CN103796217B - 一种基于路测数据的预测区域划分方法及装置 - Google Patents
一种基于路测数据的预测区域划分方法及装置 Download PDFInfo
- Publication number
- CN103796217B CN103796217B CN201210418683.3A CN201210418683A CN103796217B CN 103796217 B CN103796217 B CN 103796217B CN 201210418683 A CN201210418683 A CN 201210418683A CN 103796217 B CN103796217 B CN 103796217B
- Authority
- CN
- China
- Prior art keywords
- drive test
- estimation range
- closing
- node
- point
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Mobile Radio Communication Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于路测数据的预测区域划分方法及装置,该方法包括:获取属于同一小区的若干路测数据;根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;根据所述路测点的连接线围成的若干封闭子区域,确定预测区域,用以解决现有技术中存在的划分预测区域的有效性和准确性较差,无法有效控制网络,以及人工划分的过程繁琐、时间长、速度慢,不适用于将大范围区域的问题。
Description
技术领域
本发明涉及移动通信领域,特别涉及一种基于路测数据的预测区域划分方法及装置。
背景技术
在移动通信网络规划中,网络覆盖的好坏将会直接通过通话质量的好坏体现出来,通话质量的好坏将影响用户体验。由于网络覆盖的控制依赖于网络覆盖区域的无线信号进行场强预测,而如果要对网络覆盖区域的无线信号进行精确地场强预测,则需要先对网络覆盖区域进行划分,确定预测区域。
目前国内外研究出的移动通信网中无线信号的场强预测方法包括,基于适用于大区制的统计预测模型(例如,奥康模型等)的场强预测方法,基于适用于微蜂窝移动网络的确定性模型的场强预测方法(例如,射线跟踪法等),以及,基于反演预测模型的反演预测方法等。统计预测模型可以通过预设的公式与参数进行场强预测,其中的参数尽管包含了有关地形的参数,但是在实际应用过程中,由于环境等因素的影响,会出现不同的地形,因此,针对当前区域的地形建立的统计预测模型不能用于其它区域,否则将产生较大的偏差。确定性模型的建立依赖于实际地形数据库或三维电子地图,因此基于确定性模型的场强预测方法根据环境对网络覆盖区域进行划分以及建模的工作量巨大,且计算复杂,耗时长。
而基于路测数据的反演预测方法尽管可以在很大程度上克服基于统计预测模型的场强预测方法和基于确定性模型的场强预测方法的内在局限性,但是由于在进行反演预测时需要划定预测区域,并且要求划定的预测区域的边界最大限度地接近路测点,而目前的人工划定预测区域的边界的方式的缺陷较大,不能满足反演预测时对预测区域的精确划分要求。例如,人工划定的预测区域可能会出现不符合场强预测的条件(例如,反演预测方法中的预测区域必须是凸多边形的条件)的情况,而且人工划定的预测区域边界与路测实际路线之间存在的较大的间距,因此,会严重影响到场强预测结果的精确度,进而影响到网络优化或者网络覆盖控制的精准度和效果,并且通过人工方式划分预测区域仅能适用于小范围的区域的反演预测。因为针对大范围的区域(例如,包含了成千上百个小区的区域),需要划分的预测区域复杂繁琐,难以通过人工划定预测区域的边界。
综上所述,现有技术中通过人工划分出的预测区域的有效性和准确性较差,并将进一步降低场强预测的精确度,从而降低网络优化的效果,无法有效地控制网络覆盖。并且,人工划分预测区域仅适用于小范围的区域,不适用于大范围的区域。
发明内容
本发明实施例提供一种基于路测的预测区域划分方法及装置,用以解决现有技术中存在的划分预测区域的有效性和准确性较差,无法有效控制网络,以及人工划分的过程繁琐、时间长、速度慢,不适用于将大范围区域的问题。
本发明实施例提供的具体技术方案如下:
一种基于路测数据的预测区域划分方法,包括:
获取属于同一小区的若干路测数据;
根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;
根据路测点的连接线围成的若干封闭子区域,确定预测区域。
