CN104105106A - 无线通信网智能天线覆盖场景自动分类识别方法 - Google Patents

Abstract

本发明公开了一种无线通信网智能天线覆盖场景自动分类识别方法，根据三维地理信息，提取智能天线覆盖小区的长度特征、宽度特征、密度特征、直射特征、阴影特征，使用聚类工具对场景进行挖掘分析，并选择一定的特征参数值对场景进行定义和分类，从而获得某个特定天线覆盖场景的分类，并在此分类基础上进行类型识别。本发明针对现有场景分类标准的随意性,以及分类界限模糊等问题，结合GIS系统的地理位置和建筑物信息，定义客观的指标参数对小区场景进行分类和识别，因此具有人工分类所难以达到的客观性和准确性。根据该分类确定的场景进行智能天线参数设置，能更好发挥智能天线性能，满足该区域的覆盖、干扰和吞吐的要求。

Description

无线通信网智能天线覆盖场景自动分类识别方法

技术领域

本发明涉及无线通信网络规划与优化技术领域，尤其涉及智能天线覆盖场景的分类与识别方法。

背景技术

智能天线是为了提升无线蜂窝网的系统容量、覆盖范围和系统吞吐。不仅如此，移动终端也开始采用智能天线以提升链路质量和用户吞吐。

智能天线根据天线阵列中各阵元接收到的上行信号估计上行用户的方向(即波达角，DOA—Direction of Angle)，发射下行功率时根据估计的方向设置智能天线各天线阵元上的发射功率权重，形成指向被估计用户的波束。增强了该用户的接收功率但并不对其他用户产生干扰。增强了链路稳定性和系统吞吐容量。其核心在于天线权值设置，其设置影响到整个智能天线性能。但决定天线权值设置的因素包括天线类型、天线阵元耦合度、天线发射功率、天线功控、无线信道环境、智能天线初始权值及波束赋形准则等。面对如此复杂的输入参数和限制条件，智能天线在部署时需专业工程人员甚至是研发人员参与参数配置，增加了智能天线性能异常或故障的概率。现有智能天线评测体系和方法包括两大类：一是在外场环境的理想状态下，固定用户数量、位置或运动轨迹，通过打开和关闭智能天线的波束赋形功能来获取智能天线方向图或赋形增益以评估智能天线性能的优劣；二是在外场环境，固定用户数量，发起语音或数据业务，通过接收信号功率、数据速率和载干比来衡量智能天线的性能优劣。而对于智能天线性能异常的分析还缺乏有效手段。

根据智能天线外场测试和实际运行情况可知，智能天线的性能与所在的场景密切相关，即使是相同的智能天线工程参数，在不同场景下性能差距较大，甚至可能被判定为智能天线性能故障。目前，通常根据生活区域属性将无线场景分为12大类，对于一些关键参数在不同的场景下建议不同的取值，用于指导日常网络优化工作的开展。各种场景分为如下12类：(1)一般室内；(2)高层室内；(3)一般室外；(4)密集室外；(5)高校；(6)体育场；(7)城中村；(8)广覆盖(海域、沙漠)；(9)高速铁路；(10)高速道路；(11)高架桥；(12)隧道(含地铁)。

从现有的分类中可以看出此分类标准存在以下问题：

1、分类标准比较主观：此场景衡量标准主要是从人们的社会活动场所特点和业务类型来考虑的，如高校旁边的城中村，不同的网优人员可能将其划分为一般室外、高校和城中村3种；

2、分类标准缺乏量化依据，造成分类界限模糊；如室外场景分为一般室外和密集室外，但如何界定一般和密集，只能凭经验，对于临界状态的判断，尤为复杂。

3、分类场景和智能天线性能指标之间没有任何联系；如对同一基站不同邻区，现有的分类标准通常将其分为一类，但各邻区因建筑物阻碍特征，其智能天线性能表现差异较大，不能简单将其归为一类场景，而应该区分对待。

