劉璐，楊丹，陳睿杰，李嘉，周熹

研究與開發(fā)

基于KPCA-GA-BP神經(jīng)網(wǎng)絡(luò)的POI質(zhì)量預(yù)測研究

劉璐1，楊丹2，陳睿杰2，李嘉2，周熹2

（1. 中國移動通信集團(tuán)設(shè)計(jì)院有限公司重慶分公司，重慶 401121；2.中國移動通信集團(tuán)云南有限公司，云南 昆明 650228）

目前移動網(wǎng)絡(luò)優(yōu)化一般基于小區(qū)進(jìn)行網(wǎng)絡(luò)質(zhì)量評估及預(yù)測，遵循“升維研究，降維實(shí)施”的研究思路，提出了興趣點(diǎn)（point of interest，POI）網(wǎng)絡(luò)質(zhì)量的柔性評價(jià)體系，但其涉及較多網(wǎng)絡(luò)關(guān)鍵績效指標(biāo)（key performance indicator，KPI），導(dǎo)致POI網(wǎng)絡(luò)綜合質(zhì)量評價(jià)體系較為龐雜且預(yù)測精度不高，為提高POI網(wǎng)絡(luò)質(zhì)量預(yù)測精準(zhǔn)性，采用核主成分分析（kernel principal component analysis，KPCA）算法對反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)的輸入變量進(jìn)行相關(guān)性壓縮，簡化了BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，然后通過遺傳算法（genetic algorithm，GA）優(yōu)化了BP神經(jīng)網(wǎng)絡(luò)連接權(quán)值及閾值參數(shù)。與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果進(jìn)行對比，在預(yù)測準(zhǔn)確度方面提高了10.90%，均方誤差性能顯著降低，對研究POI網(wǎng)絡(luò)質(zhì)量的預(yù)測可起到較好的支撐作用。

POI柔性評價(jià)體系；核主成分分析；遺傳算法；BP神經(jīng)網(wǎng)絡(luò)；POI質(zhì)量預(yù)測

0 引言

近年來，隨著移動無線網(wǎng)絡(luò)的大力建設(shè)，用戶規(guī)模及業(yè)務(wù)量急劇增長，無線網(wǎng)絡(luò)中覆蓋、干擾、容量等質(zhì)量問題日益凸顯，傳統(tǒng)面向小區(qū)級的優(yōu)化策略過于片面。遵循“升維研究、降維實(shí)施”的研究思路，向上構(gòu)建興趣點(diǎn)（point of interest，POI）網(wǎng)絡(luò)質(zhì)量評價(jià)體系，基于該評價(jià)體系動態(tài)識別POI網(wǎng)絡(luò)質(zhì)量情況，并結(jié)合核主成分分析（kernel principal component analysis，KPCA）算法對評價(jià)體系中的多項(xiàng)關(guān)鍵績效指標(biāo)（key performance indicator，KPI）進(jìn)行降維壓縮處理，將此結(jié)果作為反向傳播（back propagation，BP）神經(jīng)網(wǎng)絡(luò)的輸入，并采用遺傳算法（genetic algorithm，GA）對BP神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化調(diào)整，最后對POI網(wǎng)絡(luò)質(zhì)量進(jìn)行綜合、全面的預(yù)測評估。

1 構(gòu)建POI網(wǎng)絡(luò)質(zhì)量評價(jià)體系

1.1 POI柔性識別主服小區(qū)

目前大數(shù)據(jù)及地理信息系統(tǒng)（geographic information system，GIS）快速發(fā)展，基于各場景功能具備的社會經(jīng)濟(jì)作用，POI[1]被劃分為最小無線網(wǎng)絡(luò)的評價(jià)單元，POI網(wǎng)絡(luò)質(zhì)量評價(jià)體系以最小化路測（minimization of drive tests，MDT）技術(shù)數(shù)據(jù)[2]為主，結(jié)合測量報(bào)告（measure report，MR）數(shù)據(jù)輔助補(bǔ)充，動態(tài)識別POI內(nèi)所轄主服小區(qū)，相較于傳統(tǒng)簇群，人為靜態(tài)鎖定服務(wù)小區(qū)方式更加靈活，可隨用戶業(yè)務(wù)分布進(jìn)行智能識別并歸屬POI，形成柔性POI的“呼吸效應(yīng)”。

