CN105163337A

CN105163337A - 一种基于覆盖预测仿真的移动网络数据地理映射的方法

Info

Publication number: CN105163337A
Application number: CN201510518464.6A
Authority: CN
Inventors: 王广善; 常青
Original assignee: BEIJING TUOMING COMMUNICATION TECHNOLOGY Co Ltd
Current assignee: BEIJING TUOMING COMMUNICATION TECHNOLOGY Co Ltd
Priority date: 2015-08-21
Filing date: 2015-08-21
Publication date: 2015-12-16
Anticipated expiration: 2035-08-21
Also published as: CN105163337B

Abstract

本发明涉及一种基于覆盖预测仿真的移动网络数据地理映射的方法，属于移动通信网络优化分析领域。其主要技术步骤如下：首先，基于网络规划的基础数据和无线传播模型对指定区域进行覆盖预测仿真，生成实际地理区域各位置点的最佳服务小区，进而生成所属的地理区域栅格和基站小区标识的对应关系，得到如下对照表：栅格编号、服务小区列表、对应服务小区采样点数量、栅格采样点总数、对应服务小区采样点分布比率、对应服务小区覆盖权值；将移动网络数据如资源数据、业务数据、质量数据、用户数据、终端数据等归纳成几个大类，并依据上一步建立的对照表将移动网络数据按照各服务小区对应覆盖权值映射到对应地理栅格中。

Description

一种基于覆盖预测仿真的移动网络数据地理映射的方法

技术领域

本发明涉及移动通信网络优化分析领域，特别涉及一种基于覆盖预测仿真的移动网络数据地理映射的方法。

背景技术

由于移动网络的特点，运营商无线网络优化分析工作往往需要基于地理信息系统的辅助来完成。将移动网络的相关数据如网络资源、性能、流量、业务、用户、终端、消费、投诉、WLAN热点、营业厅等在统一的GIS地图上进行关联分析和呈现，可以很直观的发现网络问题并给出解决建议。

大部分的移动网络数据是基于网元也就是小区对象的，不论是网管、信令、计费还是路测、网优平台数据。而小区的覆盖范围在2D地图上肯定是面的，且是一个不规则甚至不连续的区域，如何基于现有的基站小区的位置来准确生成小区的面的覆盖图是行业内研究的重点，特别是一些网优工具平台的开发厂家。

传统的方案要么是把基站小区用三叶草的图形进行扩展，要么是利用泰森多边形的几何算法进行模拟，实际应用中效果都不是令人满意。

发明内容

本发明的目的是提供一种基于覆盖预测仿真的移动网络数据地理映射的方法，所述方法包括如下步骤：

(1)、首先，基于网络规划的基础数据和无线传播模型对指定区域进行覆盖预测仿真，生成实际地理区域各位置点的最佳服务小区，进而生成所属的地理区域栅格和基站小区标识的对应关系，得到如下对照表：栅格编号、服务小区列表、对应服务小区采样点数量、栅格采样点总数、对应服务小区采样点分布比率、对应服务小区覆盖权值；

(2)、将移动网络数据归纳成如下大类：求和类计数项、聚合去重类计数项、平均类计数项、值域最大值计数项、值域最小值计数项、百分比计数项等，并依据上一步建立的对照表将移动网络数据按照各服务小区对应覆盖权值映射到对应地理栅格中。

进一步地，如上所述的基于覆盖预测仿真的移动网络数据地理映射的方法，所述移动网络数据包括资源数据、业务数据、质量数据、用户数据、终端数据等。

进一步地，如上所述的基于覆盖预测仿真的移动网络数据地理映射的方法，所述基于网络规划的基础数据和无线传播模型对指定区域进行覆盖预测仿真包括如下具体步骤：

(1-1)准备基站基础数据库，包括小区名称、LAC、CI、站址经度、站址纬度、站高、方向角、机械下倾角、电子下倾角、发射功率、天线数据等；其中天线数据包括了天线的类型、增益、频段、垂直方向图、水平方向图等；