智能天线根据上行DOA估计来设置权值，形成指向用户的波束，所以智能天线场景划分错误比2G网络中划分错误带来的影响更大。场景划分不同会影响天线架设高度、下倾角、发射功率、影响波束赋形准则的效果，从而对智能天线的赋形增益、方向图、C/I和BER等产生影响，进而影响智能天线的业务波束、用户容量和系统吞吐等。

发明内容

本发明所要解决的技术问题是提出一种基于三维地理信息的智能天线覆盖场景自动识别方法,针对现网小区中智能天线信号覆盖的情况,克服现有技术的缺点和不足。

为解决上述技术问题，本发明提出一种无线通信网智能天线覆盖场景自动分类识别方法包括三维地理信息处理、特征提取、特征聚类、自动识别与更新四个步骤。

包括以下步骤：

三维地理信息处理：通过三维地理信息的处理,得到一定区域内的建筑物投影的拓扑特征，各建筑物的经纬度、长度、宽度、高度和区域面积信息，所述一定区域包括若干个天线覆盖小区；

特征提取：根据得到各个建筑物投影的拓扑特征，得到小区的长度特征、宽度特征；然后，再根据二维建筑物地图，以及天线的法线方向、架高、倾角特征获取待分类小区的地图特征，包括密度特征和辐射特性参数，所述辐射特性包括直射特征参数和阴影特征参数，直射特征参数为空旷场地在整个小区覆盖面积的占比，所述阴影特征参数为小区内遮挡面积占小区覆盖面积的比例；

特征聚类：根据上述得到的小区的长度特征、宽度特征、密度特征、直射特征、阴影特征，使用k-means等聚类算法对场景进行挖掘分析，根据参数对聚类结果的影响程度进行参数筛选，并根据聚类中心点和聚类的最大半径确定用于场景划分的参数取值，获得某个特定天线覆盖场景的分类。

自动识别与更新阶段，当有新的特征场景需要识别时，直接使用所述特征聚类步骤确定的分类进行特征匹配，同时获取其特征差值；当特征差值超出一定经验阈值时，将新样本与老样本重新进行聚类，以更新场景识别和匹配准则。

所述特征提取步骤，具体包括以下步骤：

步骤2.1根据天线挂高、下倾角和波束半功率角计算小区智能天线覆盖半径，

步骤2.2通过小区覆盖半径D和天线方向角可以确定小区覆盖的具体范围，将小区划分成M*N个二维网格，M、N分别为自然数，然后，搜索出小区内建筑物；

步骤2.3以基站为坐标轴中心点O，等价之后的经纬度为横纵坐标，建立坐标轴，计算基站到某建筑物的归一化经纬度差，得到该建筑物中心点的坐标A(x,y),得到建筑物中心点到坐标轴中心点O的相对距离在基站法线方向上，选取一点B(x₁,y₁),使其离基站距离也为R，其中：

x1＝R*sin(direction*π/180)，y1＝R*cos(direction*π/180)。

接下来计算A，B点的坐标计算其距离，得到L_AB。在等腰三角形中，根据三边长度，计算出角度∠AOB＝θ；

步骤2.4判断该建筑物是在小区中基站法线方向的哪一边，具体方法是：将B点以R为半径分别向上下旋转θ，得到点B₁，B₂，如果B₁跟A重合就表明该建筑物在小区的上方，反之，就在下方；

步骤2.5根据归一化比例因子，算出距离R对应的实际长度L，当L<D，θ<60°，即建筑物在小区内时，算出该建筑物遮挡的范围，具体方法是：从建筑物的信息中，得到建筑物的实际遮挡长度hl，近似算出建筑物遮挡的角度2β＝hl/L/PI*180；然后根据步骤2.4得到的建筑物方位信息，得到建筑物遮挡的上，下边沿相对角度分别为：wh＝60+θ-β，wl＝60+θ-β，当wh>120或wl<0时，意味着边界不在小区里，分别重置为wh＝120，wl＝0；

