肖振鋒，伍曉平，徐志強(qiáng)，劉浩田，馬潔明，伍仁勇

（1.國網(wǎng)湖南省電力有限公司經(jīng)濟(jì)技術(shù)研究院，湖南長沙，410004；2.國網(wǎng)湖南省電力有限公司，湖南長沙，410004；3.湖南大學(xué)信息科學(xué)與工程學(xué)院，湖南長沙，410082）

在智能電網(wǎng)中，電力無線網(wǎng)絡(luò)可以基本滿足輸變電和配用電網(wǎng)智能全覆蓋、信息全采集的通信需求[1]，但具有投資大、建設(shè)周期長、技術(shù)實現(xiàn)復(fù)雜等缺點。網(wǎng)絡(luò)覆蓋面、傳輸容量都會制約通信網(wǎng)絡(luò)的整體性能和投資收益，木桶效應(yīng)明顯。為實現(xiàn)網(wǎng)絡(luò)覆蓋、傳輸容量和投資三者之間的平衡，必須根據(jù)地區(qū)社會經(jīng)濟(jì)發(fā)展規(guī)劃對無線網(wǎng)絡(luò)進(jìn)行準(zhǔn)確規(guī)劃[2]，而網(wǎng)絡(luò)覆蓋是網(wǎng)絡(luò)規(guī)劃工作的關(guān)鍵。基站分布和通信參數(shù)規(guī)劃直接決定了網(wǎng)絡(luò)覆蓋性能[3]。對無線網(wǎng)絡(luò)規(guī)劃方案的覆蓋性能進(jìn)行評估，可以提前發(fā)現(xiàn)網(wǎng)絡(luò)規(guī)劃方案不合理之處，進(jìn)而指導(dǎo)網(wǎng)絡(luò)規(guī)劃方案不斷改進(jìn)與完善[3]，提高最后工程投入-產(chǎn)出比?，F(xiàn)有覆蓋性能評價一般只是根據(jù)無線傳播模型進(jìn)行正向仿真，已有部分商業(yè)工具軟件可以實現(xiàn)此類的性能仿真和評估，但這些技術(shù)路線往往還需要結(jié)合大量實地參數(shù)測量和覆蓋模型理論分析，成本很高，且對從業(yè)人員專業(yè)技能有一定要求，難以推廣使用，目前通常憑借技術(shù)人員的經(jīng)驗對網(wǎng)絡(luò)規(guī)劃方案優(yōu)劣進(jìn)行定性判斷，而這常導(dǎo)致建成后的網(wǎng)絡(luò)有效覆蓋面出現(xiàn)較大偏差，技術(shù)指標(biāo)與業(yè)務(wù)需求不匹配。近年來，各種機(jī)器學(xué)習(xí)新算法不斷涌現(xiàn)[4-5]，隨著電力業(yè)務(wù)量和通信網(wǎng)絡(luò)技術(shù)的不斷積累，人們嘗試找到與之匹配的網(wǎng)絡(luò)規(guī)劃覆蓋性能評價方法，提高投入-產(chǎn)出比。通過構(gòu)造符合當(dāng)?shù)貙嶋H的無線環(huán)境數(shù)據(jù)模型以及網(wǎng)絡(luò)規(guī)劃方案對應(yīng)的無線特征，預(yù)測網(wǎng)絡(luò)建成后的覆蓋性能，最終得到網(wǎng)絡(luò)規(guī)劃區(qū)域內(nèi)覆蓋性能的優(yōu)劣評估（0-1 標(biāo)簽標(biāo)定）的準(zhǔn)確數(shù)據(jù)，相對于傳統(tǒng)技術(shù)路線，可以減少大量參數(shù)實測和理論分析工作。網(wǎng)絡(luò)規(guī)劃方案的覆蓋性能評價是一個典型的分類問題，與機(jī)器學(xué)習(xí)中的分類思想相符。在解決分類問題方面，有KNN（K 最近鄰算法）[6]、RF（隨機(jī)森林算法）[7-8]、DT（決策樹算法）[9-10]、GBDT（梯度提升決策樹算法）[11]等多種機(jī)器學(xué)習(xí)算法[12-13]。本文應(yīng)用隨機(jī)森林算法，采用集成學(xué)習(xí)[14]的思想集成多棵獨立的決策樹，通過建立多個分類器的組合來解決單一預(yù)測問題。

