CN101299861A - 一种基于最短回路的基站系统巡检路径自动化确定方法 - Google Patents

Abstract

本发明公开了一种基于最短回路的基站系统巡检路径自动化确定方法，首先将MapInfo提供的基站地理位置信息映射到基站系统网络图上；确定基站的巡检半径；接着根据巡检半径对基站系统网络进行地域聚类；再采用蚁群算法计算出每个簇的最短回路，从而确定簇内最优巡检路径。本发明基于移动通信基站系统运营特点，采用一种基于地域聚类和最短回路的动态基站系统巡检路径自动化确定方法，针对数量大、分布广的基站系统，可得到有效合理的巡检路径。本方法可以广泛且方便的应用于其他领域如电子警察、交通信号灯、全球眼等设备的巡检与维护。

Description

一种基于最短回路的基站系统巡检路径自动化确定方法

技术领域

本发明涉及基站系统网络图的自动映射和巡检路径确定，具体涉及MapInfo的基站位置信息到基站系统网络图的自动映射，基站系统网络的地域聚类，基站系统网络最短回路的确定以及动态的跨簇最优巡检路径的确定。

背景技术

移动通信运营中常用的基站系统通常被布置在复杂多样的环境当中，容易受到天气等因素的影响，需要定期进行巡检和维修。但通信网络的基站站点数量众多，且常常分布于较广的地域。面对大量需要巡检和维护的基站，以及随时需要处理的问题基站，传统巡检路径的确定仅仅依靠巡检人员经验来判断，缺少科学有效的理论依据，常常不必要的耗费大量的人力和时间。因此，如何确定合理的巡检路径，从而以最小的工作量和时间完成基站系统的巡检和维修，保证系统的正常运营，就有着重要的经济价值和现实意义。

MapInfo能够保存基站的地理位置信息，并将其在图形界面上显示出来。但MapInfo没有提供基于基站地理位置信息的路径分析和查找。因此为了对基站间路径的分析和查找，需要构建可供分析的基站系统网络图，实现基站地理位置信息到基站系统网络的自动化转换。

对数量众多、地域分布广的基站系统进行巡检，确定一条有效合理的巡检路径，实际上就是在基站系统网络中寻找从给定基站出发，经过所有需要巡检的基站一次且仅一次再回到该基站的最短回路。在图论上经过所有需要巡检的基站节点一次且仅一次的回路又称为哈密尔顿回路，而如何确定这些哈密尔顿回路中最短回路的问题，被称为TSP(Traveling Salesman Problem)。而实际的巡检过程可能出现两种情况：一是对一个巡检范围直接求解TSP；二是指定必须巡检的问题基站，确定一条经过这些问题基站的最优巡检路径，这种情况涉及到多个巡检范围。

对于对一个巡检范围直接求解TSP的情况。TSP是一个典型的组合优化问题，并且是一个NP完全问题。传统的构造型算法，比如最近邻点、最近合并、最近插入、最近添加、贪婪插入等，往往难以得到TSP的最优解。所以一般使用一些启发式的搜索算法来解决TSP，比如模拟退火算法、遗传算法、蚁群算法等等，这类算法的本质是在状态空间中进行搜索，对每一个搜索的位置进行评估，得到最好的位置，再从这个位置进行搜索直到目标。这类算法可以省略大量无谓的搜索路径，提高了效率。其中，蚁群算法是从蚁群觅食过程中能够发现蚁巢和食物源之间的最短路径受到启发，更能直观反映在基站间选择巡检路径的实际情况。

对于确定经过问题基站的最优巡检路径的情况，目前还没有现成的方法来解决，但这种情况在基站的巡检过程是非常常见的。比如，已知几个基站出现了故障或投诉，工作人员需要对这几个基站进行检修，同时因为时间充裕，工作人员在检修这几个问题基站的时候可以顺便对其附近的基站进行巡检。这对应多巡检范围(跨簇)巡检路径确定问题。