步骤2.6判断基站天线高度是否大于建筑物高度，当基站天线高度大于建筑物高度时，根据上一步确定的遮挡范围，遍历范围内步骤2.2划分的网格，用数组shadow[i][j]分别指向M*N网格中的第i行、第j列的网格区域，遮挡范围外的网格初始为0，被遮挡的网格其对应的数组shadow[i][j]置1；当基站天线高度小于建筑物高度时，建筑物后面的区域全部为遮挡，同样遍历遮挡范围，得到数组shadow[i][j]；

步骤2.7由于不同高度的建筑物对信号反射和遮挡的效果不同，根据不同高度的建筑物面积占整个小区覆盖范围的比例，对不同高度的建筑物进行分类，计算小区场景的密度特性P₁、P₂、P₃，以及直射特性P₀，计算公式如下：

$P_i=\frac{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{S}_i}{\mathrm{\&pi;}{D}^{2}3-S_0}$

0＝h₀；0<h₁≤Min(L1,H/2)；Min(L1,H/2)<h₂≤Min(L2,H)；Min(L2,H)<h₃

其中D为小区覆盖区域半径，H为天线架高，S₀为水域面积，S_i是高度为h_i的建筑物面积和，L1、L2为建筑物分类的经验值，L1<L2,P₁代表相对高度为0到Min(L1,H/2)的建筑物面积在整个小区覆盖面积的占比，P₂代表相对高度为Min(L1,H/2)至Min(L2,H)的建筑物面积在整个小区覆盖面积的占比，P₃代表相对高度为大于Min(L2,H)的建筑物面积在整个小区覆盖面积的占比，P₀代表空旷场地在整个小区覆盖面积的占比；从而得到小区场景的密度特性P₁、P₂、P₃，以及直射特性P₀；

步骤2.8计算小区遮挡面积占小区覆盖面积的比例，根据步骤2.6得到的表示遮挡信息的数组shadow[i][j]，按照下列公式:

$P4=\frac{\underset{i=0,j=0}{\overset{i=M,j=N}{\mathrm{\&Sigma;}}}\mathrm{shadow}\left[i\right]\left[j\right]}{M*N},$

计算出遮挡面积占小区的覆盖面积的比例，从而得到小区场景的阴影特征P₄。

本发明针对现有场景分类标准的随意性,以及分类界限模糊等问题，结合GIS系统的地理位置和建筑物信息，定义客观的指标参数对小区场景进行分类，杜绝了主观判断的随意性，科学的区分各类场景，避免了主观分组。

该场景识别方法具备以下优点：

1、兼容性好：本方案结合了现有场景分类方法，使用分类和聚集相结合的方法，将现有场景合并或分割到新的场景分类准则中；

2、可量化性：先通过统计分析，抽取各场景的密度特征、长宽特征等，并根据这些特征进行聚类为可量化的指标，增加了分类的客观性和可操作性；

3、自学习性：随着城市的发展，不断创造出新的建筑，对智能天线性能产生新的影响，无线场景也需要更新。为此，一方面使用已有规则对新的场景进行划分，另一方面对于新的场景特征进行重新聚类，以生成新的场景识别规则。

本发明通过天线的地理信息特征及天线辐射特征建立分类的量化准则，实现智能天线场景的自动识别和分组。此外，因为考虑了天线辐射特性，根据该分类确定的场景进行智能天线参数设置，能更好发挥智能天线性能，满足该区域的覆盖、干扰和吞吐的要求。

附图说明

下面结合附图和具体实施方式对本发明的技术方案作进一步具体说明。

图1为本发明实施例的总体系统流程图。

图2为拓扑特征示意图。

图3为二维建筑物高度地图。

图4为特征提取流程图。

图5为智能天线覆盖范围计算原理示意图。

图6为小区建筑物覆盖搜索结果。

图7为小区中建筑物遮挡及位置关系计算辅助图。

图8为覆盖阴影区域示意图

具体实施方式

如图1所示的步骤：

步骤1三维地理信息处理，通过MapInfo软件，将google卫星图信息、建筑物信息进行二维投影和三维重建。得到以下需要的信息：如图2所示的二维投影的拓扑特征；图3所示的二维建筑物地图，建筑物的质心位置用“+”标记，建筑物的长度、宽度、高度和面积等信息隐含在地图数据库中。