一种基于路测数据的预测区域划分装置,包括:
获取模块,用于获取属于同一小区的若干路测数据;
连接模块,用于根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;
确定模块,用于根据路测点的连接线围成的若干封闭子区域,确定预测区域。
本发明实施例中,将同一小区的路测数据对应的路测点根据测试时间的先后依次连接起来,以获取若干封闭子区域,再根据获得的这些封闭子区域确定预测区域,从而提高了划分出的预测区域的精确度,避免现有技术中划分预测区域的有效性和准确性较差的问题,并且本发明实施例是根据路测数据自动划分预测区域的,即使需要划分的区域范围较大、情况较为复杂,仍然能够实现包含多个小区的区域的预测区域划分,并且可以适用于各种地形地貌,因此,本发明实施例提供的方法相较于现有技术而言具有适用范围广,执行过程简单,耗时短,效率高等优点。
附图说明
图1为本发明实施例中的基于路测数据的预测区域划分方法流程图;
图2A为本发明实施例举例说明的从小区的网络覆盖区域中获取预测区域的具体实现流程的步骤201~步骤211;
图2B为本发明实施例举例说明的从小区的网络覆盖区域中获取预测区域的具体实现流程的步骤212~步骤225;
图3为本发明实施例中在GIS上由某次路测的若干路测点组成的路测轨迹;
图4为本发明实施例中根据turnpoint数组获取的拓扑图;
图5为本发明实施例中对根据列表3获取的若干封闭子区域的形状进行调整的具体流程图;
图6A为本发明实施例中删除节点1与节点2之间连线的示意图;
图6B为本发明实施例中获取节点2和节点3最短路径的示意图;
图6C为本发明实施例中,对闭合回路2->15->6->5->4->3->2上的每个连线分别执行一次删除操作的示意图;
图6D为本发明实施例中获取节点6和节点7之间的最短路径的示意图;
图6E为本发明实施例中对闭合回路6->15->14->7->6上的每条连线分别执行一次删除操作的示意图;
图6F为本发明实施例中获取节点6和节点7之间的最短路径的示意图;
图6G为本发明实施例中对闭合回路6->16->17->7->6上的每条连线分别执行一次删除操作的示意图;
图6H为本发明实施例中获取节点7和节点8之间的最短路径的示意图;
图6I为本发明实施例中对闭合回路7->14->10->9->8->7中的每条连线执行一次删除操作的示意图;
图6J为本发明实施例中获取节点9和节点10之间的最短路径的示意图;
图6K为本发明实施例中对闭合回路9->13->12->11->10->9中的每条连线分别进行一次删除操作的示意图;
图7为本发明实施例的基于路测数据的预测区域划分装置示意图;
图8为本发明实施例中的确定模块的具体示意图;
图9为根据图4获取的标注节点上的连接线数的拓扑图。
具体实施方式
本发明实施例设计的基于路测数据的传播损耗的预测区域划分方法,根据路测数据中的测试时间、小区信息和路测点的地理位置信息,将大面积的预测区域划分成符合划分规则的子区域,针对无线信号的场强和传播耗损实现并行高效的反演预测。
实际应用中的路测数据是通过实地测量获取的,至少包含测试时间、路测点的经纬度、接收信号强度信息和小区信息。
表1列举了实际情况中的某次路测数据的记录。
表1
FrameNum | Time | Longitude | Latitude | RxLevBCCH | CI | BCCH |
168 | 1:45 | 118.1138 | 24.51405 | -53 | 23366 | 520 |
169 | 1:45 | 118.1138 | 24.51412 | -53 | 23366 | 520 |
170 | 1:45 | 118.1138 | 24.51417 | -48 | 23366 | 520 |
171 | 1:46 | 118.1138 | 24.51419 | -48 | 23366 | 520 |
172 | 1:46 | 118.1138 | 24.51422 | -48 | 23366 | 520 |
173 | 1:46 | 118.1138 | 24.51410 | -48 | 23366 | 520 |
本发明实施例中的基于路测数据的预测区域划分方法如图1所示,包括如下步骤:
步骤101:从当前所有的路测数据中获取属于同一小区的若干路测数据。
