CN105472644B - 基于用户行为特征的深度覆盖网络质量评估方法和系统 - Google Patents
基于用户行为特征的深度覆盖网络质量评估方法和系统 Download PDFInfo
- Publication number
- CN105472644B CN105472644B CN201610017774.4A CN201610017774A CN105472644B CN 105472644 B CN105472644 B CN 105472644B CN 201610017774 A CN201610017774 A CN 201610017774A CN 105472644 B CN105472644 B CN 105472644B
- Authority
- CN
- China
- Prior art keywords
- data
- scene
- user
- grid
- latitude
- 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
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- 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用户行为特征的深度覆盖网络质量评估方法和系统，包括以下步骤：S1.获取MR数据，并将其存储在数据库中；S2.从数据库中提取MR数据，并从该MR数据中解析出MR数据的原始时间，将该原始时间存储在数据库中；S3.按照室外场景和室内场景将MR数据分为两类；S4.选取室外场景中速率小于第一阈值的用户的MR数据；S5.将室外场景中速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到N*N米的栅格中；S6.为步骤S5中的每个栅格设置覆盖场景；S7.分场景评估深度覆盖网络质量。本发明弥补了传统呼叫质量测试CQT随机性强、费时费力、设备操作复杂和不能全面反映网络质量的不足。
Description
技术领域
本发明涉及网络覆盖质量评估技术领域，特别是涉及一种基于用户行为特征的深度覆盖网络质量评估方法和系统。
背景技术
传统的深度覆盖网络质量评估方法主要以人工呼叫质量测试CQT为基础，这种方法的典型模式是由测试人员、测试电脑、测试软件、测试中断和GPS信息采集器构成。它以人工步行的方式在一定范围内采集通话或上网信号，并通过测试软件记录人工步行地理轨迹、信令信息和事件信息等交互消息，达到提取一次随机抽样样本评估整体深度覆盖网络质量的目的。传统呼叫质量测试CQT虽然很好地结合了地理化呈现、移动网络通话信息、实时信令等信息，并能够清晰展示某一区域网络质量。尤其是住宅小区内的深度覆盖处于用户家中，需进入用户家中测试方能评估，目前很难实现。
传统深度覆盖网络质量评估方法存在以下缺点：
(1)随着城市规模的不断扩大和移动通信网络规模的扩张，传统呼叫质量测试CQT费时费力，需消耗大量网络优化资源；
(2)不可避免的存在测试楼宇及场景遗漏、重复测试，以及测试路径不全面、测试标准不统一和评估结果不全面的现象；
(3)传统呼叫质量测试CQT业务数量有限，不能全面反映用户实际使用网络质量，无法全面体现用户感知；
(4)传统呼叫质量测试CQT人工参与度高、测试结果随机性强、人为主观影响大，且每种测试方式只能代表一种类型评估结果。
发明内容
本发明的目的在于克服现有技术的不足，提供一种基于用户行为特征的深度覆盖网络质量评估方法和系统，弥补了传统呼叫质量测试CQT随机性强、费时费力、设备操作复杂和不能全面反映网络质量的不足。
本发明的目的是通过以下技术方案来实现的：基于用户行为特征的深度覆盖网络质量评估方法，包括以下步骤：
S1.获取MR数据，并将其存储在数据库中；
S2.从数据库中提取MR数据，并从MR数据中解析出MR数据的原始时间，将原始时间存储在数据库中；
S3.按照室外场景和室内场景将MR数据分为两类；
S4.选取室外场景中移动速率小于第一阈值的用户的MR数据；
S5.将室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到N*N米的栅格中；
S6.为步骤S5中的每个栅格设置覆盖场景；
S7.分场景评估深度覆盖网络质量。
所述步骤S3和步骤S4之间还包括如下步骤：
对室内场景中的MR数据进行去噪处理。
所述对室内场景中的MR数据进行去噪处理包括以下子步骤：
滤除距离大于第二阈值的MR数据：计算当前MR数据的采样点的经纬度和产生MR数据的小区的经纬度之间的距离，若该距离大于第二阈值，则判断当前MR数据为噪声数据，滤除该MR数据；
滤除道路面的MR数据：计算当前MR数据采样点的经纬度和道路数据库的所有打点的经纬度之间的间距，得到第一间距集合，若该第一间距集合中的最小间距小于第三阈值，则判断当前MR数据为噪声数据，滤除该MR数据。