基于MDT數(shù)據(jù)的POI動態(tài)劃分小區(qū)示意圖如圖1所示，小區(qū)MDT采樣點(diǎn)攜帶了詳細(xì)的經(jīng)度、緯度信息，且與POI場景是多對多關(guān)系，即一個小區(qū)的MDT采樣點(diǎn)分布在多個POI場景中，而一個POI場景則納入多個小區(qū)的MDT采樣點(diǎn)，動態(tài)識別POI內(nèi)所轄服務(wù)小區(qū)，而非人為定義其下掛小區(qū)數(shù)量，通過計(jì)算可獲取POI場景內(nèi)各小區(qū)采樣點(diǎn)貢獻(xiàn)度。

圖1 基于MDT數(shù)據(jù)的POI動態(tài)劃分小區(qū)示意圖

（1）以POI C與POI E為例，在時刻，小區(qū)1（cell 1）僅覆蓋POI C及POI E兩個場景，即：

（2）在+0時刻，如果用戶在POI C內(nèi)未占用cell 1的信號，則有：

1.2 POI網(wǎng)絡(luò)質(zhì)量評估

傳統(tǒng)基于小區(qū)粒度的網(wǎng)絡(luò)質(zhì)量評估[3]，對于整體網(wǎng)絡(luò)評估結(jié)果往往過于片面，優(yōu)化分析方案可能會陷入局部最優(yōu)問題，無法形成綜合、全面的評估結(jié)果。為解決該問題，本文以用戶業(yè)務(wù)分布為導(dǎo)向，進(jìn)行POI場景級的網(wǎng)絡(luò)質(zhì)量評估分析，在網(wǎng)絡(luò)分析層面及優(yōu)化執(zhí)行層面尋求平衡，達(dá)到“網(wǎng)隨業(yè)動”的目的。

根據(jù)德爾菲（Delphi）專家調(diào)查方法[4]選取影響無線網(wǎng)絡(luò)的重要指標(biāo)，17項(xiàng)KPI樣本見 表1。

表1 17項(xiàng)KPI樣本

注：無線電資源控制（radio resource control，RRC），物理資源塊（physical resource block，PRB），增強(qiáng)的單一無線語音呼叫連續(xù)性（enhanced single radio voice call continuity，eSRVCC），長期演進(jìn)語音承載（voice over long-term evolution，VoLTE），演進(jìn)型Node B（evolved Node B，eNodeB，特指LTE基站）

將小區(qū)質(zhì)量指標(biāo)升維至POI網(wǎng)絡(luò)質(zhì)量指標(biāo)，需要對表1中的各項(xiàng)KPI進(jìn)行原始計(jì)數(shù)器（counter）的規(guī)則拆解，再通過第1.1節(jié)中POI動態(tài)識別小區(qū)的方法獲取小區(qū)明細(xì)，構(gòu)建POI網(wǎng)絡(luò)質(zhì)量評價(jià)模型，并依據(jù)正態(tài)分布原則劃分高、中、低質(zhì)量優(yōu)先級的標(biāo)識，最終輸出統(tǒng)一標(biāo)準(zhǔn)化的數(shù)據(jù)源。

（1）小區(qū)KPI拆解及POI級指標(biāo)匯聚

以無線接通率為例：小區(qū)無線接通率=(RRC連接建立成功次數(shù)/RRC連接建立請求次數(shù))× (E-RAB連接建立成功次數(shù)/E-RAB連接建立請求次數(shù))，其中E-RAB為演進(jìn)的無線接入承載。

POI無線接通率為POI內(nèi)所轄所有服務(wù)小區(qū)的KPI counter分別進(jìn)行規(guī)則計(jì)算，即：

以上述方法進(jìn)行各項(xiàng)指標(biāo)最底層counter的拆解、合并后得到各項(xiàng)初始POI網(wǎng)絡(luò)質(zhì)量數(shù)據(jù)源，并對該數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。

（2）數(shù)據(jù)標(biāo)準(zhǔn)化處理

利用式（1）對數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，消除量綱差異。

（3）POI網(wǎng)絡(luò)質(zhì)量評價(jià)