由于路测一般在城区的大小街道中进行,一般会测量范围会包括多个小区的网络覆盖范围,因此,进行一次路测后得到的若干路测数据中一般包含分属于多个小区的路测数据,故而,在对任意一个小区的网络覆盖区域进行划分,获取预测区域之前,首先需要从所有的路测数据中提取出属于该任意一个小区的路测数据。通过检测每一个路测数据的小区信息(例如LAC值和CI值)可以将属于同一小区的路测数据划分到同一类中,从而减少计算量,提高运算效率。例如,根据每一个路测数据的LAC(location area code,位置区码)和CI(community identity,小区识别)可以确定唯一一个小区。
步骤102:根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接。
实际应用中,路测数据中的路测点的地理位置信息通常是通过GPS定位的经纬度数据,根据路测数据的测试时间依次将路测点连接起来可以得到一条路测轨迹。图3为在GIS(Geographic Information System,地理信息系统)上由某次路测的若干路测点描绘出的路测轨迹。
步骤103:根据路测点的连接线围成的若干封闭子区域,确定预测区域。
步骤103可以具体分为下述两个步骤:
1)根据边界贴近路测实际路线的原则对路测点围成的若干封闭子区域分别进行简化。
在实际应用中,若路测轨迹中的任意两条连接线之间的夹角较大,则说明路测轨迹在这两条连接线的交点处发生了转弯。将夹角大于预设的门限值的两条连接线之间的交点作为拐点,将各个拐点按照对应的测试时间的先后顺序依次进行连接即可获取预测区域总轮廓,该预测区域总轮廓中存在若干封闭子区域,该若干封闭子区域都是不可再分的。
若设置的门限值过高,将导致得到的一级子区域的轮廓没有贴近路测路线,若设置的门限值过低,将出现过多的拐点和拐点的连线,从而增加计算的复杂度,因此,门限值应当设置为一个合理的值。这样,本发明实施例就可以解决现有技术中存在的划定的预测区域边界与路测实际路线之间存在较大的间距,进而降低场强预测的精确度,从而降低网络优化的效果,无法有效地控制网络覆盖的问题。
2)根据针对预测区域预设的形状需求对简化后的若干封闭子区域分别进行调整,根据调整后的若干封闭子区域确定预测区域。
由于反演预测时要求预测区域是凸多边形,因此,在对封闭子区域进行简化后,需要判断每一个简化后的封闭子区域是否为凸多边形,其中,若判断出任意一个简化后的封闭子区域为非凸多边形,则将该非凸多边形划分为若干凸多边形,并将划分出的若干凸多边形作为预测区域。
若封闭子区域的每个内角(位于多边形区域内的)的角度都小于180度,则判定该封闭子区域为凸多边形,否则,判定该封闭子区域为非凸多边形。一般,在非凸多边形内部增加一条或多条拐点的连线,将大于180度的角划分为若干小于180度的角就可以将该非凸多边形变为凸多边形。
若存在多种将非凸多边形划分为若干凸多边形的划分方式,从获得的多种划分方式中确定拐点的添加连线数目最少、添加连线总长度最短的划分方式,作为目标划分方式,并按照确定的目标划分方式将该非凸多边形划分为若干凸多边形。由于添加连线上并不存在路测数据,因此需要通过其他算法对添加连线进行预测,因此添加连线的数目越少、长度越短,则需要添加的数据和增加的计算量就会越少。
实际应用中,基于反演预测模型对移动通信网的无线信号的场强进行预测的过程可以但不限于采用下述方法进行:
首先,根据本发明实施例设计的基于路测数据的预测区域划分方法确定预测区域,然后,对确定的每一个预测区域分别进行反演计算,获取对应的场强预测结果,并根据每一个获得的场强预测结果对相应的预测区域进行网络优化。
对预测区域进行场强预测时,可以并行进行针对多个预测区域的场强预测(例如进行反演计算),从而提高计算效率,节约计算时间。
下面结合图2A和图2B举例说明根据一个小区的路测数据,从该小区的网络覆盖区域中获取预测区域的具体实现流程:
步骤201:定义一个用于存储路测数据的结构体数组data。
该data结构体数组为:
Typedef struct{
Float x;//存储系统坐标系中路测点的横坐标(即x坐标)
Float y;//存储系统坐标系中路测点的纵坐标(即y坐标)
}NodeInfo;
其中的变量包括:存储上一次的斜率值数据的lastslop、存储本次斜率值的curslop、指示当前指向data数组的第几个元素的游标i,门限值threshold和指示当前指向turnpoint(拐点)数组的第几个元素的游标j,其中,turnpoint数组存储路测轨迹上的所有拐点,将turnpoint数组中的所有拐点按照对应的测试时间依次连接起来,就可以得出预测区域总轮廓。
步骤202:初始化变量。
令i=1,j=1,lastlop=(sata[1].y-data[0].y)/(data[1].x-data[0].x),turnpoint[0]=data[0],通过输入参数获取预设的门限值threshold,将路测数据中的路测点的经纬度转换为单位为米的坐标,并按照测试时间依次将路测数据中路测点的横纵坐标存入data数组中,此时,路测时间的先后顺序对应路测点的索引顺序。