发明内容

本发明的主要目的在于根据MapInfo提供的基站地理位置信息，自动映射生成基站系统网络图，判定巡检半径，据以对基站系统网络进行地域聚类(分簇)，进而确定簇内巡检回路和跨簇巡检路径，从而减少巡检工作量和时间。本发明输出的有效合理的巡检路径，可提供给巡检单位作为确定巡检人数、预算和周期的重要依据，也可以方便的应用于各种具有大量固定站点的运营商的巡检和维护。

为实现上述目的，本发明的主要流程如下：

1)首先将MapInfo提供的基站地理位置信息映射到基站系统网络图上；并可以使用XML文档来保存基站系统网络中基站的信息；

2)确定基站的巡检半径；

3)再根据巡检半径对基站系统网络进行地域聚类；

4)最后采用蚁群算法计算出每个簇的最短回路，从而确定簇内最优巡检路径；基于指定的问题基站，可以确定动态的跨簇最优巡检路径；最后以图形或文本的方式报告巡检路径确定结果。

上述步骤1)所述MapInfo提供的基站地理位置信息到基站系统网络图的自动映射过程为：首先从MapInfo导出的文件中读取基站地理位置信息，然后直接把基站的经纬度做平移和缩放操作后作为基站在图中的坐标。

步骤2)是将实际的基站巡检过程分为两种情况：一是对单个簇内基站的巡检；二是基于问题基站的跨簇巡检。第一种情况可根据巡检范围为一个圆通过面积估计来确定巡检半径；第二种情况，则根据实际情况包含了对第一种情况的多次使用，以及自动或人工对时间的修正。

步骤3)是将基站系统网络看作加权网络，按照节点同周边节点的关联程度求解网络中所有节点的加权聚集系数，将网络中最重要(加权聚集系数大)的基站作为簇头。然后根据簇头和基站与簇头的球面最短距离，对网络进行地域聚类。

步骤4)则是将求解一个基站簇内基站间的最短回路问题看作TSP，并根据蚂蚁觅食的原理，采取的一种启发式的近似算法进行求解。该方法包含了三个重要的过程：巡回过程、信息素局部更新过程和信息素全局更新过程。巡回过程是指以p概率按候选边上信息素多少进行择优选路；以1-p的概率进行随机选路，其作用是防止算法陷入局部最优。信息素的局部更新是为了避免蚂蚁在搜索路径时过早收敛到同一路径上。信息素的全局更新是为使搜索过程更具指导性，让蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的界限内。

根据用户指定必须巡检的问题基站和巡检总时间，还可以确定动态的跨簇最优巡检路径。使用平均分配剩余巡检时间来估计巡检半径，从而可根据问题基站和半径确定多个簇，然后再运用蚁群算法求解每个簇的最短回路，实现了巡检时间的动态分配，使得必须巡检的问题基站周围较近的一些基站也能够被巡检。在求解每个巡检簇的过程中，允许对巡检时间的自动划分或者人工干预和修正。

本发明基于移动通信基站系统运营特点，采用一种基于地域聚类和最短回路的动态基站系统巡检路径自动化确定方法，针对数量大、分布广的基站系统，可得到有效合理的巡检路径。本发明具有自动将MapInfo的地理位置信息转换为基站网络图的特点；本发明允许用户修改基站间边权值，支持对巡检路径计算的人工干预；本发明使用蚁群算法求解簇内的最优回路，能够得到较为精确的解；针对已有几个问题基站的巡检，本发明确定了动态的最优巡检路径。本发明可以广泛且方便的应用于其他领域如电子警察、交通信号灯、全球眼等设备的巡检与维护。

下面将结合附图进行详细说明。

附图说明

图1是基站系统巡检路径自动化确定方法的工作流程图，

图2是MapInfo的基站地理位置信息到基站系统网络自动映射的程序流程图，

图3是确定基站巡检半径的流程图，

图4是基站系统网络地域聚类的程序流程图，

图5是蚁群算法求解最短回路的程序流程图，

图6是蚁群算法中蚂蚁一次巡回过程流程图，

图7是蚁群算法求解一个簇最短回路的实例，

图8是确定动态的跨簇最优巡检路径流程图，

图9是确定动态的跨簇最优巡检路径实例，

图10是基站系统巡检路径自动化确定工具界面。

具体实施方式

如图1所示，本发明的工作流程为：MapInfo提供的基站地理位置信息到基站系统网络的自动映射，并使用XML文档来保存基站系统网络中基站的信息；然后根据巡检时间确定基站的巡检半径；接着根据巡检半径对基站系统网络进行地域聚类；再采用蚁群算法计算出单个簇的最短回路，从而确定簇内最优巡检路径；基于指定的问题基站，也可以确定动态的跨簇最优巡检路径；最后以图形或文本的方式报告巡检路径。

