基于多层感知机(Multilayer Perceptron,MLP)训练的数据驱动传播模型不能灵活确定大量输入特征权重,一定程度上影响了模型进行覆盖预测的准确性.为了提高模型的性能,本文提出了一种基于注意力机制的数据驱动传播模型.模型由两层Transformer编码器和一层全连接层构成,利用自注意力机制对输入的传播环境特征进行动态权重分配.基于某市采集的最小化路测(Minimization of Drive Tests,MDT)数据,结合当地地理数据与基站数据构建数据集.使用RMSE作为模型训练的评价指标。对比实验结果显示,基于注意力机制的传播模型在训练集上的RMSE约为2.79,测试集上的RMSE约为4.62,相比MLP网络在训练集与测试集上均取得了预测精度的提升,证明了改进后模型的准确性.使用训练完成的模型对该市同片区与不同片区分别进行覆盖预测,均表现出良好性能,进一步证实了模型的泛化性与实用性.
暂无评论