步骤203:计算本次斜率值Curslop(即当前路测点与后一个路测点的连接线的斜率值)。
通过两个相邻路测点之间的纵坐标之差除以横坐标之差,即可得到两个相邻路测点的连接线的斜率值。在进行步骤203时,如果当前路测点与后一个路测点的横坐标之差不为0,则通过下述公式计算当前路测点与后一个路测点的连接线的斜率值:
Curslop=(data[i+1].y-data[i].y)/(data[i+1].x-data[i].x)
若当前路测点与后一个路测点的横坐标之差为0,则用当前系统能够表示的最大数表示当前路测点与后一个路测点的连接线的斜率值。
步骤204:获取上次斜率值Lastslop(即当前路测点与前一个路测点的的连接线的斜率值),求出Curslop和Lastslop的差值,并确定二者的差值的绝对值是否超过预设的门限值threshold,若是,则进行步骤205,否则,直接进行步骤206。
步骤205:将data数组中与i对应的路测点存入turnpoint数组中,游标j加1。
步骤206:将上次斜率值Lastslop赋值为本次斜率值Curslop中的值,并保存Lastslop,游标i加1。
步骤206表明在进行完毕一轮计算后,将Curslop中存储的当前路测点与后一个路测点的连接线的斜率值存入Lastslop中。
步骤207:比较i+1是否大于data数组包含的元素个数:若是,说明当前的i对应的时data数组中的最后一个元素,当前计算拐点的算法可以结束,直接进入步骤208;否则,返回到步骤203。
步骤208:根据turnpoint数组中的所有的路测点(即所有拐点)获取预测区域总轮廓。
步骤209:通过邻接矩阵存储turnpoint数组中的所有拐点的邻接关系,设该邻接矩阵为A。
通过步骤208中获取的路测区域总轮廓,可以获取各个拐点之间的连接关系,从而绘制出各个拐点之间的拓扑结构。图4为根据turnpoint数组获取的拓扑图,该拓扑图中的节点对应turnpoint数组中存储的拐点,图4中所有节点的索引序号(1~17)均是是按照对应的路测数据中的路测时间的先后顺序排列的。图9为根据图4获取的标注节点上的连接线数的拓扑图。图9将连接线数大于2的节点标为黑色,其中,黑色的节点(节点2、节点6、节点7、节点9、节点10、节点14和15)为节点上的连线数大于2的节点,粗线将两个相邻的连线数大于2的节点相连。
根据拓扑关系可以得到邻接矩阵,在邻接矩阵A中,A[m,n]表示第m个节点和第n个节点之间的连接关系:
如果两个节点之间用粗线连接,则用2表示其连接关系,即A[p,q]的值为2,此时,邻接矩阵A中相应位置的元素为2;
如果两个节点之间用细线连接,则用1表示其连接关系,即A[p,q]的值为1,此时,邻接矩阵A中相应位置的元素为1;
如果两个节点之间没有连接关系,则用0表示其连接关系,即A[p,q]的值为0,此时,邻接矩阵A中相应位置的元素为0。
因此,根据图4可以得出如表2所示的邻接矩阵A。表2为17个节点的邻接表。
表2
步骤210:根据步骤209中存储的节点的邻接关系,获取所有连线数大于2的节点。
将所有连线数大于2的节点用黑色的点表示。
步骤211:获取相邻的两个度大于2的节点,假设第m个节点和第n个节点的连线数均大于2,则将A[p,q]设置为2。
步骤212:将所有的节点按照索引序号由小到大的顺序依次存入列表1中。
步骤213:从列表1中取出当前的第一个节点,设为m。
步骤214:将与节点m相邻的节点按照索引序号由小到大的顺序依次存入列表2中。
步骤215:从列表2中获取当前的第一个节点,设为n。
步骤216:用temp变量保存A[m,n]的值,将邻接矩阵A中A[m,n]对应的位置的值设置为0。
由于计算最短路径时,需要将m,n之间的直接连线断开,即将A[m,n]置0,在计算完最短路径后,需要将A[m,n]的值的恢复,因此,此处使用temp暂存A[m,n]变量的值,以便于A[m,n]的值的置零与恢复。
步骤217:根据邻接矩阵A设置权值表W。
权值表W采用矩阵形式,其中,W矩阵中与邻接矩阵A中大于0的元素处于相同位置的值设置为1,与邻接矩阵A中等于0的元素处于相同位置的值设置为无穷大,即若A[m,n]>0,则将W[m,n]设置为1,若A[m,n]=0,则将W[m,n]设置为无穷大,程序中可以使用系统能够表示的最大值表示无穷大。
在根据步骤217设置完毕权值表后,权值表中所有具有连接关系的节点之间的权值均为1。
步骤218:借助邻接矩阵A和权值矩阵W,使用最短路径算法获取一条m到n的最短路径。
