本发明涉及植被衰减预测，尤其涉及一种基于机器学习的植被衰减预测方法、介质和电子设备。
背景技术：
1、植被建模是无线通信行业经常遇到的问题，因为植被会对电波传播功率造成衰减，所以城市地区中植被的存在对于无线电规划存在重大影响。近年来，各类研究植被中电波传播衰减的方法不断涌现，按照计算方法类型主要分为理论模型、经验模型和半经验模型计算方法几大类。
2、但各类模型计算方法存在如下问题：对于理论模型，虽然能得到较为精准的预测结果，但理论模型计算方法需要精确地知道植被的电参数、三维形状以及空间分布情况等信息，这在实际使用时，上述信息是难以获取的；经验模型计算方法具有计算简单、通用性广的特点，然而，拟合经验模型的实测数据往往不足且局限性大，导致经验公式的准确性欠佳，往往只能提供大致的预测结果；半经验模型计算方法可以看作是理论模型与经验模型计算方法的结合，根据实验的结果进行分析和建模，虽然半经验模型计算方法不需要知道植被的电参数、三维形状以及空间分布情况等信息，但其需要一定的实测数据方能使用，这也限制了其在实际使用中的可行性。
技术实现思路
1、本发明旨在至少在一定程度上解决相关技术中的技术问题之一。为此，本发明的第一个目的在于提供一种基于机器学习的植被衰减预测方法，该方法无需植被的电参数、三维形状以及空间分布情况等信息，即可实现植被衰减预测，并且该方法可获取海量的植被衰减数据，并通过海量的植被衰减数据通过射线追踪算法可实现植被衰减精准预测。
2、本发明的第二个目的在于提供一种计算机可读存储介质。
3、本发明的第三个目的在于提供一种电子设备。
4、为达到上述目的，本发明通过以下技术方案实现：
5、一种基于机器学习的植被衰减预测方法，包括：
6、获取植被衰减数据，所述植被衰减数据包括衰减模式参数值、辐射源坐标、接收机坐标和辐射源发射的电磁波频率；
7、训练植被衰减预测模型，将所述植被衰减数据输入至所述植被衰减预测模型预测得到对应的电磁波功率损耗值，以实现植被衰减预测。
8、优选的，所述衰减模式参数值根据植被类型和接收机与植被的相对位置综合确定。
9、优选的，所述植被类型包括单棵树木、绿化带和树林。
10、优选的，所述接收机与植被的相对位置包括所述接收机在植被的内部或者外部。
11、优选的，当植被类型为单棵树木时，衰减模式参数值为0；
12、当植被类型为绿化带，且所述接收机在植被的内部时，衰减模式参数值为1；
13、当植被类型为绿化带，且所述接收机在植被的外部时，衰减模式参数值为2；
14、当植被类型为树林，且所述接收机在植被的内部时，衰减模式参数值为3；
15、当植被类型为树林，且所述接收机在植被的外部时，衰减模式参数值为4。
16、优选的，所述植被衰减预测模型通过射线追踪算法进行植被衰减预测。
17、优选的，所述射线追踪算法的预测步骤包括：
18、根据所述辐射源坐标和接收机坐标确定辐射源和接收机位置，并根据所述衰减模式参数值确定植被类型和接收机与植被的相对位置；
19、对所述辐射源发出的每条电磁波射线的传播路径进行追踪，并确定每一传播路径的传输距离、接收角角度和时间延迟参数；
20、根据所述电磁波频率、传播路径、传输距离、接收角角度和时间延迟参数确定对应传播路径的电磁波功率损耗值。
21、优选的，通过gpu并行计算方法对所述射线追踪算法进行加速，以得到植被衰减数据集，用于实现植被衰减预测模型训练。
22、为达到上述目的，本发明第二方面提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时，实现上述所述的基于机器学习的植被衰减预测方法。
23、为达到上述目的，本发明第三方面提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时，实现上述所述的基于机器学习的植被衰减预测方法。
24、本发明至少具有以下技术效果：
25、本发明提供了一种基于机器学习的植被衰减预测方法，该方法为先获取植被衰减数据，其中植被衰减数据包括衰减模式参数值、辐射源坐标、接收机坐标和辐射源发射的电磁波频率，然后将植被衰减数据输入至训练好的植被衰减预测模型中，由植被衰减预测模型通过射线追踪算法对输入数据进行预测得到对应的电磁波功率损耗值，从而可实现植被衰减预测，由此该方法无需植被的电参数、三维形状以及空间分布情况等信息即可实现植被衰减预测。另外，本发明在利用射线追踪算法进行植被衰减运算时，可利用gpu并行计算方法对射线追踪算法进行加速，便于能够在几秒内完成一次仿真计算，从而便于产生海量且可靠的植被衰减数据构成植被衰减数据集，进而便于实现植被衰减预测模型的训练，提高植被衰减预测准确度。
26、本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
1.一种基于机器学习的植被衰减预测方法，其特征在于，
2.如权利要求1所述的基于机器学习的植被衰减预测方法，其特征在于，所述衰减模式参数值根据植被类型和接收机与植被的相对位置综合确定。
3.如权利要求2所述的基于机器学习的植被衰减预测方法，其特征在于，所述植被类型包括单棵树木、绿化带和树林。
4.如权利要求3所述的基于机器学习的植被衰减预测方法，其特征在于，所述接收机与植被的相对位置包括所述接收机在植被的内部或者外部。
5.如权利要求4所述的基于机器学习的植被衰减预测方法，其特征在于，
6.如权利要求1所述的基于机器学习的植被衰减预测方法，其特征在于，所述植被衰减预测模型通过射线追踪算法进行植被衰减预测。
7.如权利要求6所述的基于机器学习的植被衰减预测方法，其特征在于，所述射线追踪算法的预测步骤包括：
8.如权利要求6所述的基于机器学习的植被衰减预测方法，其特征在于，通过gpu并行计算方法对所述射线追踪算法进行加速，以得到植被衰减数据集，用于实现植被衰减预测模型训练。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-8中任一项所述的基于机器学习的植被衰减预测方法。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-8中任一项所述的基于机器学习的植被衰减预测方法。