（4）POI網(wǎng)絡(luò)質(zhì)量標(biāo)識處理

2 基于KPCA算法和GA-BP的預(yù)測模型

2.1 KPCA算法

KPCA的核心思想是對主成分分析（principal component analysis，PCA）算法的擴(kuò)展[5-6]，通過非線性核函數(shù)將原始數(shù)據(jù)從低維空間向高維特征空間映射，再通過計(jì)算映射后數(shù)據(jù)的協(xié)方差矩陣，得到相關(guān)特征值及特征向量，KPCA算法可解決PCA算法不能處理非線性相關(guān)的問題，降維輸出結(jié)果可作為BP神經(jīng)網(wǎng)絡(luò)輸入數(shù)據(jù)源，再做進(jìn)一步數(shù)據(jù)分析處理。具體實(shí)現(xiàn)步驟如下。

本文采用高斯（Gaussian）核函數(shù)進(jìn)行映射求解：

（3）求解核矩陣：

（4）求解中心化后的核矩陣：

（5）求解核矩陣的特征值及特征向量：

（6）求解非線性主成分：

（7）對特征值進(jìn)行從大到小排序，并根據(jù)各主成分累積貢獻(xiàn)率選取主成分，一般累積貢獻(xiàn)率>90%所對應(yīng)的主成分?jǐn)?shù)量[7]用來確定BP神經(jīng)網(wǎng)絡(luò)的輸入變量。

2.2 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按誤差反向傳播訓(xùn)練的多層前饋網(wǎng)絡(luò)[8-9]，其算法稱為BP算法，它的基本思想是梯度下降法，利用梯度搜索技術(shù)，以期使網(wǎng)絡(luò)的實(shí)際輸出值和期望輸出值的誤差均方差最小。基本BP算法包括信號的前向傳播和誤差的反向傳播兩個過程。即計(jì)算誤差輸出時按從輸入到輸出的方向進(jìn)行，而調(diào)整權(quán)值和閾值則從輸出到輸入的方向進(jìn)行，典型BP神經(jīng)網(wǎng)絡(luò)的3層結(jié)構(gòu)如圖2所示。

圖2 典型BP神經(jīng)網(wǎng)絡(luò)的3層結(jié)構(gòu)

GA優(yōu)化BP（GA-BP）神經(jīng)網(wǎng)絡(luò)[10-11]包括神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)確定、遺傳算法參數(shù)優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)預(yù)測3個部分。其中，用GA賦值優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值和閾值，可有效解決BP神經(jīng)網(wǎng)絡(luò)對初始權(quán)值和閾值進(jìn)行隨機(jī)或人為賦值的不穩(wěn)定缺陷，使優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)能夠更好地預(yù)測函數(shù)輸出，其基本思想就是用個體代表網(wǎng)絡(luò)的原始權(quán)值和閾值，將初始化的BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差作為該個體的適應(yīng)度值，并通過選擇、交叉、變異操作尋找最優(yōu)個體，即最優(yōu)的BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值及閾值，GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程如圖3所示。

GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)步驟如下。

（1）將第2.1節(jié)通過KPCA算法降維后的數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)的預(yù)測模型輸入變量，根據(jù)式（11）遍歷嘗試隱藏層神經(jīng)元個數(shù)，直至選出最優(yōu)解。

（2）設(shè)置神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)學(xué)習(xí)率、最小誤差目標(biāo)值、訓(xùn)練迭代次數(shù)、訓(xùn)練函數(shù)等。

（3）通過編碼符號串可表示個體串長度：

圖3 GA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法流程

（7）變異運(yùn)算針對個體的每一個基因座，按照變異概率指定其為變異點(diǎn)，并針對每個指定的變異點(diǎn)，對其基因值做取反運(yùn)算或使用其他等位基因值進(jìn)行替代，進(jìn)而產(chǎn)生新的個體，則變異概率m為：

其中，為每代中變異的基因數(shù)量，為每代中群體擁有的個體數(shù)量，表示個體中基因串的長度。

（8）如遺傳算法模型達(dá)到設(shè)置最大遺傳代數(shù)值，則輸出優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)值W及閾值b至BP神經(jīng)網(wǎng)絡(luò)進(jìn)行前向網(wǎng)絡(luò)誤差計(jì)算，并反向更新其權(quán)值W及閾值b，直到達(dá)到設(shè)置的約束條件后結(jié)束模型參數(shù)優(yōu)化，輸出最終的BP神經(jīng)網(wǎng)絡(luò)模型。