所述步骤S4包括以下子步骤：
S41.对室外场景中的MR数据进行排序：先将室外场景中的MR数据按用户进行排序，再将按用户进行排序后的MR数据按照用户发起业务的时间顺序进行排序；
S42.根据MR数据的打点经纬度计算用户的移动速率：根据用户的MR数据轨迹得到相邻两点间的第二间距集合，然后根据第二间距集合和MR数据的上报间隔时间计算得到用户的移动速率集合；
S43.对用户的移动速率进行去噪处理：滤除用户的移动速率集合中值大于第四阈值的移动速率；
S44.计算用户单次会话的平均速率；
S45.获取室外场景中移动速率小于第一阈值的用户的MR数据：选取室外场景中所有对应的用户单次会话的平均速率大于零且小于第一阈值的MR数据。
所述步骤S5包括以下子步骤：
S51.遍历所有室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据；
S52.经纬度归一化处理，保留M位小数：若采集到的经纬度的小数点后位数超过M位，则省略掉第M位后的位数，若采集到的经纬度的小数点后位数不足M位，则在后面补零；
S53.确定每条MR数据的栅格标识：截取经纬度的小数点后第X位为a，X<M，若a小于等于M，则将a统一取值为0；若a大于M，则将a取值为M；将经度的前七位、维度的前六位和a连接得到每条MR数据的栅格标识；
S54.确定MR数据与栅格之间的对应关系，完成MR数据的栅格化聚类。
所述步骤S6包括以下子步骤：
S61.遍历步骤S5中得到的所有栅格；
S62.取出步骤S61中每个栅格的每条MR数据，得到MR数据的主服务小区；
S63.根据MR数据的主服务小区，关联工参库中的场景，即将小区所属的场景作为当前MR数据的场景；
S64.统计每个栅格中每条MR数据所属的场景，将出现次数最多的场景作为当前栅格的覆盖场景。
所述步骤S7包括以下子步骤：
S71.统计每类场景中每个栅格的平均电平，对平均电平不同的栅格进行不同的颜色渲染；
S72.统计每个栅格的平均质量，对平均质量不同的栅格进行不同的颜色渲染；
S73.统计每个栅格中MR数据的条数，对包含的MR数据条数不同的栅格进行不同的颜色渲染；
S74.利用GIS技术将各个场景的栅格呈现到地图中。
所述步骤S2中，按照应答数据格式从MR数据中解析出该MR数据的原始时间。
基于用户行为特征的深度覆盖网络质量评估系统，包括：
MR数据获取模块，用于获取MR数据；
MR数据解析模块，用于解析出MR数据的原始时间；
MR数据分类模块，用于将MR数据按照室外场景和室内场景进行分类；
去噪模块，用于滤除MR数据中的噪声数据；
MR数据选取模块，用于选取室外场景中速率小于第一阈值的用户的MR数据；
MR数据聚合模块，用于将MR数据聚合到栅格中；
栅格覆盖场景设置模块，用于为每个栅格设置覆盖场景；
网络质量评估模块，用于分场景评估深度覆盖网络质量。
本发明的有益效果是：本发明弥补了传统呼叫质量测试CQT随机性强、费时费力、设备操作复杂和不能全面反映网络质量的不足；通过对用户实际使用网络产生的全天候实时海量MR数据进行综合分析，数据获取成本很低，大大降低了人工测试强度；本发明包含了用户使用网络的所有业务类型、所有深度覆盖场景的不同楼宇、数据样本全面；此外，本发明采用程序统一处理，减少了人为分析网络的主观性影响，显著提升深度覆盖网络质量评估效率。
附图说明
图1为本发明基于用户行为特征的深度覆盖网络质量评估方法的流程图；
图2为本发明中对室内场景中的MR数据进行去噪处理的流程图；
图3为本发明中选取室外场景中移动速率小于第一阈值的用户的MR数据的流程图；
图4为本发明中将室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到栅格中的流程图；
图5为本发明中为每个栅格设置覆盖场景的流程图；
图6为本发明中分场景评估深度覆盖网络质量的流程图；
图7为本发明基于用户行为特征的深度覆盖网络质量评估系统的连接框图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案，但本发明的保护范围不局限于以下所述。
如图1所示，基于用户行为特征的深度覆盖网络质量评估方法，包括以下步骤：
S1.获取MR数据，并将其存储在数据库中。
步骤S1的具体步骤如下：在OMC-R网元上采集MR数据原始码流，然后将采集到的MR(Measurement Report，测量报告)数据存储在数据库中相应的表中。
S2.从数据库中提取MR数据，并从该MR数据中解析出MR数据的原始时间，将该原始时间存储在数据库中。
所述步骤S2中，按照应答数据格式从MR数据中解析出该MR数据的原始时间。
S3.按照室外场景和室内场景将MR数据分为两类。
步骤S3的具体步骤如下：提取数据库中的MR数据，对MR数据实时基于室分数据源、用户移动性和室外测试特征的分离法将MR数据分为室内场景和室外场景两类。