最短路径算法可以采用Dijkstra算法。
步骤219:确定是否存在最短路径,若存在,进行步骤220,若不存在,令A[m,n]=temp-1,然后返回步骤215。
步骤220:获取最短路径上的所有节点,并按照索引序号从小到大的顺序依次存入列表3中。
步骤221:令A[m,n]=temp,恢复A[m,n]的值,由于此时m到n的最短路径与m和n的连线形成一个闭合回路,将此闭合回路上所有连线对应邻接矩阵中的值减1,从列表1中删除节点n。
设此闭合回路上任意一条连线的两个节点分别为r、t,则将A[r,t]减1。这一删除操作将使得此闭合回路上的细线将被删除,粗线将变为细线。两节点间的细线被删除,表明两节点间的连接关系被去除了。粗线对应的值经过两次减1后,将变为0,说明粗线经过两次删除操作,也将被去除连接关系。
步骤222:判断列表2是否为空,若是,则进行步骤223,否则返回步骤215。
步骤223:从列表1中删除节点m。
步骤224:判断列表3是否为空,若是,则进行步骤225,否则返回步骤213。
步骤225:根据列表3中依次存储的节点获取若干封闭子区域。
此时列表3中可能存在多组节点,每组节点对应一个不可再分的封闭子区域。
下面参照图6A~图6K举例说明具体如何获取图4中的所有不可再分的封闭子区域。
S1:如图6A所示,首先断开节点1和节点2之间的连线,由于节点1和节点2之间没有可到达的其他路径,因此,删除节点1和节点2之间的连线。
S2:如图6B所示,断开节点2和节点3之间的连线,得出节点2到节点3之间的最短路径为2->15->6->5->4->3,得到闭合回路2->15->6->5->4->3->2,此闭合回路即为不可再分的封闭子区域。
S3:如图6C所示,对闭合回路2->15->6->5->4->3->2上的每个连线分别执行一次删除操作,将节点2和节点15之间的粗线以及节点5和节点16之间的粗线都变为细线,将节点2和节点3,节点4和节点5,节点5和节点6之间的细线删除。
S4:如图6D所示,删除节点6和节点7之间的连线,求出二者之间的最短路径为6->15->14->7,得到闭合回路6->15->14->7->6,此闭合回路即为不可再分的封闭子区域。
S5:如图6E所示,对闭合回路6->15->14->7->6上的每条连线分别执行一次删除操作,将节点14和节点15,节点14和节点6,节点6和节点7之间的粗线变为细线,将节点6和节点15之间的细线删除。
S6:如图6F所示,删除节点6和节点7之间的连线,求出节点6和节点7之间的最短路径为6->16->17->7,得出闭合回路6->16->17->7->6,此闭合回路即为不可再分的封闭子区域。
S7:如图6G所示,对闭合回路6->16->17->7->6上的每条连线分别执行一次删除操作,将节点6和节点7,节点6和节点16,节点16和节点17,节点7和节点17之间的细线删除。
S8:如图6H所示,删除节点7和节点8之间的连线,求出节点7和节点8之间的最短路径7->14->10->9->8,得出闭合回路7->14->10->9->8->7,该闭合回路即为不可再分的封闭子区域。
S9:如图6I所示,对闭合回路7->14->10->9->8->7中的每条连线执行一次删除操作,将节点9和节点10,节点10和节点14之间的粗线变为细线,将节点7和节点8,节点8和节点9,节点7和节点14之间的细线都删除。
S10:如图6J所示,删除节点9和节点10之间的连线,求出节点9和节点10之间的最短路径9->13->12->11->10,得出闭合回路9->13->12->11->10->9,此闭合回路即为不可再分的封闭子区域。
S12:如图6K所示,对闭合回路9->13->12->11->10->9中的每条连线分别进行一次删除操作,将节点9和节点10,节点10和节点11,节点11和节点12,节点12和节点13,节点13和节点9之间的细线删除。
至此,获取5个封闭子区域,并且此时图6K中已经不存在闭合回路,因此判定遍历完毕所有的节点,结束获取封闭子区域的算法。
根据实际对预测区域的场强采取的预测方式,确定针对预测区域的形状需求,对根据列表3获取的若干封闭子区域的形状进行调整,其具体流程图如图5所示。
步骤501:计算出列表3中的所有节点的内角大小。
步骤502:选出所有内角大于180度的节点,并存入列表1中。
步骤503:确认列表1中的元素个数是否大于1,若是则进行步骤504,否则进行步骤510。
步骤504:提取出列表1中所有不相邻的节点,并求出每两个不相邻的节点之间的距离,按照求出的距离从小到大的顺序,依次将对应的节点对存入列表2中。
步骤505:取出列表2中的第一个节点对,并在节点对之间添加一条连线(该连线为直线)。
