(jìn)行預(yù)處理，得到接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)，以及得到接收端和發(fā)送端之間的地理信息參數(shù)；

31、預(yù)測模塊，用于將所述接收端和發(fā)送端之間的地理信息參數(shù)和所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入基于人工智能大模型技術(shù)的無線傳播模型中，得到所述無線傳播模型輸出的區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果；

32、其中，所述無線傳播模型用于對所述接收端和發(fā)送端之間的地理信息參數(shù)和所述接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)進(jìn)行特征提取并分析提取到的特征之間的相關(guān)性，基于分析結(jié)果對區(qū)域場強(qiáng)覆蓋情況進(jìn)行預(yù)測。

33、第三方面，本發(fā)明實(shí)施例提供一種電子設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運(yùn)行的計算機(jī)程序，所述處理器執(zhí)行所述程序時實(shí)現(xiàn)如上述任一種所述的基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法的步驟。

34、第四方面，本發(fā)明實(shí)施例提供一種非暫態(tài)計算機(jī)可讀存儲介質(zhì)，其上存儲有計算機(jī)程序，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述任一種所述的基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法的步驟。

35、第五方面，本發(fā)明實(shí)施例還提供一種計算機(jī)程序產(chǎn)品，該計算機(jī)程序被處理器執(zhí)行時實(shí)現(xiàn)如上述任一種所述的基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法的步驟。

36、本發(fā)明實(shí)施例提供的基于人工智能大模型技術(shù)的無線傳播覆蓋預(yù)測方法和裝置，通過獲取最小化路測數(shù)據(jù)，對最小化路測數(shù)據(jù)進(jìn)行預(yù)處理，得到接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)，以及得到接收端和發(fā)送端之間的地理信息參數(shù)；將接收端和發(fā)送端之間的地理信息參數(shù)和接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)輸入基于人工智能大模型技術(shù)的無線傳播模型中，得到無線傳播模型輸出的區(qū)域場強(qiáng)覆蓋預(yù)測結(jié)果；其中，無線傳播模型用于對接收端和發(fā)送端之間的地理信息參數(shù)和接收端預(yù)設(shè)范圍內(nèi)的地理信息參數(shù)進(jìn)行特征提取并分析提取到的特征之間的相關(guān)性，基于分析結(jié)果對區(qū)域場強(qiáng)覆蓋情況進(jìn)行預(yù)測。通過上述方法和裝置的運(yùn)用，通過使用基于人工智能大模型技術(shù)的無線傳播模型，使得模型能夠更好地學(xué)習(xí)數(shù)據(jù)中的規(guī)律，從而提高區(qū)域場強(qiáng)覆蓋的預(yù)測效果。通過利用最小化路測數(shù)據(jù)作為無線傳播模型使用的參數(shù)，解決了使用連續(xù)波路測數(shù)據(jù)時無法體現(xiàn)天線增益對接收功率的影響的問題，并且由于最小化路測數(shù)據(jù)的數(shù)據(jù)多樣性豐富，數(shù)據(jù)量充足，能夠使校正出的模型的適用范圍更加廣泛。