1 機(jī)器學(xué)習(xí)和問題描述

機(jī)器學(xué)習(xí)是一個復(fù)雜迭代的過程。沒有任何集成工具可用于整個機(jī)器學(xué)習(xí)處理流程，需要將工具和處理流程結(jié)合在一起才能解決實際工程問題。

1.1 機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是一種數(shù)據(jù)分析技術(shù)，算法直接從大量歷史數(shù)據(jù)中“學(xué)習(xí)”信息，而不依賴于預(yù)定程序模型。當(dāng)可用于學(xué)習(xí)的樣本數(shù)量增加時，這些算法可自適應(yīng)地提高性能。機(jī)器學(xué)習(xí)總是從一個明確的問題和目標(biāo)開始，圖1所示為機(jī)器學(xué)習(xí)的一般過程。

圖1 機(jī)器學(xué)習(xí)的一般過程Fig.1 General processes of machine learning

1）收集數(shù)據(jù)。數(shù)據(jù)可以來自電子表格、文本文件和數(shù)據(jù)庫等。適合的數(shù)據(jù)數(shù)量和種類越多，機(jī)器學(xué)習(xí)模型就越精確。

2）準(zhǔn)備數(shù)據(jù)。包括數(shù)據(jù)清理和解析、刪除或糾正異常值（失控的錯誤值），然后，將數(shù)據(jù)分成訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)兩部分。

3）訓(xùn)練模型。針對一組訓(xùn)練數(shù)據(jù)（用于識別數(shù)據(jù)中的模式或相關(guān)性）和測試數(shù)據(jù)（用于預(yù)測或分類），使用重復(fù)測試和誤差改進(jìn)方法來逐步提高模型精度。

4）評估模型。通過比較結(jié)果與測試數(shù)據(jù)集的準(zhǔn)確度來評估模型。為了確保測試是無偏的和獨立的，不能對用于訓(xùn)練模型的數(shù)據(jù)集進(jìn)行模型評估。

5）部署和改進(jìn)。可以嘗試不同算法或者收集更多種類或更多數(shù)據(jù)，以提高模型預(yù)測或分類的準(zhǔn)確度。

1.2 結(jié)合機(jī)器學(xué)習(xí)的網(wǎng)絡(luò)覆蓋性能評價

無線網(wǎng)絡(luò)規(guī)劃方案的覆蓋性能評價是對網(wǎng)絡(luò)覆蓋區(qū)域內(nèi)的無線信號范圍和質(zhì)量優(yōu)劣進(jìn)行判定，屬于分類問題，圖2所示為該分類問題的示例。從圖2可知網(wǎng)絡(luò)覆蓋性能以無線信號質(zhì)量（廣播控制信道接收功率）是否達(dá)標(biāo)作為主要評判標(biāo)準(zhǔn)，接收功率大于-80 dB·mW 表示無線信號質(zhì)量優(yōu)，標(biāo)記為1，反之標(biāo)記為0。最后，根據(jù)各地網(wǎng)絡(luò)覆蓋情況，得到網(wǎng)絡(luò)規(guī)劃方案的整體網(wǎng)絡(luò)覆蓋性能。顯然，這個過程與機(jī)器學(xué)習(xí)過程高度契合。本文基于機(jī)器學(xué)習(xí)中的隨機(jī)森林算法構(gòu)建網(wǎng)絡(luò)規(guī)劃方案覆蓋性能評估模型。