步骤506:检测添加的节点对的各个内角中是否仍然存在大于180度的角,若是则进行步骤507,否则进行步骤508。
步骤507:从列表2中删除该节点对,返回步骤505。
步骤508:从列表1中删除该节点对中的两个节点。
步骤509:判断列表1是否为空,若是则进行步骤515,否则进行步骤510。
步骤510:将列表1中的每两个不相邻的节点作为节点对,按照二者之间的距离从小到大的顺序依次存入列表3中。
步骤511:取出列表3中的第一个节点对,并在该节点对之间添加一条直线。
步骤512:判断该节点对的两个节点的各个内角中是否仍然存在大于180度的角,若是则进行步骤513,否则进行步骤514。
步骤513:从列表3中删除该节点对,返回步骤511。
步骤514:从列表1中删除该节点对对应的节点,返回步骤514。
步骤515:结束封闭子区域的调整流程,将调整后的封闭子区域作为预测区域输出。
通过上述步骤对封闭子区域调整后,使得调整后的封闭子区域符合反演算法要求每一个预测区域均为凸多边形的计算前提,这样可以使得根据预测区域进行的预测结果更加贴近实际情况,从而更加精确、有效地进行网络优化。
基于本发明实施例设计的上述基于路测数据的预测区域划分方法,本发明实施例还设计了一种基于路测数据的预测区域划分装置,如图7所示,包括:
获取模块701,用于获取属于同一小区的若干路测数据;
连接模块702,用于根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;
确定模块703,用于根据路测点的连接线围成的若干封闭子区域,确定预测区域。
上述确定模块如图8所示具体包括:
简化子模块801,用于根据边界贴近路测实际路线的原则对路测点围成的若干封闭子区域分别进行简化;
调整子模块802,用于根据针对预测区域预设的形状需求对简化后的若干封闭子区域分别进行调整,以及根据调整后的若干封闭子区域确定预测区域。
本发明实施例中,将同一小区的路测数据对应的路测点根据测试时间的先后依次连接起来,以获取若干封闭子区域,再根据获得的这些封闭子区域确定预测区域,从而提高了划分出的预测区域的精确度,避免现有技术中划分预测区域的有效性和准确性较差,导致场强预测的精确度和网络优化的效果较低的问题,并且本发明实施例是根据路测数据自动划分预测区域的,即使需要划分的区域范围较大、情况较为复杂,仍然能够实现包含多个小区的区域的预测区域划分,并且可以适用于各种地形地貌,因此,本发明实施例提供的方法相较于现有技术而言具有适用范围广,执行过程简单,耗时短,效率高等优点。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明实施例进行各种改动和变型而不脱离本发明实施例的精神和范围。这样,倘若本发明实施例的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于路测数据的预测区域划分方法,其特征在于,包括:
获取属于同一小区的若干路测数据;
根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;
根据边界贴近路测实际路线的原则对所述路测点围成的若干封闭子区域分别进行简化;
根据针对预测区域预设的形状需求对简化后的若干封闭子区域分别进行调整;
根据调整后的若干封闭子区域确定预测区域。
2.如权利要求1所述的方法,其特征在于,所述根据边界贴近路测实际路线的原则对所述路测点围成的若干封闭子区域分别进行简化,具体包括:
将所有夹角大于门限值的两个连接线的交点作为拐点;
按照每一个拐点的测试时间,将各个拐点依次进行连接;
将每一个由若干拐点的连线围成的封闭子区域作为简化后的封闭子区域。
3.如权利要求1所述的方法,其特征在于,所述根据针对预测区域预设的形状需求对简化后的若干封闭子区域分别进行调整,根据调整后的若干封闭子区域确定预测区域,具体包括:
判断每一个简化后的封闭子区域是否为凸多边形,其中,若判断出任意一个简化后的封闭子区域为非凸多边形,则将所述非凸多边形划分为若干凸多边形,并将划分出的若干凸多边形作为预测区域。
4.如权利要求3所述的方法,其特征在于,所述将所述非凸多边形划分为凸多边形,具体包括:
分别确定每一种将所述非凸多边形划分成若干凸多边形的划分方式;
从获得的多种划分方式中确定拐点的添加连线数目最少、添加连线总长度最短的划分方式,作为目标划分方式;
按照所述目标划分方式将所述非凸多边形划分为若干凸多边形。
5.如权利要求1~4中任一项所述的方法,其特征在于,在确定预测区域之后,还包括:
