-Postgraduate-Mathematical-Modeling-Competition-A无线智能传播模型

# 2019年研究生数学建模竞赛 ## 无线智能传播模型 ### 赛题目的 利用模型准确预测在新环境下无线信号覆盖强度，减少网络 建设成本，提高网络建设效率 ### 赛题内容 本题一共有两个部分：构建特征并验证解释所选特征的可行性、有效性；使用Tensorflow框架设计神经网络并预测无线信号的覆盖强度 ### 比赛时间 2019年9月19日早8：00 —— 2019年9月23日12：00 本次比赛从发放赛题到截至提交论文验证码总计100小时 ### 比赛过程 在比赛过程中，除了设计特征参数、搭建模型以外，还需使用华为云在云端进行代码的测试。 - 特征参数设计：结合了 Cost-231-Hata经验公式提出了8个基本特征，并通过分析5G信号的传播以及影响方式，构建了14个优化特征，包括接收器地理类型、发射器周围建筑高度等。 - 对于解释特征参数构建的合理性，通过计算correlation参数，来计算每一个特征参数与无线信号覆盖强度的相关性；为了验证不同特征之间不存在精确相关性，进行了多重共线性检验 - 构建神经网络的时候，考虑到问题属于回归问题，且数据之间没有明显的时间相关性，故排除了使用CNN和RNN网络。采用传统的多层感知机模型进行训练 ### 模型效果 - 采用多层感知机进行预测时，MSE效果：100，f-score：20%+ - 除了使用多层感知机进行预测以外，还是用了决策树回归模型，这个模型得到了更好的结果，MSE：44，f-score：60%+ ### 华为云平台使用想法 由于赛题要求使用华为云平台，华为云平台对于文件的格式由要求，需要提交.pb文件、index文件、.json配置文件、Variable文件以及推理文件。需要将建立好的model文件，上传到obs桶中，再在华为云上通过“模型管理”将文件上传到平台上。部署成功后，可以在云端进行在线预测。 ### 本次比赛的一些想法 - 在参数构建上，考虑的因素还有所欠缺，对于参数构建的方法并不是很熟悉 - 由于限制了Tensorflow模型框架，没有对传统的机器学习进行实验（从目前的结果上来看，机器学习的效果强于神经网络的效果） - 目前主流的图神经网络可以更好的将不同特征之间的关系进行联系，但是由于对这种网络结构并不了解，没有使用这种结构 - 在短时间内学习了Tensorflow的一些写法、学习了华为云使用的方法、完成了对于特征参数的构建、评判以及完成了一篇数学建模的论文 ### 结果（公布于2019年11月11日） - 参与A题队伍共781队，最终排名417名，得到成功参与奖 - 一等奖19支队伍，二等奖100支队伍，三等奖155支队伍