2020第一届无线大数据竞赛——华为赛道：无线网络智能定位第2名方案

大家好，我是轶扬，本文给大家分享一下我在2020年参加的第一届无线大数据竞赛的比赛方案。
IMT-2020（5G）推进组在2020年初成立了5G与AI融合研究任务组，也是从这一年开始，国内许多通信公司都推出了AI解决无线通信中各种问题的比赛，目的是加速5G引入AI技术，加大5G支持AI的力度，并争取在最新的5G增强技术标准中形成成熟的提案。2020年华为和移动共同举办了国内的第一届无线大数据竞赛，我参加了华为赛道的无线网络智能定位赛题，这是我第一次参加机器学习+无线通信的比赛，也是第一次深入学习和研究机器学习在实际系统中的应用，获得了决赛第2名的成绩。下面是对于赛题和解决方案的详细介绍。

文章目录

赛题描述
- 1 背景介绍
- 2 任务描述
赛题理解
- 数据特征探索
基于指纹匹配的定位算法设计
- 算法步骤描述与实现细节
- 如何让算法对不同城市的数据集进行自适应并进行自动超参优化？
比赛结果

赛题描述

1 背景介绍

1.1 什么是无线定位？
无线定位是指在无线移动通信网络中，通过对接收到的无线电波的参数进行测量并收集测量报告，采用特定的算法对移动终端所处的地理位置进行估计，以便后续提供相应的终端位置信息和服务。
1.2 传统定位技术
传统定位模型有很多，从原理上讲大致可以分为三种：

基于三角关系和运算的定位技术
1）基于距离测量的定位技术
2）基于角度测量的定位技术
基于指纹匹配的定位技术
本质上是一种模式识别的方法，用一些具体的、量化的特征描述环境中的各个位置，存放在数据库中，然后根据一定的匹配规则进行位置预测。
基于临近关系的定位技术
根据待定位物体与一个或多个已知位置的临近关系来定位，比如待定位终端在哪个小区的服务范围就用该小区的cellID来确定位置。

1.3 为什么还要研究定位模型
业界虽然已经有了很多传统定位模型，但无线定位环境复杂，影响因素众多，需要研究得到一个比较准确的模型，是一项艰难的任务，任重道远。近几年 AI 技术突飞猛进，各行各业如火如荼。而且无线 LTE 网络已在全球完全普及，全球几十亿用户，每天甚至每小时都能产生大量数据，如何利用这么庞大的数据，结合 AI技术，将定位模型做到更精准、更高效、更便捷，是研究定位模型的一个重要方向。
本次算法大赛，结合定位模型的业务痛点，面向各路技术专家，展开具有创新性和可实现性强的算法设计，使得该模型可以在不同环境下准确定位，为无线产品打下坚实基础。

2 任务描述

2.1 任务简述
本次任务挑战高精度定位模型。给定多个地区用户终端所测量的网络测量报告，各队伍通过设计建模算法，建立输入(测量报告)与输出(用户位置)的关系，输出模型及预测代码。
本次任务不限定队伍所使用方案，白盒（传统技术）黑盒（AI 技术）均可，最终比拼在验证集上的准确性。结合应用诉求，算法除考虑本次任务的挑战目标外，还应当具备预测速度快(不强制要求)的特点。
2.2 数据
所用数据为测量报告。测量报告记录了，命名为 mr_X.csv (X 表示数据编号)，字段固定。每条测量报告包含如下各字段对应含义如 Table 1 所示。

Table 1：测量报告数据表格的字段含义

注：
1）svrCGI 为全球小区标识，可以唯一确定一个小区；CellID_i 局部唯一，有可能会重复。
2）邻区最多有 6 个记录，服务小区+邻区最多 7 个记录，无效的邻区标识和信号强度用空值标识。比如，测量报告中有 1 个服务小区 3 个邻区，那么邻区 4,5,6 的标识和信号强度值均为空值。
3）信号强度的取值[-40，-140]，数字越小信号强度越弱。
4）用户位置(X,Y)为标签列，即训练数据中的用户位置(X,Y)是已知的，测试数据中的用户位置为无效(nan, nan)
5）无线环境中，一个位置的终端多数情况下会接收到多个无线基站小区的信号，但终端实际入网做业务时只会连接到一个小区上，这个小区被称为主服务小区，其它接收到信号的小区被称为邻区
2.3 挑战目标
请各个参赛队根据自己建立的特征集以及我们提供的训练数据集，建立定位模型来对不同城市的用户位置进行预测。
我们将根据如下挑战目标来为各参赛队伍最后训练得到的模型进行评分。评分所用考核数据集仅为我们所有，以测试各提交模型的实际泛化能力。
2.4 模型精度评估方式
基于欧式距离计算真实位置和预测位置的误差距离，假设第 i 条测量报告的用户位置为(