对确定的每一个预测区域分别进行反演计算,获取对应的场强预测结果,并根据每一个获得的场强预测结果对相应的预测区域进行网络优化。
6.一种基于路测数据的预测区域划分装置,其特征在于,包括:
获取模块,用于获取属于同一小区的若干路测数据;
连接模块,用于根据测试时间依次将属于同一小区的若干路测数据各自对应的路测点进行连接;
简化子模块,用于根据边界贴近路测实际路线的原则对所述路测点围成的若干封闭子区域分别进行简化;
调整子模块,用于根据针对预测区域预设的形状需求对简化后的若干封闭子区域分别进行调整,以及根据调整后的若干封闭子区域确定预测区域。
7.如权利要求6所述的装置,其特征在于,所述简化子模块,具体用于将所有夹角大于门限值的两个连接线的交点作为拐点;按照每一个拐点的测试时间,将各个拐点依次进行连接;将每一个由若干拐点的连线围成的封闭子区域作为简化后的封闭子区域。
8.如权利要求6所述的装置,其特征在于,所述调整子模块具体用于:
判断每一个简化后的封闭子区域是否为凸多边形,其中,若判断出任意一个简化后的封闭子区域为非凸多边形,则将所述非凸多边形划分为若干凸多边形,并将划分出的若干凸多边形作为预测区域。
9.如权利要求8所述的装置,其特征在于,所述调整子模块,具体用于分别确定每一种将所述非凸多边形划分成若干凸多边形的划分方式;从获得的多种划分方式中确定拐点的添加连线数目最少、添加连线总长度最短的划分方式,作为目标划分方式;按照所述目标划分方式将所述非凸多边形划分为若干凸多边形。
10.如权利要求6~9中任一项所述的装置,其特征在于,还包括优化模块,用于在所述确定模块确定预测区域之后,对确定的每一个预测区域分别进行反演计算,获取对应的场强预测结果,并根据每一个获得的场强预测结果对相应的预设区域进行网络优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210418683.3A CN103796217B (zh) | 2012-10-26 | 2012-10-26 | 一种基于路测数据的预测区域划分方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210418683.3A CN103796217B (zh) | 2012-10-26 | 2012-10-26 | 一种基于路测数据的预测区域划分方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103796217A CN103796217A (zh) | 2014-05-14 |
CN103796217B true CN103796217B (zh) | 2017-09-05 |
Family
ID=50671400
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210418683.3A Active CN103796217B (zh) | 2012-10-26 | 2012-10-26 | 一种基于路测数据的预测区域划分方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103796217B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105263145B (zh) * | 2015-10-30 | 2018-05-08 | 中国铁塔股份有限公司齐齐哈尔市分公司 | 一种无线网络规划中信号测试数据的优化处理方法 |
CN107196723B (zh) * | 2016-03-14 | 2021-05-25 | 普天信息技术有限公司 | 一种传播模型的校正方法及系统 |
CN113740892B (zh) * | 2020-06-05 | 2024-03-01 | 北京沃东天骏信息技术有限公司 | 用户的路线引导方法、装置和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1713765A (zh) * | 2004-06-25 | 2005-12-28 | 大唐移动通信设备有限公司 | 确定小区覆盖范围边界的方法 |
CN101159967A (zh) * | 2007-10-29 | 2008-04-09 | 中国移动通信集团设计院有限公司 | 一种将路测数据用于传播模型校正的方法及装置 |