圖2 無線信號質(zhì)量分類示例Fig.2 A classification example of wireless signal quality

2 覆蓋性能定量評價

覆蓋性能評估模型的訓(xùn)練實際上就是通過對大量歷史數(shù)據(jù)蘊含的統(tǒng)計知識進(jìn)行學(xué)習(xí)和固化，不斷優(yōu)化評估模型的參數(shù)。

2.1 數(shù)據(jù)準(zhǔn)備

影響無線網(wǎng)絡(luò)覆蓋的因素有很多，上行包括基站接收靈敏度、天線分集增益、終端發(fā)射功率、傳播損耗等，下行包括有效全向輻射功率、總發(fā)射功率、路徑損耗、信號頻段、終端距離基站的距離、天線增益、天線掛高、下傾角、方位角、點播傳播場景（市區(qū)和郊區(qū)）和地形環(huán)境（平原、山區(qū)和丘陵）等[3]。在設(shè)計和構(gòu)造無線網(wǎng)絡(luò)數(shù)據(jù)模型時，特征越多、越準(zhǔn)確，則最終模型的預(yù)測結(jié)果越準(zhǔn)確。

另一方面，這些影響因素之間往往存在著某些相關(guān)性，如發(fā)射功率直接影響傳輸距離，天線掛高則可以影響路徑損耗。若對數(shù)據(jù)不進(jìn)行任何處理直接應(yīng)用于隨機(jī)森林算法訓(xùn)練，則可能使森林中不同樹之間具有較強(qiáng)的相關(guān)性，導(dǎo)致分類準(zhǔn)確率下降。本文采用ZCA（zero-phase component analysis，零相位分量分析方法）[15]白化方法，首先將原始數(shù)據(jù)映射到新的特征空間，使數(shù)據(jù)各維度特征間獨立不相關(guān)，再將數(shù)據(jù)映射回初始空間，使處理后的數(shù)據(jù)更加接近原始數(shù)據(jù)，并保證數(shù)據(jù)各維度的方差相同。

例如，給定含有m個樣本、維度為n的數(shù)據(jù)集X，即X∈Rn×m，對其進(jìn)行ZCA 白化的算法步驟如下。

1）計算數(shù)據(jù)集的協(xié)方差矩陣Σ：

2）對協(xié)方差矩陣進(jìn)行奇異值分解得到特征向量u1,u2,…,un，可以得到特征向量矩陣U，利用UTX得到數(shù)據(jù)集經(jīng)過旋轉(zhuǎn)后的結(jié)果Xrot，即

3）對數(shù)據(jù)集進(jìn)行PCA（principal components analysis）[15]白化，將Xrot中的每一維都除以λi（其中，λi為協(xié)方差矩陣對角線元素），使輸入特征具有單位方差。PCA白化定義為

4）將XPCAwhite,i與特征向量矩陣U相乘，得到需要的ZCA白化：

上述過程保留了數(shù)據(jù)的全部n個維度，得到的數(shù)據(jù)更加接近原始數(shù)據(jù)。

2.2 評估模型構(gòu)建

網(wǎng)絡(luò)規(guī)劃方案覆蓋性能評估本質(zhì)上可以歸為1個二分類問題。

2.2.1 構(gòu)建數(shù)據(jù)集

根據(jù)目標(biāo)區(qū)域歷史數(shù)據(jù)中的標(biāo)志（ID）字段查詢獲得的基站信息，然后根據(jù)對應(yīng)地點經(jīng)緯度、基站經(jīng)緯度、方位角等計算距離和方位角差角。結(jié)合以往經(jīng)驗并考慮數(shù)據(jù)獲取難易程度，本文選擇8個特征，共同構(gòu)成輸入向量為