步骤2根据上一步得到的二维投影拓扑特征得到天线覆盖小区的长度和宽度特征。再根据二维建筑物地图，以及天线的法线方向、架高、倾角特征获取待分类小区的地图特征密度特征和辐射特性(直射特征、阴影特征)。具体包括以下子步骤，结合图4所示：

步骤2.1根据天线挂高、下倾角和波束半功率角计算小区智能天线覆盖半径，其计算原理如图5。通过简单的三角关系可以确定小区覆盖半径，计算公式如下：

D＝H/tan(α-θ/2)

其中D为小区覆盖的最大半径，H为天线架高、α为天线下倾角，θ/2为波束半功率角。

步骤2.2通过小区覆盖半径D和天线方向角可以确定小区覆盖的具体范围。将小区划分成N个二维网格，N为自然数。在本具体实施方式中，由于小区覆盖区域为120度的、半径为D的扇形区域，从小区中心点出发，每隔1度画出一条射线，然后在半径方向上，进行D等分，D条等分线与若干条射线交叉构成的区域即为上述N个二维网格。然后，搜索出小区内建筑物，如图6所示扇形小区内的带小框的“+”标注的即为小区内建筑物。

步骤2.3如图7所示，以基站为坐标轴中心点O，等价之后的经纬度为横纵坐标(因为一度的经度跟纬度代表的长度不一，所以需要归一等价化)，建立坐标轴。计算基站到某建筑物的归一化经纬度差，得到该建筑物中心点的坐标A(x,y),得到建筑物中心点到坐标轴中心点O的相对距离在基站法线方向上，选取一点B(x₁,y₁),使其离基站距离也为R，其中：

x1＝R*sin(direction*π/180)，y1＝R*cos(direction*π/180)。

接下来计算A，B点的坐标计算其距离，得到L_AB。在等腰三角形中，根据三边长度，计算出角度∠AOB＝θ。

步骤2.4判断该建筑物是在小区中基站法线方向的哪一边，具体方法是：如图6中，将B点以R为半径分别向上下旋转θ，得到点B₁，B₂，如果B₁跟A重合就表明该建筑物在小区的上方，反之，就在下方，以供下一步计算所用。

步骤2.5根据归一化比例因子，算出距离R对应的实际长度L。如图7，当L<D，θ<60°，即建筑物在小区内时，算出该建筑物遮挡的范围，具体方法是：从建筑物的信息中，得到建筑物的实际遮挡长度hl，近似算出建筑物遮挡的角度2β＝hl/L/PI*180。然后根据步骤2.4得到的建筑物方位信息，如本图中在上方，以小区下边沿为基准，得到建筑物遮挡的上，下边沿相对角度分别为：wh＝60+θ-β，wl＝60+θ-β，当wh>120或wl<0时，意味着边界不在小区里，分别重置为wh＝120，wl＝0。

步骤2.6接下来判断基站天线高度是否大于建筑物高度，当基站天线高度大于建筑物高度时，如图8所示，根据上一步确定的遮挡范围，遍历范围内步骤2.2划分的网格，用数组shadow[i][j]分别指向N网格中的第i行、第j列的网格区域，遮挡范围外的网格初始为0，被遮挡的网格其对应的数组shadow[i][j]置1。另一方面，当基站天线高度小于建筑物高度时，建筑物后面的区域全部为遮挡，同样遍历遮挡范围，得到数组shadow[i][j]。

步骤2.7考虑到不同高度的建筑物对信号反射和遮挡的效果不同，对不同高度的建筑物进行分类，分类标准在于不同高度的建筑物面积占整个小区覆盖范围的比例。计算原理如下：

$P_i=\frac{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{S}_i}{\mathrm{\&pi;}{D}^{2}3-S_0}$