(1-2)选取无线传播模型并配置相应参数及输入，包括模型相关参数、终端高度、频段、地理环境数据等；

(1-3)进行数据准确性核查、数据完整性核查等数据质量检查工作；

(1-4)基于选定的无线传播模型，对现网基站数据库进行覆盖预测仿真迭代计算，得到每个地理区域位置点上的最佳服务小区列表、次佳服务小区列表、干扰小区列表等；

(1-5)选定相关的地理区域进行栅格化处理，将此地理区域所包括的位置点全部划归到相关地理区域栅格中，生成该地理栅格内的各小区的采样点分布比率表或者各小区的覆盖权值表。

进一步地，如上所述的基于覆盖预测仿真的移动网络数据地理映射的方法，所述步骤(1-2)中的无线传播模型包括自由空间传播模型、奥村/Hata模型、Cost231-Hata模型、Walfisch-Ikegami模型、室内传播模、KM模型或射线跟踪模型等；所述地理环境数据包括地形地物、植被、建筑物等三维数字地图数据。

进一步地，如上所述的基于覆盖预测仿真的移动网络数据地理映射的方法，所述步骤(2)具体包括以下步骤：

(2-1)首先，构建移动网络数据库；

(2-2)其次，构建地理栅格数据库，其中的栅格编码与对照表一一对应；

(2-3)基于上面新生成的地理栅格内各小区覆盖权值表,计算移动网络数据库的各项到地理栅格数据库各项的映射，并将其结果在2D地图上呈现出来。

进一步地，如上所述的基于覆盖预测仿真的移动网络数据地理映射的方法，步骤(2)形成的地理栅格数据库需要定期计算一次，以保持对实际网络拓扑和覆盖变化的更新，更新的周期可设，默认为一个月。

本发明中提出了一个新的技术方案，采用基于覆盖预测仿真的结果生成的小区覆盖边界来近似模拟小区的实际覆盖范围，可以更好地帮助相关人员提升GIS地理化分析的精确度和工作效率。

附图说明

图1为本发明中天线的垂直方向图(左)及水平方向图(右)。

图2为将移动网络所在的地理区域进行栅格化，建立参考坐标系示意图。

具体实施方式

下面结合附图和实施例对本发明进行详细的描述。

本发明提供一种基于覆盖预测仿真的移动网络数据地理映射的方法，包括如下关键步骤：

(1)首先，基于网络规划的基础数据和无线传播模型对指定区域进行覆盖预测仿真，生成实际地理区域各位置点的最佳服务小区，进而生成所属的地理区域栅格和基站小区标识LAC/CI的对应关系，得到如下对照表Grid(n)：栅格编号、服务小区列表、对应服务小区采样点数量、栅格采样点总数、对应服务小区采样点分布比率、对应服务小区覆盖权值；

所述基于网络规划的基础数据和无线传播模型对指定区域进行覆盖预测仿真包括如下具体步骤：

(1-1)准备基站基础数据库BTSDatabase()，包括小区名称、LAC、CI、站址经度、站址纬度、站高、方向角、机械下倾角、电子下倾角、发射功率、天线数据等。其中天线数据包括了天线的类型、增益、频段、垂直方向图、水平方向图等。下表是基站基础数据库BTSDatabase()的样本数据：

对于天线数据737115_902，其基本参数如下：

√天线的类型：双极化定向天线

√增益：15dbi

√频段：GSM900

√垂直方向图及水平方向图：所谓天线方向图，是指在离天线一定距离处，辐射场的相对场强(归一化模值)随方向变化的图形，通常采用通过天线最大辐射方向上的两个相互垂直的平面方向图来表示。天线方向图是衡量天线性能的重要图形，可以从天线方向图中观察到天线的各项参数。

(1-2)选取无线传播模型并配置相应参数及输入，如模型相关参数、终端高度、频段、地理环境数据等。无线传播模型是为了更好的更准确的研究无线传播而设计出来的一种模型，传播模型是移动通信网小区规划的基础。模型的价值就是保证了精度，同时节省了人力、费用和时间。常用的无线信号传播模型包括自由空间传播模型、奥村/Hata模型、Cost231-Hata模型、Walfisch-Ikegami模型、室内传播模、KM模型以及射线跟踪模型等。实际选择时根据系统所属制式、频段及相关场景进行选择，如对于市区环境的GSM900制式，一般可选择奥村/Hata模型。地理环境数据包括地形地物、植被、建筑物等三维数字地图数据。

(1-3)进行数据准确性核查、数据完整性核查等数据质量检查工作，确保相关基础数据的可用性，以利于覆盖预测仿真结果的可用性。由于网络的不断变动调整以及后期维护优化的遗留问题等，网络规划所用的基础数据、地图数据等往往存在着很多数据质量问题，典型的问题如基础数据不准、新建站址缺失、地图数据未及时更新等都会不同程度的影响基站覆盖预测仿真的结果。因此，在进行覆盖预测仿真的迭代计算前要多一个数据质量核查的环节，当数据质量达到相应标准后，才可以进行后续计算。

(1-4)基于选定的无线传播模型，对现网基站数据库进行覆盖预测仿真迭代计算，得到每个地理区域位置点上的最佳服务小区列表、次佳服务小区列表、干扰小区列表等。这里我们只关注最佳服务小区列表。覆盖预测仿真结果输出示例如下：(不同的网络规划软件输出略有不同，但总能转换成如下格式)

单小区信号场强分布点阵CellCoverage()：(以Cell_A为例)

上表表示为小区Cell_A在相关地理区域上的经过无线传播模型路径损耗计算后的各地理位置点上场强覆盖情况。

(1-5)选定相关的地理区域进行栅格化处理，将此地理区域所包括的位置点全部划归到相关地理区域栅格中，后续进行统一处理。将移动网络所在的地理区域进行栅格化，建立参考坐标系，即在水平和垂直方向上打上一系列n*n米的网格线，如图2所示：

针对这些网格线所形成的栅格区域，我们给每一个地理栅格进行编号。针对上一步获得的全部单小区信号场强分布点阵CellCoverage()进行处理，将各个地理位置点的采样结果依据地理经纬度归类到相关的地理栅格内，同时对于各个地理位置点按信号场强进行过滤处理，低于某一个设定信号场强门限MinRxlevel的地理位置点滤掉，可以得到如下结果：

上表表示为在栅格标号为383的地理区域上，各个相关小区的满足条件的地理位置点采样统计情况。如小区Cell_A在该栅格内的采样点数量为47437(各个地理位置采样点的信号强度大于MinRxlevel)，该栅格内采样点总数为73147，小区Cell_A在该栅格内采样点分布比率为47437/73147＝64.9％，小区Cell_A的总采样点数量为236322，小区Cell_A在该栅格内的覆盖权值为47437/236322＝20.07％。

我们可以生成该地理栅格内的各小区的采样点分布比率表或者各小区的覆盖权值表Grid(n)，可用如下数学表述：

Grid(n)＝

{

GridID,

Cell(i),

CountALL

}

其中，Cell(i)＝

{

CellID,

CellName,

Count,

Ratio,//＝Count/CountALL

Weight//＝Count/CellName的总采样点数量

}

(2)将移动网络数据如资源数据、业务数据、质量数据、用户数据、终端数据等归纳成几个大类：求和类计数项、聚合去重类计数项、平均类计数项、值域最大值计数项、值域最小值计数项、百分比计数项等，并依据上一步建立的对照表Grid(n)将移动网络数据按照各服务小区对应覆盖权值映射到对应地理栅格中。

(2-1)首先，构建移动网络数据库NetworkDatabase(m)，(m＝1,2,…,CellALLCount(网络中小区总数量))，其样例数据的表结构如下：

其中，

CellName:计数移动网络小区的名称

LAC：计数移动网络小区的位置区编码

CI：计数移动网络小区的小区编码

Period：计数移动网络小区的时段

SUM_Count：求和类计数项

Distinct_Count：聚合去重类计数项

Average_Count：平均类计数项

MAX_Count：值域最大值计数项

MIN_Count：值域最小值计数项

Percent_Count：百分比计数项

(2-2)其次，构建地理栅格数据库GridDataBase(n),n＝1,2,…,Grid_Count(地理栅格总数量)，其中的栅格编码GridID与Grid(n)一一对应，其样例数据的表结构如下：

其中，

GridID：计数地理栅格的栅格编码，与Grid(n)中的GridID一一对应

Period：计数地理栅格的时段

SUM_Count：求和类计数项

Distinct_Count：聚合去重类计数项

Average_Count：平均类计数项

MAX_Count：值域最大值计数项

MIN_Count：值域最小值计数项

Percent_Count：百分比计数项

(2-3)基于上面新生成的地理栅格内各小区覆盖权值表Grid(n),计算NetworkDatabase(m)(m＝1,2,…,CellALLCount(网络中小区总数量))的各项到GridDataBase(n)(n＝1,2,…,Grid_Count(地理栅格总数量))各项的映射，并将其结果在2D地图上呈现出来。具体的映射算法如下所示：注：计算符号sum表示求和，average表示求算数平均

√GridDataBase(n).GridID＝Grid(n).GridID(n＝1,2,…,Grid_Count(地理栅格总数量))

√GridDataBase(n).Period＝NetworkDatabase(m).Period(m＝1,2,…,CellALLCount(网络中小区总数量))

√GridDataBase(n).SUM_Count＝sum(NetworkDatabase(m).SUM_Count*Grid(n).cell(i).weight),当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量)

√GridDataBase(n).Distinct_Count＝sum(NetworkDatabase(m).Distinct_Count*Grid(n).cell(i).weight)*p_Distinct_Count,当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量),p_Distinct_Count为调节系数。

√GridDataBase(n).Average_Count＝average(NetworkDatabase(m).Average_Count*Grid(n).cell(i).weight)*p_Average_Count,当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量),p_Average_Count为调节系数。

√GridDataBase(n).MAX_Count＝sum(NetworkDatabase(m).MAX_Count*Grid(n).cell(i).weight)*p_MAX_Count,当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量),p_MAX_Count为调节系数。

√GridDataBase(n).MIN_Count＝sum(NetworkDatabase(m).MIN_Count*Grid(n).cell(i).weight)*p_MIN_Count,当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量),p_MIN_Count为调节系数。

√GridDataBase(n).Percent_Count＝average(NetworkDatabase(m).Percent_Count*Grid(n).cell(i).weight)*p_Percent_Count,当NetworkDatabase(m).cellname＝Grid(n).cell(i).cellname,(n＝1,2,…,Grid_count；m＝1,2,…,CellALLCount；i＝1,2,…,Grid(n)中所包含的全部不同小区数量),p_Percent_Count为调节系数。

以上形成的地理栅格数据库GridDataBase(n)需要定期计算一次，以保持对实际网络拓扑和覆盖变化的更新，更新的周期可设，默认为一个月。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若对本发明的这些修改和变型属于本发明权利要求及其同等技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims

1.一种基于覆盖预测仿真的移动网络数据地理映射的方法，其特征在于：

所述方法包括如下步骤：

2.如权利要求1所述的基于覆盖预测仿真的移动网络数据地理映射的方法，其特征在于：

所述移动网络数据包括资源数据、业务数据、质量数据、用户数据、终端数据等。

3.如权利要求1所述的基于覆盖预测仿真的移动网络数据地理映射的方法，其特征在于：

4.如权利要求3所述的基于覆盖预测仿真的移动网络数据地理映射的方法，其特征在于：

所述步骤(1-2)中的无线传播模型包括自由空间传播模型、奥村/Hata模型、Cost231-Hata模型、Walfisch-Ikegami模型、室内传播模、KM模型或射线跟踪模型等；所述地理环境数据包括地形地物、植被、建筑物等三维数字地图数据。

5.如权利要求4所述的基于覆盖预测仿真的移动网络数据地理映射的方法，其特征在于：

所述步骤(2)具体包括以下步骤：

(2-1)首先，构建移动网络数据库；

6.如权利要求5所述的移动网络数据进行地理栅格映射的方法，其特征在于：

步骤(2)形成的地理栅格数据库需要定期计算一次，以保持对实际网络拓扑和覆盖变化的更新，更新的周期可设，默认为一个月。