MapInfo的基站地理位置信息到基站系统网络图自动映射过程如图2所示。首先从MapInfo导出的文件中读取基站地理位置信息，然后直接把基站的经纬度做平移和缩放操作后作为基站在图中的坐标。假设任两个基站间都存在边，把基站i和j的距离d_ij定义为在北京54坐标系下基站的球面距离，具体公式如下式：

其中

为北京54坐标系采用的克拉索夫斯基椭球的半径，其值为6378245米。Log_i和Lat_i表示基站i的经纬度，Log_j和Lat_j为基站j的经纬度。

基站i和j之间边上的权值w_ij定义为基站间距离的倒数，即w_ij＝1/d_ij。用户可以根据实际道路情况对边上的权值进行修正，比如存在交通堵塞、街道曲折、围墙等因素时可减小权值。本过程在最后为后续过程做一个预处理，用经典的floyd-warshall算法求出网络中所有基站对间最短路径长度。可使用XML文档来保存基站系统网络中基站的信息。

实际的基站巡检过程可能出现两种情况：一是对一个范围内的基站进行巡检；二是指定必须巡检的问题基站，对这些基站及其附近基站进行巡检。这里，巡检范围又称为巡检簇。因此要分别对这两种情况确定基站巡检半径。基站的巡检半径描述了待巡检基站的簇大小，它将巡检簇视为一个圆。如图3所示，对于第一种情况，巡检半径就是指一个巡检簇的半径；对于第二种情况，存在多个巡检簇，也就存在着多个巡检半径，这种情况实际上是进行了多次对第一种情况的求解。巡检半径r与巡检人员拥有的巡检时间t有关，具体关系可表示为如下转换函数σ：

$r=\mathrm{\σ}\left(t\right)=k\sqrt{t}---\left(2\right)$

其中k为经验系数，取决于地域特征、基站部署的稀疏程度、基站的状态等，可根据实践中的经验确定。本发明根据公式(2)来求得一个基站巡检簇的半径。对于第二种情况，首先将巡检时间t分配给多个问题基站，然后基于给定问题基站分配到的巡检时间应用上述公式确定巡检半径。

基于自动构建的基站系统网络，可以对网络进行地域聚类，如图4所示为地域聚类的程序流程图。根据实践中的聚类经验，可以根据重要基站来对区域进行划分。本发明采用基于簇头划分的方法来对基站系统网络进行地域聚类。本发明用簇头来表示一个簇中的重要基站，可以由用户来指定重要基站作为簇头，也可以由程序计算出网络中的重要基站作为簇头，或指定问题基站为簇头。加权聚集系数是描述加权网络中节点重要程度的一种常见方法。加权网络中某个节点k的加权聚集系数定义如下：

$\mathrm{wcuster}\left(k\right)=\frac{1}{s_k(v-1)}\underset{i,j}{\mathrm{\Σ}}\frac{(w_{\mathrm{ki}}+w_{\mathrm{kj}})}{2}{a}_{\mathrm{ik}}{a}_{\mathrm{kj}}{a}_{\mathrm{ij}}---\left(3\right)$

其中：i，k，j指不同节点；v是节点k的度数；w_ki是节点k和i之间边的权值；a_ij是0-1邻接矩阵的元素，0表示节点i和j不相连，1表示相连；s_k是节点k的权值，具体如下式所示：

s_k＝∑_jw_kj                           (4)