所述步骤S3和步骤S4之间还包括如下步骤：对室内场景中的MR数据进行去噪处理。
如图2所示，所述对室内场景中的MR数据进行去噪处理包括以下子步骤：
滤除距离大于第二阈值的MR数据：计算当前MR数据的采样点的经纬度和产生MR数据的小区的经纬度之间的距离，若该距离大于第二阈值，则判断当前MR数据为噪声数据，滤除该MR数据；
滤除道路面的MR数据：计算当前MR数据采样点的经纬度和道路数据库的所有打点的经纬度之间的间距，得到第一间距集合，若该第一间距集合中的最小间距小于第三阈值，则判断当前MR数据为噪声数据，滤除该MR数据。
S4.选取室外场景中移动速率小于第一阈值的用户的MR数据。
如图3所示，所述步骤S4包括以下子步骤：
S41.对室外场景中的MR数据进行排序：先将室外场景中的MR数据按用户进行排序，再将按用户进行排序后的MR数据按照用户发起业务的时间顺序进行排序。
S42.根据MR数据的打点经纬度计算用户的移动速率：根据用户的MR数据轨迹得到相邻两点间的第二间距集合，然后根据第二间距集合和MR数据的上报间隔时间计算得到用户的移动速率集合；用户移动速率集合的计算方式为：用户移动速率集合＝第二间距集合/MR数据的上报间隔时间。
S43.对用户的移动速率进行去噪处理：滤除用户的移动速率集合中值大于第四阈值的移动速率。
S44.计算用户单次会话的平均速率。
S45.获取室外场景中移动速率小于第一阈值的用户的MR数据：选取室外场景中所有对应的用户单次会话的平均速率大于零且小于第一阈值的MR数据。
S5.将室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到N*N米的栅格中。
如图4所示，所述步骤S5包括以下子步骤：
S51.遍历所有室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据。
S52.经纬度归一化处理，保留M位小数：若采集到的经纬度的小数点后位数超过M位，则省略掉第M位后的位数，若采集到的经纬度的小数点后位数不足M位，则在后面补零。例如：若M的取值为5，则采集到的经纬度的小数点后位数超过5位，则省略掉第5位后的位数，若采集到的经纬度的小数点后位数不足5位，则在后面补零。
S53.确定每条MR数据的栅格标识：截取经纬度的小数点后第X位为a，X<M，若a小于等于M，则将a统一取值为0；若a大于M，则将a取值为M；将经度的前七位、维度的前六位和a连接得到每条MR数据的栅格标识。例如，当N的取值为50，M的取值为5时，截取经纬度小数点后第4位(精度为10米)为a(0≤a≤9)，若a≤5，则a统一取值为0，若a>5，则a取值为5；将经度的前7位、维度的前六位与a连接即得到每条MR数据的栅格标识。如(106.34562,29.38127)的50米*50米的栅格标识为(106.3455,29.3810)。
S54.确定MR数据与栅格之间的对应关系，完成MR数据的栅格化聚类。
S6.为步骤S5中的每个栅格设置覆盖场景。
如图5所示，所述步骤S6包括以下子步骤：
S61.遍历步骤S5中得到的所有栅格。
S62.取出步骤S61中每个栅格的每条MR数据，得到MR数据的主服务小区。
S63.根据MR数据的主服务小区，关联工参库中的场景，即将小区所属的场景作为当前MR数据的场景。
S64.统计每个栅格中每条MR数据所属的场景，将出现次数最多的场景作为当前栅格的覆盖场景。
S7.分场景评估深度覆盖网络质量。分场景评估出每个栅格的覆盖、质量、业务量等网络水平。
如图6所示，所述步骤S7包括以下子步骤：
S71.统计每类场景中每个栅格的平均电平，对平均电平不同的栅格进行不同的颜色渲染。
每个栅格的平均电平的计算方式为：
其中，avgRSCP为每个栅格的平均电平，n为每个栅格中的MR数据条数，i为当前MR数据。
S72.统计每个栅格的平均质量，对平均质量不同的栅格进行不同的颜色渲染。
每个栅格的平均质量的计算方式为：
其中，avgECNO为每个栅格的平均质量，n为每个栅格中的MR数据条数，i为当前MR数据。
S73.统计每个栅格中MR数据的条数，对包含的MR数据条数不同的栅格进行不同的颜色渲染。MR数据的条数越多则代表当前栅格的业务量越高。
S74.利用GIS技术将各个场景的栅格呈现到地图中，从而直观的对深度覆盖网络质量进行展示。
如图7所示，基于用户行为特征的深度覆盖网络质量评估系统，包括：
MR数据获取模块，用于在OMC-R网元上采集MR数据原始码流，然后将采集到的MR数据存储在数据库中相应的表中；
MR数据解析模块，用于按照应答数据格式从MR数据中解析出该MR数据的原始时间；
MR数据分类模块，用于提取数据库中的MR数据，对MR数据实时基于室分数据源、用户移动性和室外测试特征的分离法将MR数据分为室内场景和室外场景两类；
去噪模块，用于滤除MR数据中的噪声数据；