3 POI網(wǎng)絡(luò)質(zhì)量預(yù)測算例

為驗(yàn)證該模型的有效性及準(zhǔn)確性，以某地市連續(xù)3個月的第3周無線網(wǎng)絡(luò)KPI為原始數(shù)據(jù)源（排除節(jié)假日、特殊事件影響），通過第1節(jié)中POI網(wǎng)絡(luò)質(zhì)量數(shù)據(jù)的清洗及處理方法，獲取關(guān)聯(lián)POI網(wǎng)絡(luò)質(zhì)量高、中、低標(biāo)識的KPI指標(biāo)數(shù)據(jù)X，其中表示樣本數(shù)，=1,2,···,3 870；表示KPI維度，=1,2,···,17。

3.1 基于KPCA算法降維效果

根據(jù)KPCA算法進(jìn)行標(biāo)準(zhǔn)化數(shù)據(jù)的特征提取，可得到一組相互獨(dú)立又包含大量原始數(shù)據(jù)信息的主成分，一般將累計(jì)貢獻(xiàn)率大于90%作為降維標(biāo)準(zhǔn)，將原先17維輸入變量通過KPCA算法降維后得到4維變量數(shù)據(jù)，KPCA算法降維效果如圖4所示。

圖4 KPCA算法降維效果

將KPCA算法與PCA算法在同一條件下，即主成分累計(jì)貢獻(xiàn)率大于90%，進(jìn)行各項(xiàng)性能比較分析，KPCA算法與PCA算法降維效果對比見表2。

表2 KPCA算法與PCA算法降維效果對比

KPCA算法在降維效果上比PCA算法提升約47.06%，但耗時卻增加36.2 s，這是因?yàn)镻CA算法協(xié)方差矩陣大小與輸入變量樣本維數(shù)相關(guān)，而KPCA算法中核矩陣大小與輸入變量的樣本點(diǎn)相關(guān)，本例中樣本相對較小，核矩陣運(yùn)算耗時較短，其在實(shí)際運(yùn)用中是可接受的。

3.2 GA-BP神經(jīng)網(wǎng)絡(luò)的模型預(yù)測

經(jīng)過上述GA-BP神經(jīng)網(wǎng)絡(luò)模型對輸入變量進(jìn)行訓(xùn)練，種群適應(yīng)度與遺傳代數(shù)關(guān)系曲線（終止代數(shù)=100）如圖5所示，種群最佳適應(yīng)度值在0.759 54及遺傳代數(shù)為34時趨于收斂穩(wěn)定。

圖5 種群適應(yīng)度與遺傳代數(shù)關(guān)系曲線（終止代數(shù)=100）

將相對誤差、均方誤差（mean square error，MSE）以及預(yù)測準(zhǔn)確度作為模型性能的驗(yàn)證標(biāo)準(zhǔn)，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行對比分析，結(jié)果如下。

基于BP算法的相對誤差范圍為7.722 7×10?5～4.335×10?1，基于GA-BP算法的相對誤差范圍為5.413 2×10?5～1.919 4×10?1。從結(jié)果數(shù)據(jù)上分析，GA-BP比BP算法更為平穩(wěn)收斂，對誤差“削峰”更有效果。

基于BP與GA-BP算法的預(yù)測準(zhǔn)確度對比見表3，基于BP與GA-BP算法對POI網(wǎng)絡(luò)質(zhì)量的預(yù)測準(zhǔn)確度進(jìn)行對比，在同一標(biāo)準(zhǔn)條件下分別執(zhí)行10組驗(yàn)證測試，BP預(yù)測準(zhǔn)確度均值為86.40%，GA-BP較BP提升10.90%，平均預(yù)測準(zhǔn)確度可達(dá)到97.30%，其預(yù)測性能整體明顯優(yōu)于BP算法結(jié)果。

表3 基于BP與GA-BP算法的預(yù)測準(zhǔn)確度對比

基于BP算法與GA-BP算法預(yù)測結(jié)果均方差性能對比如圖7所示，基于BP算法預(yù)測結(jié)果與實(shí)際結(jié)果的MSE收斂梯度較為平緩，在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練100輪時，MSE性能指標(biāo)仍未達(dá)到設(shè)置的目標(biāo)值1×10?4，而基于GA-BP算法的MSE下降梯度明顯較快，在模型訓(xùn)練至43輪時MSE達(dá)到3.288 3×10?5，已優(yōu)于目標(biāo)值，模型性能提升顯著。

圖7 基于BP算法與GA-BP算法預(yù)測結(jié)果均方差性能對比

4 結(jié)束語

本文依據(jù)“升維研究、降維實(shí)施”的研究思路，首先構(gòu)建POI網(wǎng)絡(luò)質(zhì)量評價(jià)體系，從傳統(tǒng)小區(qū)級轉(zhuǎn)變?yōu)镻OI級優(yōu)化分析的策略，結(jié)合MDT定位數(shù)據(jù)柔性識別POI所轄主服小區(qū)，實(shí)現(xiàn)網(wǎng)隨業(yè)動的動態(tài)感知能力。并基于KPCA對原始數(shù)據(jù)進(jìn)行壓縮降維，將此輸出變量作為BP神經(jīng)網(wǎng)絡(luò)的輸入數(shù)據(jù)源，再采用GA對BP神經(jīng)網(wǎng)絡(luò)的權(quán)值、閾值進(jìn)行初始化調(diào)優(yōu)，根據(jù)訓(xùn)練及測試的驗(yàn)證效果，該基于KPCA算法降維的GA-BP神經(jīng)網(wǎng)絡(luò)模型具備較好的穩(wěn)定性及準(zhǔn)確性。

[1] 丁彥文, 許捍衛(wèi), 汪成昊. 融合OSM路網(wǎng)與POI數(shù)據(jù)的城市功能區(qū)識別研究[J]. 地理與地理信息科學(xué), 2020, 36(4): 57-63.

DING Y W, XU H W, WANG C H. Research on urban functional area recognition integrating OSM road network and POI data[J]. Geography and Geo-Information Science, 2020, 36(4): 57-63.

[2] 劉璐, 陳睿杰, 李嘉. 基于MDT重疊覆蓋度數(shù)據(jù)的KNN-DBSCAN參數(shù)自適應(yīng)調(diào)優(yōu)研究[J]. 電信科學(xué), 2022, 38(2): 119-129.

LIU L, CHEN R J, LI J. Research on adaptive optimization of KNN-DBSCAN parameters based on MDT overlapping coverage data[J]. Telecommunications Science, 2022, 38(2): 119-129.

[3] 蘇燦. 移動通信網(wǎng)絡(luò)優(yōu)化實(shí)證研究[J]. 電信技術(shù), 2019(S1): 19-21.

SU C. An empirical study on mobile communication network optimization[J]. Telecommunications Technology, 2019(S1): 19-21.

[4] 劉偉濤, 顧鴻, 李春洪. 基于德爾菲法的專家評估方法[J]. 計(jì)算機(jī)工程, 2011, 37(S1): 189-191, 204.

LIU W T, GU H, LI C H. Expert evaluation method based on Delphi method[J]. Computer Engineering, 2011, 37(S1): 189-191, 204.

[5] 彭令, 牛瑞卿, 趙艷南, 等. 基于核主成分分析和粒子群優(yōu)化支持向量機(jī)的滑坡位移預(yù)測[J]. 武漢大學(xué)學(xué)報(bào)·信息科學(xué)版, 2013, 38(2): 148-152, 161.

PENG L, NIU R Q, ZHAO Y N, et al. Prediction of landslide displacement based on KPCA and PSO-SVR[J]. Geomatics and Information Science of Wuhan University, 2013, 38(2): 148-152, 161.

[6] 李新春, 房梽斅, 張春華. 基于KPCA和改進(jìn)GBRT的室內(nèi)定位算法[J]. 傳感技術(shù)學(xué)報(bào), 2019, 32(3): 430-437.

LI X C, FANG Z X, ZHANG C H. Indoor positioning algorithm based on KPCA and improved GBRT[J]. Chinese Journal of Sensors and Actuators, 2019, 32(3): 430-437.

[7] 董鴿, 閔建中, 陳立范, 等. 基于MATLAB的中藥主成分分析數(shù)學(xué)實(shí)驗(yàn)教學(xué)案例[J]. 現(xiàn)代商貿(mào)工業(yè), 2021, 42(34): 142-144.

DONG G, MIN J Z, CHEN L F, et al. Math experiment teaching case of principal component analysis of traditional Chinese medicine based on MATLAB[J]. Modern Business Trade Industry, 2021, 42(34): 142-144.