加权网络图中的加权聚集系数描述了网络中节点的重要程度，越重要的节点越适合作为一个聚类的簇头(中心节点)。对应于基站系统网络中需要重点巡检的基站，本发明将具有最大加权聚集系数的基站作为缺省簇头。根据图3中流程的第一种情况确定基站巡检半径r，再利用根据加权聚集系数算出的簇头，就可以对基站系统网络进行地域聚类了。其中，计算以i为簇头，以r为半径的簇的过程，实际上就是逐个把与i距离小于等于r的节点加入到以i为簇头的簇中。如图4的流程图中所示，进行下一循环之前需要把已经确定簇的节点从网络中去掉，这是为了使下一次计算加权聚集系数时，不再考虑已被分簇的节点。本发明在聚类结束时，对各个簇进行了检查，确定每个基站都加入了距离自己最近的簇，排除存在基站没加入任何簇的可能；最后计算每个簇实际的半径r值。

图5显示了采用蚁群算法求解一个簇中最短回路的过程。蚁群算法是从蚁群觅食过程中总是能够发现蚁巢和食物源之间的最短路径中受到启发。蚂蚁之间是通过一种被称为信息素(pheromone)的物质来进行信息传递，它们会在经过的路径上留下信息素，同时也能感知路径上信息素的存在及其强度，从而指导自己的路径选择。蚂蚁倾向于选择信息素强度高的路径进行运动。因此，由大量蚂蚁组成的蚁群的集体行为就表现出了信息正反馈的现象：某一条路径上走过越多的蚂蚁，则该条路径就有越大的概率被后来的蚂蚁选择，这条路径也越有可能是最短路径。本发明将路径(边)上信息素的强度定义为一个浮点型的变量。蚁群算法中包含了如下参数：

●α：反映了蚂蚁在运动过程中所累积的信息素在其选择路径中的相对重要程度。

●β：反映了启发信息在蚂蚁选择路径中的相对重要程度。

●p：以p概率按候选边上信息素多少进行择优选路，以1-p的概率进行随机选路，其作用是防止算法陷入局部最优。

●ρ_local：局部信息素挥发率。

●ρ：全局信息素挥发率。

●N：蚂蚁数量。

●maxCount：最大迭代次数，越大越能逼近最优解，但越耗费时间。

根据基站系统的特点和多次实验的经验，本发明将这些参数的值分别设置为：

●α＝1

●β＝5

●p＝0.6

●ρ_local＝0.1

●ρ＝0.5

●N＝400

●maxCount＝100，也可以设置为更大的值。

设置算法中蚂蚁数量和迭代次数以后，就可以模拟蚂蚁进行巡回。图6所示为蚁群算法中蚂蚁做一次巡回过程的流程图。其中，在择优选路时，蚁群算法根据候选边上信息素的多少进行选择，t时刻位于基站i的蚂蚁选择基站j为目标基站的概率为：

$P_{\mathrm{ij}}\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right)\·{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}}{\underset{s\∈\mathrm{allowedS}}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right)\·{\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}},& j\∈\mathrm{allowedS}\\ 0,& j\∉\mathrm{allowedS}\end{array}\right.---\left(5\right)$

其中，τ_ij(t)指t时刻基站i到基站j的边上信息素的强度。初始时刻，各条边上信息素的量相等，本发明中设为0.1；η_ij指由基站i转移到基站j的可见度，亦称启发信息，该启发信息是根据所要解决的问题确定的，由一定的算法实现。在TSP问题中，一般取η_ij＝1/d_ij，d_ij表示基站i、j之间的球面距离，并可由巡检人员修改。allowedS是可供蚂蚁选择的基站的集合，初始为当前簇中所有基站的集合。

如图5所示，蚁群算法中需要对路径上的信息素强度进行局部更新和全局更新。在巡回过程中，为了避免蚂蚁在搜索路径时过早收敛到同一路径上，也即出现早熟收敛，在蚂蚁构造路径的同时进行信息素的局部更新，如下式所示：

τ_{ij_local}(t+1)＝(1-ρ_local)τ_{ij_local}(t)+ρ_local·Δτ_{ij_local}(t+1)      (6)