MR数据选取模块，用于按用户的国际移动用户识别码IMSI以及用户发起业务的时间对用户进行排序，计算用户的移动速率,选取室外场景中速率小于第一阈值的用户的MR数据；
MR数据聚合模块，用于将室外场景中速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到N*N米的栅格中；
栅格覆盖场景设置模块，用于根据MR数据聚合模块得到的栅格，统计每个栅格中每条MR数据的覆盖场景，把当前栅格中出现次数最多的场景作为当前栅格的覆盖场景；
网络质量评估模块，用于分场景评估深度覆盖网络质量，分场景评估出每个栅格的覆盖、质量、业务量等网络水平。
以上所述仅是本发明的优选实施方式，应当理解本发明并非局限于本文所披露的形式，不应看作是对其他实施例的排除，而可用于各种其他组合、修改和环境，并能够在本文所述构想范围内，通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围，则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.基于用户行为特征的深度覆盖网络质量评估方法，其特征在于：包括以下步骤：
S1.获取MR数据，并将其存储在数据库中；
S2.从数据库中提取MR数据，并从MR数据中解析出MR数据的原始时间，将原始时间存储在数据库中；
S3.按照室外场景和室内场景将MR数据分为两类；
S4.选取室外场景中移动速率小于第一阈值的用户的MR数据；
S5.将室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据聚合到N*N米的栅格中；
S6.为步骤S5中的每个栅格设置覆盖场景；
S7.分场景评估深度覆盖网络质量；
所述步骤S3和步骤S4之间还包括如下步骤：
对室内场景中的MR数据进行去噪处理；
所述对室内场景中的MR数据进行去噪处理包括以下子步骤：
滤除距离大于第二阈值的MR数据：计算当前MR数据的采样点的经纬度和产生MR数据的小区的经纬度之间的距离，若该距离大于第二阈值，则判断当前MR数据为噪声数据，滤除该MR数据；
滤除道路面的MR数据：计算当前MR数据采样点的经纬度和道路数据库的所有打点的经纬度之间的间距，得到第一间距集合，若该第一间距集合中的最小间距小于第三阈值，
则判断当前MR数据为噪声数据，滤除该MR数据；
所述步骤S4包括以下子步骤：
S41.对室外场景中的MR数据进行排序：先将室外场景中的MR数据按用户进行排序，再将按用户进行排序后的MR数据按照用户发起业务的时间顺序进行排序；
S42.根据MR数据的打点经纬度计算用户的移动速率：根据用户的MR数据轨迹得到相邻两点间的第二间距集合，然后根据第二间距集合和MR数据的上报间隔时间计算得到用户的移动速率集合；
S43.对用户的移动速率进行去噪处理：滤除用户的移动速率集合中值大于第四阈值的移动速率；
S44.计算用户单次会话的平均速率；
S45.获取室外场景中移动速率小于第一阈值的用户的MR数据：选取室外场景中所有对
应的用户单次会话的平均速率大于零且小于第一阈值的MR数据。
2.根据权利要求1所述的基于用户行为特征的深度覆盖网络质量评估方法，其特征在于：所述步骤S5包括以下子步骤：
S51.遍历所有室外场景中移动速率小于第一阈值的用户的MR数据和室内场景中的MR数据；
S52.经纬度归一化处理，保留M位小数：若采集到的经纬度的小数点后位数超过M位，则省略掉第M位后的位数，若采集到的经纬度的小数点后位数不足M位，则在后面补零；
S53.确定每条MR数据的栅格标识：截取经纬度的小数点后第X位为a，X<M，若a小于等于M，则将a统一取值为0；若a大于M，则将a取值为M；将经度的前七位、纬度的前六位和a连接得到每条MR数据的栅格标识；
S54.确定MR数据与栅格之间的对应关系，完成MR数据的栅格化聚类。
3.根据权利要求1所述的基于用户行为特征的深度覆盖网络质量评估方法，其特征在于：所述步骤S6包括以下子步骤：
S61.遍历步骤S5中得到的所有栅格；
S62.取出步骤S61中每个栅格的每条MR数据，得到MR数据的主服务小区；
S63.根据MR数据的主服务小区，关联工参库中的场景，即将小区所属的场景作为当前MR数据的场景；
S64.统计每个栅格中每条MR数据所属的场景，将出现次数最多的场景作为当前栅格的覆盖场景。
4.根据权利要求1所述的基于用户行为特征的深度覆盖网络质量评估方法，其特征在于：所述步骤S7包括以下子步骤：
S71.统计每类场景中每个栅格的平均电平，对平均电平不同的栅格进行不同的颜色渲染；
S72.统计每个栅格的平均质量，对平均质量不同的栅格进行不同的颜色渲染；
S73.统计每个栅格中MR数据的条数，对包含的MR数据条数不同的栅格进行不同的颜色渲染；
S74.利用GIS技术将各个场景的栅格呈现到地图中。