[8] 馮玉芳, 盧厚清, 殷宏, 等. 基于BP神經(jīng)網(wǎng)絡(luò)的故障診斷模型研究[J]. 計(jì)算機(jī)工程與應(yīng)用, 2019, 55(6): 24-30.

FENG Y F, LU H Q, YIN H, et al. Study on fault diagnosis model based on BP neural network[J]. Computer Engineering and Applications, 2019, 55(6): 24-30.

[9] 溫廷新, 孔祥博. 基于KPCA-GA-BP的煤礦瓦斯爆炸風(fēng)險(xiǎn)模式識別[J]. 安全與環(huán)境學(xué)報(bào), 2021, 21(1): 19-26.

WEN T X, KONG X B. Risk pattern recognition of the coal mine gas explosion based on the KPCA-GA-BP[J]. Journal of Safety and Environment, 2021, 21(1): 19-26.

[10] 宋超, 宋娟. 基于遺傳算法優(yōu)化和BP神經(jīng)網(wǎng)絡(luò)的短期天然氣負(fù)荷預(yù)測[J]. 工業(yè)控制計(jì)算機(jī), 2012, 25(10): 82-84.

SONG C, SONG J. Parameter optimazation for BP neural network with GA on short-term gas load prediction[J]. Industrial Control Computer, 2012, 25(10): 82-84.

[11] 龐爾軍, 于虹, 唐貴基, 等. 基于遺傳算法優(yōu)化的BP網(wǎng)絡(luò)變壓器可靠度計(jì)算[J]. 機(jī)電工程, 2013, 30(8): 997-1000, 1028.

PANG E J, YU H, TANG G J, et al. Reliability calculation of transformer based on GA optimized BP[J]. Journal of Mechanical & Electrical Engineering, 2013, 30(8): 997-1000, 1028.

Research on POI quality prediction based on KPCA-GA-BP neural network

LIU Lu1, YANG Dan2, CHEN Ruijie2, LI Jia2, ZHOU Xi2

1. Chongqing Branch of China Mobile Communications Group Design Institute Co., Ltd.,Chongqing 401121, China 2. Yunnan Branch of China Mobile Communications Group Co., Ltd., Kunming 650228, China

At present, in network optimization, network quality evaluation and prediction are generally based on communities, and a flexible evaluation system for POI network quality was proposed following the research idea of “research on dimensionality increase and implementation of dimensionality reduction”. However, it involves many network KPI, resulting in a relatively complex evaluation system for POI network comprehensive quality and low prediction accuracy. In order to improve the prediction accuracy of POI network quality, KPCA was used to compress the correlation of input variables of BP neural network, the structure of BP neural network was simplified, and then the connection weights and threshold parameters of BP neural network were optimized through GA. Compared with the prediction results of traditional BP neural network, the prediction accuracy is improved by 10.9%, and the mean square error performance is significantly reduced, it can play a better supporting role in the prediction of POI network quality.

POI flexibility evaluation system, kernel principal component analysis, genetic algorithm, BP neural network, POI quality prediction

TN92

A

10.11959/j.issn.1000–0801.2023004

2022–08–01；

2022–11–09

劉璐（1986? ），男，中國移動通信集團(tuán)設(shè)計(jì)院有限公司重慶分公司工程師、高級咨詢設(shè)計(jì)師，主要從事無線網(wǎng)絡(luò)智能優(yōu)化業(yè)務(wù)及相關(guān)咨詢設(shè)計(jì)工作。

楊丹（1986? ），男，中國移動通信集團(tuán)云南有限公司工程師，主要從事無線優(yōu)化大數(shù)據(jù)分析及相關(guān)管理工作。

陳睿杰（1987? ），男，中國移動通信集團(tuán)云南有限公司工程師，主要從事無線優(yōu)化大數(shù)據(jù)分析、智能運(yùn)維工作。

李嘉（1989? ），男，現(xiàn)就職于中國移動通信集團(tuán)云南有限公司，主要從事無線優(yōu)化大數(shù)據(jù)分析、智能運(yùn)維工作。

周熹（1993? ），女，現(xiàn)就職于中國移動通信集團(tuán)云南有限公司，主要從事網(wǎng)絡(luò)優(yōu)化研究工作。