其中：

L为常数，本发明令L＝antNum×nearestLength。antNum为遍历该簇的蚂蚁总数，即参数N，nearestLength为按照最近邻方法求解该簇最短回路得到的回路长度(最近邻方法是指从给定基站出发，选下一站时总是选择距离当前基站最近的未遍历基站)。

为使搜索过程更具指导性，让蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的界限内，在一次巡回过程结束时，需要对当前全局最优路径上的信息素进行全局更新，如下式所示：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+ρ·Δτ_ij(t+1)               (8)

其中：

L_tour为常数，本发明令L_tour＝tourLength。tourLength为当前全局最优路径的长度。图7显示了地域聚类后，运用蚁群算法计算其中一个簇最短回路，从而确定最优巡检路径的 一个实例。

本发明实现了基于问题基站的跨簇最优巡检路径的确定：用户指定必须巡检的问题基站和巡检总时间，确定一条动态的跨簇最优巡检路径。首先计算问题基站之间的最短回路及其使用的巡检时间，因为问题基站一般数量不大，这里使用了穷尽所有路径的方法求解最短回路。保证问题基站能被巡检后，将多余的时间用于问题基站附近基站的巡检。如图8所示，在确定问题基站附近基站的可巡检簇时，使用了图3中的第二种情况来确定基站的巡检半径。确定巡检簇后，就可以使用图5中的蚁群算法求解每个巡检簇的最短回路。其中，确定一个巡检簇后需要根据实际确定的簇大小，调用公式(2)的反过程，即t＝r²/k，来对当前剩余的时间进行修正，也可以采用人工干预来进行修正。最后输出跨簇最优巡检路径结果。

图9显示了动态的跨簇最优巡检路径的一个实例：用户指定了三个必须巡检的问题基站和总共的巡检时间；在确定了这三个基站间的最短路径(回路)之后，发现仍有多余的时间，可以对距离三个问题基站较近的基站也进行巡检；于是确定三个巡检半径较小的簇，进而求解三个巡检簇的最短回路。

图10显示了基于本专利方法的基站系统巡检路径自动化确定工具的界面，工具基于Java语言和XML技术实现。Java语言具有平台无关、可移植性强等特点，通过安装相应的Java虚拟机，可以保证该方法运行在各种主流系统平台上。XML技术具有跨平台、可扩展、灵活性、及自描述性等特点，可以保证基站系统网络图信息在各种类型系统平台上存取。

Claims (8)

1、一种基于最短回路的基站系统巡检路径自动化确定方法，其特征为：

1)首先将MapInfo提供的基站地理位置信息映射到基站系统网络图上；

2)确定基站的巡检半径；

3)再根据巡检半径对基站系统网络进行地域聚类；

4)最后采用蚁群算法计算出每个簇的最短回路，从而确定簇内最优巡检路径。

2、根据权利要求1所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：步骤1)所述MapInfo提供的基站地理位置信息到基站系统网络图的自动映射，过程为：首先从MapInfo导出的文件中读取基站地理位置信息，然后直接把基站的经纬度做平移和缩放操作后作为基站在图中的坐标。

3、根据权利要求1或2所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：步骤2)所述确定基站的巡检半径过程分为两种情况：一是对单个簇内基站的巡检；二是基于问题基站的跨簇巡检；

对于第一种情况，巡检半径就是指一个巡检簇的半径，巡检半径r与巡检人员拥有的巡检时间t有关，具体关系可表示为如下转换函数σ：

$r=\mathrm{\σ}\left(t\right)=k\sqrt{t}$

其中k为经验系数，取决于地域特征、基站部署的稀疏程度、基站的状态等，可根据实践中的经验确定；

对于第二种情况，首先将巡检时间t分配给多个问题基站，然后基于给定问题基站分配到的巡检时间应用上述公式确定巡检半径。

4、根据权利要求3所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：根据用户指定必须巡检的问题基站数量和巡检总时间，首先扣除问题基站处理时间得到剩余巡检时间；然后平均分配剩余巡检时间给每个问题基站来估计巡检半径；接着将问题基站作为簇头划分多个簇；最后再运用蚁群算法求解每个簇的最短回路，在求解每个巡检簇的过程中，允许对巡检时间的自动划分或者人工干预和修正。