式中：d為終端距離基站的距離；p為基站發(fā)射功率；z為基站天線方位角差值；n為基站天線下傾角；h為基站高度；f為基站頻率；c為覆蓋類型對應(yīng)的類別號；b為基站類型對應(yīng)的類別號。定義無線信號質(zhì)量閾值T，輸出以該閾值T為分割點，廣播控制信道接收大于T的數(shù)據(jù)設(shè)置標(biāo)簽為1，小于T的數(shù)據(jù)設(shè)置標(biāo)簽為0。

對大小為m的原始數(shù)據(jù)集Sn，采取自助法（bootstrap）重采樣技術(shù)，隨機(jī)且有放回地從原始數(shù)據(jù)集中抽取m0個樣本（其中m0＜m），重復(fù)w次，構(gòu)建出w個不同的訓(xùn)練子集Sn1，Sn2，…，Snw。

2.2.2 生成決策樹

應(yīng)用CART[16]算法構(gòu)造決策樹。決策樹每個內(nèi)部節(jié)點表示一個屬性上的測試，每個分支代表1個測試輸出，每個葉節(jié)點代表一種類別。每個樣本的特征維度記為n，隨機(jī)地從n個特征中選取c個特征（其中c＜＜n），利用這些特征對選出的訓(xùn)練樣本建立決策樹。在決策樹構(gòu)造過程中，每次分裂時都從特征中選擇最優(yōu)的一個特征，每棵樹都最大程度地生長，沒有剪枝過程，這樣降低了樹之間的相似性，使得隨機(jī)森林不容易陷入過擬合，具有較強(qiáng)的抗噪能力。

2.2.3 構(gòu)建組合分類模型

重復(fù)上述過程，對w個不同的訓(xùn)練集進(jìn)行訓(xùn)練生成w棵決策樹，從而形成隨機(jī)森林。顯然，w棵決策樹對應(yīng)w個不同的分類模型，然后集成所有分類模型的投票結(jié)果，將投票次數(shù)最多的類別指定為最終的分類結(jié)果，構(gòu)成如下多模型分類系統(tǒng)：

其中：H(x)為組合分類模型；h（xi）為第i棵決策樹的分類模型；Vmajority_vote表示多數(shù)投票決策機(jī)制（算法）函數(shù)；w為決策樹數(shù)量。該組合分類模型的構(gòu)建利用了當(dāng)?shù)氐臍v史數(shù)據(jù)，是對當(dāng)?shù)責(zé)o線網(wǎng)絡(luò)覆蓋模型的重構(gòu)，與當(dāng)?shù)氐臒o線使用環(huán)境保持一致。

2.2.4 模型參數(shù)優(yōu)化

構(gòu)建隨機(jī)森林分類模型的關(guān)鍵是確定特征數(shù)量c和決策樹數(shù)量w的最優(yōu)參數(shù)，這可以通過計算袋外錯誤率（out-of-bag error）[17]來判決。一般約有1/3 的訓(xùn)練樣本沒有參與第k棵樹的生成，這些樣本即為第k棵樹的袋外（out-of-bag）樣本。袋外錯誤估計可以分為3步。

1）假設(shè)共有w棵決策樹，則對數(shù)據(jù)集中的1個樣本xi而言，它作為袋外樣本的樹約為w/3棵，這也意味著該樣本可以作為這w/3 棵樹的測試樣本，然后計算這w/3棵樹對該樣本的分類情況。

2）對w/3棵樹的分類結(jié)果進(jìn)行簡單投票，并以多數(shù)投票結(jié)果作為該袋外樣本的分類結(jié)果，其預(yù)測誤差就是xi在這個隨機(jī)森林上的袋外錯誤率，以Ei表示。

3）將每個袋外樣本的預(yù)測結(jié)果與真實值進(jìn)行比較，用分類錯誤個數(shù)占數(shù)據(jù)集中樣本總數(shù)的比率作為整個隨機(jī)森林的袋外錯誤率，以E表示。即整個隨機(jī)森林的袋外錯誤率就是所有訓(xùn)練樣本的平均袋外錯誤率，袋外錯誤率越低，表示模型的分類性能越好。