5.根据权利要求1所述的基于用户行为特征的深度覆盖网络质量评估方法，其特征在于：所述步骤S2中，按照应答数据格式从MR数据中解析出该MR数据的原始时间。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610017774.4A CN105472644B (zh) | 2016-01-12 | 2016-01-12 | 基于用户行为特征的深度覆盖网络质量评估方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610017774.4A CN105472644B (zh) | 2016-01-12 | 2016-01-12 | 基于用户行为特征的深度覆盖网络质量评估方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105472644A CN105472644A (zh) | 2016-04-06 |
| CN105472644B true CN105472644B (zh) | 2019-04-16 |
Family
ID=55609821
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610017774.4A Active CN105472644B (zh) | 2016-01-12 | 2016-01-12 | 基于用户行为特征的深度覆盖网络质量评估方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN105472644B (zh) |
Families Citing this family (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106028380A (zh) * | 2016-05-24 | 2016-10-12 | 北京雾联科技有限公司 | 无线网络性能参数的挖掘分析和显示系统及其工作方法 |
| CN106211326B (zh) * | 2016-08-31 | 2019-09-10 | 四川亨通网智科技有限公司 | 一种基于lte-mr数据的综合精确定位算法 |
| CN108616900B (zh) * | 2016-12-12 | 2021-06-11 | 中国移动通信有限公司研究院 | 一种室内外测量报告的区分方法及网络设备 |
| CN108541011B (zh) * | 2017-03-03 | 2021-11-23 | 中国移动通信集团福建有限公司 | 无线网络信号覆盖区域的强度分析方法和装置 |
| CN107466044A (zh) * | 2017-08-30 | 2017-12-12 | 北京天元创新科技有限公司 | 一种网络覆盖评估的方法及装置 |
| CN108377468B (zh) * | 2017-12-07 | 2020-06-23 | 中国移动通信集团福建有限公司 | 无线网络场景化评估方法、装置、设备及介质 |
| CN109996186B (zh) * | 2017-12-29 | 2021-02-26 | 中国移动通信集团陕西有限公司 | 一种网络覆盖问题识别方法及装置、可读取存储介质 |
| CN108718254B (zh) * | 2018-05-14 | 2021-05-28 | 中国联合网络通信有限公司湖北省分公司 | 地铁室内分布系统故障定位方法及系统 |
| CN110677859B (zh) * | 2018-07-03 | 2022-08-30 | 中国电信股份有限公司 | 弱覆盖区域的确定方法、装置和计算机可读存储介质 |
| CN109284443A (zh) * | 2018-11-28 | 2019-01-29 | 四川亨通网智科技有限公司 | 一种基于爬虫技术的旅游推荐方法及系统 |
| CN110730432B (zh) * | 2019-10-21 | 2021-01-08 | 深圳市名通科技股份有限公司 | 邻近用户识别方法、终端及可读存储介质 |
| CN111885485B (zh) * | 2020-07-22 | 2022-07-29 | 中国联合网络通信集团有限公司 | 一种网络质量的评估方法和装置 |
| CN113891384B (zh) * | 2021-10-28 | 2023-08-29 | 中国联合网络通信集团有限公司 | 网络质量匹配度的确定方法、装置、服务终端及介质 |
| CN114286383B (zh) * | 2021-12-27 | 2024-07-02 | 中国联合网络通信集团有限公司 | 网络质量确定方法、装置及存储介质 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103581995A (zh) * | 2013-08-30 | 2014-02-12 | 西安电子科技大学 | 一种用于移动通信网覆盖性能的测量方法 |