0＝h₀；0<h₁≤Min(10,H/2)；Min(10,H/2)<h₂≤Min(20,H)；Min(20,H)<h₃

其中D为小区覆盖区域半径，H为天线架高，S₀为水域面积，S_i是高度为h_i的建筑物面积和，P₁代表相对高度为0到Min(10,H/2)的建筑物面积在整个小区覆盖面积的占比，类似的，P₂代表相对高度为Min(10,H/2)至Min(20,H)的建筑物面积在整个小区覆盖面积的占比，P₃代表相对高度为大于Min(20,H)的建筑物面积在整个小区覆盖面积的占比，P₀代表空旷场地在整个小区覆盖面积的占比。从而得到小区场景的密度特性P₁、P₂、P₃，以及直射特性P₀。

步骤2.8计算小区遮挡面积占小区覆盖面积的比例，根据步骤2.6得到的表示遮挡信息的数组shadow[i][j]，按照下列公式:

$P4=\frac{\underset{i=0,j=0}{\overset{i=120,j=D}{\mathrm{\&Sigma;}}}\mathrm{shadow}\left[i\right]\left[j\right]}{120*D},$

计算出遮挡面积占小区的覆盖面积的比例，从而得到小区场景的阴影特征P₄。

步骤3根据上述得到的长度特征、宽度特征、密度特征、直射特征、阴影特征等，使用聚类工具对相关场景进行挖掘分析，由于所计算的特征参数类型较多，为了增强场景分类的稳定性，需要对特征参数进行重组和筛选。通过聚类方法对全部特征参数的筛选，得到5个有效组合特征参数：得到小区场景的密度特性参数P₁、P₂、P₃，直射特性参数P₀和阴影特征参数P₄，用于对小区场景的识别，并据此将小区场景划分为8类A、B、C、D、E、F、G、H，各类的典型参数如下表1：

步骤4当新的特征场景需要识别时，按照步骤2，获得小区场景的密度特性参数P₁、P₂、P₃，直射特性参数P₀和阴影特征参数P₄。下一步直接跟步骤3所得到的特征参数进行特征匹配，同时获取其特征差值。当特征差值超出一定经验阈值时，将新样本与老样本重新进行聚类，重复步骤3，得到新的场景分类和匹配准则。

最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (3)

1.一种无线通信网智能天线覆盖场景自动分类识别方法，其特征在于：包括以下步骤：

三维地理信息处理：通过三维地理信息的处理,得到一定区域内的建筑物投影的拓扑特征，各建筑物的经纬度、长度、宽度、高度和区域面积信息，所述一定区域包括若干个天线覆盖小区；

特征提取：根据得到各个建筑物投影的拓扑特征，得到小区的长度特征、宽度特征；然后，再根据二维建筑物地图，以及天线的法线方向、架高、倾角特征获取待分类小区的地图特征，包括密度特征和辐射特性参数，所述辐射特性包括直射特征参数和阴影特征参数，直射特征参数为空旷场地在整个小区覆盖面积的占比，所述阴影特征参数为小区内遮挡面积占小区覆盖面积的比例；

特征聚类：根据上述得到的小区的长度特征、宽度特征、密度特征、直射特征、阴影特征，使用k-means聚类算法对场景进行挖掘分析，根据参数对聚类结果的影响程度进行参数筛选，并根据聚类中心点和聚类的最大半径确定用于场景划分的的特征参数取值，获得某个特定天线覆盖场景的分类。

2.根据权利要求1所述的无线通信网智能天线覆盖场景自动分类识别方法，其特征在于：还包括以下步骤：

自动识别与更新阶段，当有新的特征场景需要识别时，直接使用所述特征聚类步骤确定的分类进行特征匹配，同时获取其特征差值；当特征差值超出一定经验阈值时，将新样本与老样本重新进行聚类，以更新场景识别和匹配准则。