2.2.5 模型性能評價

由于存在袋外樣本，隨機(jī)森林算法無需進(jìn)行交叉驗證或用獨立的測試集來獲得誤差的一個無偏估計。但與其他機(jī)器學(xué)習(xí)分類算法進(jìn)行橫向比較時，仍然需要采用交叉驗證來評估模型的分類性能，而混淆矩陣[18]是所有評價指標(biāo)的基礎(chǔ)。表1所示為混淆矩陣，其中Tp表示將正類（真實值為1）預(yù)測為正類（預(yù)測值為1）的次數(shù)，F(xiàn)n表示將負(fù)類（真實值為0）預(yù)測為負(fù)類（預(yù)測值為0）的次數(shù)，Tn表示將正類（真實值為1）預(yù)測為負(fù)類（預(yù)測值為0）的漏報次數(shù)，F(xiàn)p表示將負(fù)類（真實值為0）預(yù)測為正類（預(yù)測值為1）的誤報次數(shù)。

表1 混淆矩陣Table 1 Confusion matrix

模型的具體評價指標(biāo)通用的有精度P、召回率R與綜合評價指標(biāo)F1。其中，精度P表示被分為正類的樣本中實際為正類的比例，其計算公式為

召回率R是對模型預(yù)測覆蓋面的度量，用于度量正類樣本被正確分類的數(shù)量，其計算公式為

指標(biāo)P和R有時候會存在矛盾，此時，引入F1評價不同算法分類性能。F1綜合考慮P和R，對P和R進(jìn)行加權(quán)調(diào)和平均，F(xiàn)1較高，表明模型預(yù)測效果比較好，其計算公式為

3 性能仿真與分析

3.1 仿真環(huán)境和數(shù)據(jù)處理

仿真程序使用Python 語言開發(fā)，數(shù)據(jù)處理和模型構(gòu)建分別利用Python 的pandas 和scikit-learn[19]這2 個模塊編碼完成。原始數(shù)據(jù)集有30 萬行，為某地歷史路測數(shù)據(jù)。在數(shù)據(jù)準(zhǔn)備階段，進(jìn)行一系列清洗和轉(zhuǎn)換，包括刪除其中信息缺失或重復(fù)的數(shù)據(jù)、采用ZCA 方法去除相關(guān)性以及對數(shù)據(jù)進(jìn)行標(biāo)記處理等。數(shù)據(jù)標(biāo)記時，取無線信號質(zhì)量閾值T為-80 dB·m，廣播控制信道接收功率大于T表示信號質(zhì)量優(yōu)并設(shè)置標(biāo)簽1，小于T表示信號質(zhì)量差并設(shè)置標(biāo)簽0。由于信號強(qiáng)度有一定波動性，在同經(jīng)緯度、同小區(qū)識別碼情況下，可能會出現(xiàn)各項無線網(wǎng)絡(luò)特征相同但標(biāo)簽不同（0 和1 共2 種）的情況，干擾分類模型訓(xùn)練。此時，對廣播控制信道接收功率計算并取平均值，確保同一無線網(wǎng)絡(luò)特征對應(yīng)的標(biāo)簽只有1個。

特征數(shù)量c和決策樹數(shù)量w這2 個參數(shù)是構(gòu)造決策樹的關(guān)鍵。在通常情況下，隨著決策樹數(shù)量w增加，隨機(jī)森林通常會收斂到更低的誤差。圖3所示為隨機(jī)森林的袋外錯誤率E隨決策樹數(shù)量w的變化情況，其中袋外錯誤率取10 次實驗結(jié)果的平均值。從圖3可見：隨著決策樹數(shù)量增加，預(yù)測模型的袋外錯誤率快速下降，模型預(yù)測能力快速提高；但當(dāng)決策樹數(shù)量增加到400時，袋外錯誤率基本收斂，不再變化，繼續(xù)增加決策樹數(shù)量，模型性能不僅不會得到明顯提升，而且會由于運算量增加使得程序運行變慢，因此，本文選擇w為400。