5、根据权利要求1或2所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：步骤3)所述根据巡检半径对基站系统网络进行地域聚类的步骤是：将基站系统网络看作加权网络，按照节点同周边节点的关联程度求解网络中所有节点的加权聚集系数，再将网络中最重要即加权聚集系数大的基站作为簇头，或指定问题基站为簇头；然后根据簇头和基站与簇头的球面最短距离对网络进行地域聚类。

6、根据权利要求5所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：加权网络中某个节点，即基站k的加权聚集系数定义如下：

$\mathrm{wcuster}\left(k\right)=\frac{1}{s_k(v-1)}\underset{i,j}{\mathrm{\Σ}}\frac{\left(w_{\mathrm{ki}}\text{+}{w}_{\mathrm{kj}}\right)}{2}{a}_{\mathrm{ik}}{a}_{\mathrm{kj}}{a}_{\mathrm{ij}}$

其中：i，k，j指不同节点；v是节点k的度数；w_ki是节点k和i之间边的权值；a_ij是0-1邻接矩阵的元素，0表示节点i和j不相连，1表示相连；s_k是节点k的权值，其算式为s_k＝∑_jw_kj。

7、根据权利要求5所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：根据用户指定必须巡检的问题基站数量和巡检总时间，首先扣除问题基站处理时间得到剩余巡检时间；然后平均分配剩余巡检时间给每个问题基站来估计巡检半径；接着将问题基站作为簇头划分多个簇；最后再运用蚁群算法求解每个簇的最短回路，在求解每个巡检簇的过程中，允许对巡检时间的自动划分或者人工干预和修正。

8、根据权利要求1或2所述的基于最短回路的基站系统巡检路径自动化确定方法，其特征为：步骤4)采用蚁群算法计算每个簇的最短回路，包括以下过程：

首先，根据候选边上信息素的多少选择巡回路径，当t时刻时位于基站i的蚂蚁选择基站j为下一目标基站的概率为：

$P_{\mathrm{ij}}\left(t\right)=\left\{\begin{array}{cc}\frac{{\mathrm{\τ}}_{\mathrm{ij}}^{\mathrm{\α}}\left(t\right)\·{\mathrm{\η}}_{\mathrm{ij}}^{\mathrm{\β}}}{\underset{s\∈\mathrm{allowedS}}{\mathrm{\Σ}}{\mathrm{\τ}}_{\mathrm{is}}^{\mathrm{\α}}\left(t\right)\·{\mathrm{\η}}_{\mathrm{is}}^{\mathrm{\β}}},& j\∈\mathrm{allowedS}\\ 0,& j\∉\mathrm{allowedS}\end{array}\right.$

其中，τ_ij(t)指t时刻基站i到基站j的边上信息素的强度，初始时刻，各条边上信息素的量相等；η_ij指由基站i转移到基站j的可见度，亦称启发信息，取η_ij＝1/d_ij，d_ij表示基站i、j之间的球面距离，可由巡检人员修改，allowedS是可供蚂蚁选择的基站的集合，初始为当前簇中所有基站的集合；

在巡回过程中，为了避免在搜索路径时过早收敛到同一路径上，也即出现早熟收敛，在蚂蚁构造路径的同时进行信息素的局部更新，如下式所示：

τ_{ij_local}(t+1)＝(1-ρ_local)τ_{ij_local}(t)+ρ_local·Δτ_{ij_local}(t+1)

其中：

L为常数，本发明令L＝antNum×nearestLength，antNum为遍历该簇的蚂蚁总数，即参数N，nearestLength为按照最近邻方法求解该簇最短回路得到的回路长度；

在一次巡回过程结束时，需要对当前全局最优路径上的信息素进行全局更新，如下式所示：

τ_ij(t+1)＝(1-ρ)τ_ij(t)+ρ·Δτ_ij(t+1)

其中：

L_tour为常数，本发明令L_tour＝tourLength。tourLength为当前全局最优路径的长度。

Images