3.根据权利要求1或2所述的无线通信网智能天线覆盖场景自动分类识别方法，其特征在于：所述特征提取步骤，具体包括以下步骤：

步骤2.1根据天线挂高、下倾角和波束半功率角计算小区智能天线覆盖半径，

步骤2.2通过小区覆盖半径D和天线方向角可以确定小区覆盖的具体范围，将小区划分成M*N个二维网格，M、N分别为自然数，然后，搜索出小区内建筑物；

步骤2.3以基站为坐标轴中心点O，等价之后的经纬度为横纵坐标，建立坐标轴，计算基站到某建筑物的归一化经纬度差，得到该建筑物中心点的坐标A(x,y),得到建筑物中心点到坐标轴中心点O的相对距离在基站法线方向上，选取一点B(x₁,y₁),使其离基站距离也为R，其中：

x1＝R*sin(direction*π/180)，y1＝R*cos(direction*π/180)

接下来计算A，B点的坐标计算其距离，得到L_AB。在等腰三角形中，根据三边长度，计算出角度∠AOB＝θ；

步骤2.4判断该建筑物是在小区中基站法线方向的哪一边，具体方法是：将B点以R为半径分别向上下旋转θ，得到点B₁，B₂，如果B₁跟A重合就表明该建筑物在小区的上方，反之，就在下方；

步骤2.5根据归一化比例因子，算出距离R对应的实际长度L，当L<D，θ<60°，即建筑物在小区内时，算出该建筑物遮挡的范围，具体方法是：从建筑物的信息中，得到建筑物的实际遮挡长度hl，近似算出建筑物遮挡的角度2β＝hl/L/PI*180；然后根据步骤2.4得到的建筑物方位信息，得到建筑物遮挡的上，下边沿相对角度分别为：wh＝60+θ-β，wl＝60+θ-β，当wh>120或wl<0时，意味着边界不在小区里，分别重置为wh＝120，wl＝0；

步骤2.6判断基站天线高度是否大于建筑物高度，当基站天线高度大于建筑物高度时，根据上一步确定的遮挡范围，遍历范围内步骤2.2划分的网格，用数组shadow[i][j]分别指向M*N网格中的第i行、第j列的网格区域，遮挡范围外的网格初始为0，被遮挡的网格其对应的数组shadow[i][j]置1；当基站天线高度小于建筑物高度时，建筑物后面的区域全部为遮挡，同样遍历遮挡范围，得到数组shadow[i][j]；

步骤2.7由于不同高度的建筑物对信号反射和遮挡的效果不同，根据不同高度的建筑物面积占整个小区覆盖范围的比例，对不同高度的建筑物进行分类，计算小区场景的密度特性P₁、P₂、P₃，以及直射特性P₀，计算公式如下：

$P_i=\frac{\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{S}_i}{\mathrm{\&pi;}{D}^{2}3-S_0}$

0＝h₀；0<h₁≤Min(L1,H/2)；Min(L1,H/2)<h₂≤Min(L2,H)；Min(L2,H)<h₃

其中D为小区覆盖区域半径，H为天线架高，S₀为水域面积，S_i是高度为h_i的建筑物面积和，L1、L2为建筑物分类的经验值，L1<L2,P₁代表相对高度为0到Min(L1,H/2)的建筑物面积在整个小区覆盖面积的占比，P₂代表相对高度为Min(L1,H/2)至Min(L2,H)的建筑物面积在整个小区覆盖面积的占比，P₃代表相对高度为大于Min(L2,H)的建筑物面积在整个小区覆盖面积的占比，P₀代表空旷场地在整个小区覆盖面积的占比；从而得到小区场景的密度特性P₁、P₂、P₃，以及直射特性P₀；

步骤2.8计算小区遮挡面积占小区覆盖面积的比例，根据步骤2.6得到的表示遮挡信息的数组shadow[i][j]，按照下列公式:

$P4=\frac{\underset{i=0,j=0}{\overset{i=M,j=N}{\mathrm{\&Sigma;}}}\mathrm{shadow}\left[i\right]\left[j\right]}{M*N},$

计算出遮挡面积占小区的覆盖面积的比例，从而得到小区场景的阴影特征P₄。