圖3 袋外錯誤率E與決策樹數(shù)量w的關(guān)系Fig.3 Relationship between out-of-bag error and number of decision trees（w）

圖4所示為隨機(jī)森林的袋外錯誤率E隨特征數(shù)量c的變化情況，取10 次實驗結(jié)果的平均值。從圖4可見：當(dāng)特征數(shù)量較小時，袋外錯誤率較高，表明模型的預(yù)測能力較弱；隨著特征數(shù)量逐漸增加，袋外錯誤率逐步下降，模型的預(yù)測能力逐步增強(qiáng)；但當(dāng)特征數(shù)量大于4時，袋外錯誤率反而上下波動，模型的分類能力表現(xiàn)出不穩(wěn)定現(xiàn)象。這是由于當(dāng)特征數(shù)量增加到一定程度時，決策樹之間的相關(guān)性越來越高，反而影響模型的性能，因此，特征數(shù)量并非越大越好，本文根據(jù)實驗結(jié)果，取特征數(shù)量c的最優(yōu)值為4。

圖4 袋外錯誤率E與特征選取數(shù)量c的關(guān)系Fig.4 Relationship between out-of-bag error and number of features（c）

3.2 預(yù)測與評估

以某地電力無線網(wǎng)絡(luò)規(guī)劃為例。為解決網(wǎng)絡(luò)弱覆蓋問題，現(xiàn)對2個依據(jù)不同設(shè)想提出的無線網(wǎng)絡(luò)規(guī)劃方案進(jìn)行評估，其中基站類型全向天線用1表示，扇形天線用2 表示；覆蓋類型1 表示山區(qū)，2表示平原。表2所示為2個方案的相關(guān)信息，

表2 2個不同的無線網(wǎng)絡(luò)規(guī)劃方案Table 2 Two different wireless network planning schemes

首先根據(jù)上述每個無線網(wǎng)絡(luò)規(guī)劃方案提供的信息構(gòu)造1個數(shù)據(jù)格式與訓(xùn)練數(shù)據(jù)一致的預(yù)測數(shù)據(jù)集。如根據(jù)基站信息構(gòu)造訓(xùn)練數(shù)據(jù)的各種特征字段，使用網(wǎng)絡(luò)規(guī)劃方案提供的信息構(gòu)造預(yù)測數(shù)據(jù)，構(gòu)造距離、基站功率、方位角、下傾角、基站高度、基站頻段、覆蓋類型等無線網(wǎng)絡(luò)特征。在預(yù)測數(shù)據(jù)集中，每一個數(shù)據(jù)都對應(yīng)1個測試點的網(wǎng)絡(luò)特征。然后，將根據(jù)無線網(wǎng)絡(luò)規(guī)劃方案構(gòu)造的預(yù)測數(shù)據(jù)集導(dǎo)入評估模型進(jìn)行預(yù)測，預(yù)測數(shù)據(jù)集中的每一組輸入數(shù)據(jù)均對應(yīng)1個預(yù)測結(jié)果。最后，將預(yù)測結(jié)果中廣播控制信道接收功率大于無線信號質(zhì)量閾值T的測試點數(shù)除以總的測試點數(shù)，得出該方案下廣播控制信道接收功率大于無線信號質(zhì)量閾值T的占比。該量化數(shù)據(jù)即為該網(wǎng)絡(luò)規(guī)劃方案的覆蓋性能（覆蓋合理度）的評估指標(biāo)。

將-80 dB·m 作為無線信號質(zhì)量閾值時的網(wǎng)絡(luò)覆蓋度評估結(jié)果見表3。由表3可知：當(dāng)無線信號閾值取-80 dB·m時，方案1和方案2的網(wǎng)絡(luò)覆蓋度約為97%，非常接近。