CN101621825A (zh) * | 2008-11-21 | 2010-01-06 | 中国移动通信集团广东有限公司 | 一种充分利用实测数据的无线信号场强预测及网络覆盖地图绘制的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012136245A1 (en) * | 2011-04-04 | 2012-10-11 | Nokia Siemens Networks Oy | Considering privacy when using area-based minimization of drive-tests (mdt) |
-
2012
- 2012-10-26 CN CN201210418683.3A patent/CN103796217B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1713765A (zh) * | 2004-06-25 | 2005-12-28 | 大唐移动通信设备有限公司 | 确定小区覆盖范围边界的方法 |
CN101159967A (zh) * | 2007-10-29 | 2008-04-09 | 中国移动通信集团设计院有限公司 | 一种将路测数据用于传播模型校正的方法及装置 |
CN101621825A (zh) * | 2008-11-21 | 2010-01-06 | 中国移动通信集团广东有限公司 | 一种充分利用实测数据的无线信号场强预测及网络覆盖地图绘制的方法 |
Non-Patent Citations (2)
Title |
---|
城市微蜂窝的快捷精确传播预测方法;王少尉 朱秋萍 田茂;《电波科学学报》;20060228;全文 * |
移动通信网络路测数据的抽样与分析方法;孙娟娟, 吴建威;《系统工程与电子技术》;20090131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103796217A (zh) | 2014-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107060746B (zh) | 一种复杂裂缝性油藏流动模拟的方法 | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN104567906B (zh) | 一种基于北斗的城市路网车辆路径规划方法及装置 | |
CN106912018A (zh) | 基于信令轨迹的地图匹配方法及系统 | |
CN106714336A (zh) | 一种基于改进克里金算法的无线传感网温度监测方法 | |
CN106878375A (zh) | 一种基于分布式组合传感器网络的座舱污染物监测方法 | |
CN109948272A (zh) | 基于井间连通性的调堵动态预测方法和系统 | |
CN106338774A (zh) | 一种基于电导率‑深度成像的时间域航空电磁数据反演方法 | |
CN103336894B (zh) | 一种城市容积率自动分区方法 | |
CN103149600B (zh) | 一种基于优化控制点确定水文地质参数的自动配线方法 | |
CN113837361A (zh) | 一种空气污染物浓度预测方法及系统 | |
CN103796217B (zh) | 一种基于路测数据的预测区域划分方法及装置 | |
CN106529678B (zh) | 一种基于最大最小蚂蚁系统优化的slam数据关联方法 | |
CN106556877B (zh) | 一种地磁通化方法及装置 | |
CN104900061A (zh) | 路段行程时间监测方法及装置 | |
CN116017488B (zh) | 基于边界搜索的大区域散射通信覆盖预测方法及系统 | |
CN108416458A (zh) | 一种基于bp神经网络的隧道富水岩体综合超前地质预报方法 | |
CN108985488A (zh) | 个体出行目的地预测的方法 | |
CN113839725B (zh) | 无线信号传播预测方法及装置 | |
CN112351394A (zh) | 一种基于手机信令数据的交通出行模型构建方法 | |
CN106844626A (zh) | 利用微博关键词和位置信息模拟空气质量的方法及系统 | |
CN111677486A (zh) | 致密油二氧化碳吞吐模拟方法、装置及存储介质 | |
CN111291476A (zh) | 一种对流层顶的高度的估算方法、装置、电子设备和存储介质 | |
CN106125044A (zh) | 基于梯度下降的离线定位方法 | |
CN104463924A (zh) | 基于散乱点高程采样数据的数字高程地形模型生成方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |