一种用于信号地图的统一预测框架

信号地图对蜂窝网络的规划与运行至关重要。然而，创建此类地图所需的测量代价高昂、常有偏倚、未必反映关注指标，且带来隐私风险。本文提出一种基于有限测量预测蜂窝信号地图的统一框架。我们的框架构建于最先进的随机森林预测器或任意其他基预测器之上。我们提出并组合了三种机制，以应对并非所有测量对特定预测任务同等重要这一事实。首先，我们设计了服务质量函数（$Q$），包括信号强度（RSRP）以及运营商关注的其他指标，即覆盖率和掉话概率。通过隐式改变学习所用的损失函数，质量函数还能在关键处（如低信号强度区，误差至关重要，RSRP本身的预测MSE降低达27%）改善RSRP预测。其次，我们引入权重函数（$W$）以指定不同位置及特征空间其他部分的预测相对重要性。我们提出基于重要性采样的重加权，以在采样分布与目标分布不同时获得无偏估计器。这带来了最高20%的提升，针对基于空间均匀损失或基于用户人口密度的损失。第三，我们首次在此背景下应用Data Shapley框架：为单个测量点赋值（$\phi$），以捕捉其对预测任务贡献的重要性。这通过移除负值的点改善了预测（如覆盖率损失的召回率从64%提升至94%），并可实现数据最小化。我们使用多个真实世界数据集评估了方法并展示了预测性能的显著提升。