表3 -80 dB·m作為無線信號質(zhì)量閾值時網(wǎng)絡(luò)覆蓋度評估結(jié)果Table 3 Evaluation results of network coverage when-80 dB·m is used as wireless signal quality threshold

當(dāng)上述網(wǎng)絡(luò)覆蓋合理度評估結(jié)果非常接近而無法分辨時，設(shè)置更高、更嚴(yán)格的無線信號質(zhì)量閾值T（取值為-70 dB·m），重新訓(xùn)練模型，對網(wǎng)絡(luò)規(guī)劃方案進(jìn)行進(jìn)一步評估、對比和區(qū)分。表4所示為-70 dB·m 作為無線信號質(zhì)量閾值時的網(wǎng)絡(luò)覆蓋度評價結(jié)果。從表4可見：2 種網(wǎng)絡(luò)規(guī)劃方案覆蓋性能的評估結(jié)果中，方案2比方案1的網(wǎng)絡(luò)覆蓋度高，方案2位更優(yōu)方案。這說明隨著無線信號質(zhì)量閾值T進(jìn)一步提高，模型對無線信號質(zhì)量優(yōu)的判斷標(biāo)準(zhǔn)提高，模型的分辨能力增強(qiáng)。

表4 -70 dB·m作為無線信號質(zhì)量閾值時網(wǎng)絡(luò)覆蓋度評估結(jié)果Table 4 Evaluation result of network coverage when-70 dB·m is used as wireless signal quality threshold

為進(jìn)一步比較隨機(jī)森林算法相比其他分類算法的優(yōu)勢，將隨機(jī)森林算法與KNN（K 最近鄰算法）、GBDT（梯度提升決策樹算法）進(jìn)行對比，采用交叉驗證方法評估不同模型的預(yù)測性能。將數(shù)據(jù)集進(jìn)行處理后按照9∶1的比例拆分為訓(xùn)練集和測試集，其中訓(xùn)練集用于訓(xùn)練模型，測試集用于評估模型的泛化能力。表5所示為3種模型的參數(shù)選擇及預(yù)測能力評估指標(biāo)。從表5可見：隨機(jī)森林算法模型的預(yù)測精度P、召回率R與綜合評價指標(biāo)F1等更高，表明該模型具有更強(qiáng)的泛化能力和更高的預(yù)測準(zhǔn)確率，驗證了隨機(jī)森林算法采用集成學(xué)習(xí)思想構(gòu)建的組合分類模型比單一模型的預(yù)測能力更強(qiáng)。

表5 3種模型性能比較Table 5 Performance comparison of three models

4 結(jié)論

1）提出一種新的基于機(jī)器學(xué)習(xí)的無線網(wǎng)絡(luò)規(guī)劃覆蓋性能定量評價方法。該方法首先通過各地歷史數(shù)據(jù)重構(gòu)無線網(wǎng)絡(luò)覆蓋模型，較好地適應(yīng)當(dāng)?shù)氐臒o線使用環(huán)境。根據(jù)模型數(shù)據(jù)對網(wǎng)絡(luò)規(guī)劃方案進(jìn)行評估，為網(wǎng)絡(luò)規(guī)劃方案的選擇或判斷提供了快速、準(zhǔn)確的量化判斷依據(jù)。

2）所提出的評價方法雖然基于傳統(tǒng)算法，但能夠快速、準(zhǔn)確地進(jìn)行量化評估并能區(qū)分各規(guī)劃方案的覆蓋性能優(yōu)劣。

3）當(dāng)決策樹較多時，本文采用的隨機(jī)森林算法的訓(xùn)練時-空開銷較大，特別是當(dāng)訓(xùn)練樣本數(shù)據(jù)集中的噪聲較大、決策樹層級過多時，存在陷入過擬合的問題，影響模型預(yù)測的準(zhǔn)確性和穩(wěn)定性，這有待進(jìn)一步研究。