| CN103595589A (zh) * | 2013-11-26 | 2014-02-19 | 中国联合网络通信集团有限公司 | 一种信号质量测量方法及装置 |
| CN104160738A (zh) * | 2012-03-09 | 2014-11-19 | 高通股份有限公司 | 用于确定毫微微蜂窝小区中移动设备的位置的方法和系统 |
| CN104853379A (zh) * | 2014-02-18 | 2015-08-19 | 中国移动通信集团公司 | 一种无线网络质量评估方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1925667B (zh) * | 2005-08-29 | 2011-04-20 | 国际商业机器公司 | 在室内环境中确定基站设置方式的无线电规划方法和设备 |
-
2016
- 2016-01-12 CN CN201610017774.4A patent/CN105472644B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104160738A (zh) * | 2012-03-09 | 2014-11-19 | 高通股份有限公司 | 用于确定毫微微蜂窝小区中移动设备的位置的方法和系统 |
| CN103581995A (zh) * | 2013-08-30 | 2014-02-12 | 西安电子科技大学 | 一种用于移动通信网覆盖性能的测量方法 |
| CN103595589A (zh) * | 2013-11-26 | 2014-02-19 | 中国联合网络通信集团有限公司 | 一种信号质量测量方法及装置 |
| CN104853379A (zh) * | 2014-02-18 | 2015-08-19 | 中国移动通信集团公司 | 一种无线网络质量评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN105472644A (zh) | 2016-04-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105472644B (zh) | 基于用户行为特征的深度覆盖网络质量评估方法和系统 | |
| CN109325085B (zh) | 一种城市用地功能识别与变化检测方法 | |
| CN102595323B (zh) | 基于手机定位数据的居民出行特征参数的获取方法 | |
| Khodabandelou et al. | Population estimation from mobile network traffic metadata | |
| Bonnel et al. | Origin-Destination estimation using mobile network probe data | |
| CN108875806B (zh) | 基于时空数据的虚假林火热点挖掘方法 | |
| CN107580337B (zh) | 一种热点区域识别方法和装置 | |
| CN111080501B (zh) | 基于手机信令数据的真实人群密度时空分布估算方法 | |
| US20120220274A1 (en) | Position information analysis device and position information analysis method | |
| CN105761190A (zh) | 一种基于手机定位数据的城市居住区空置率动态监测方法 | |
| CN108733774B (zh) | 一种基于大数据的失业人口动态监测方法 | |
| Liu et al. | Multi-scale population and mobility estimation with geo-tagged tweets | |
| EP2875623A1 (en) | Method and system for traffic estimation | |
| CN109034624B (zh) | 一种基于位置服务数据的城市空气污染暴露评估方法 | |
| CN110377679A (zh) | 一种基于轨迹定位数据的公共空间活力测度方法及系统 | |
| Pu et al. | Visual analysis of people's mobility pattern from mobile phone data | |
| CN108235253A (zh) | 用户运动剖析 | |
| CN110728454A (zh) | 一种个体出行分析系统 | |
| CN115345416A (zh) | 基于天然气用气数据的住房空置率估算 | |
| CN114443787B (zh) | 大气污染特征识别方法和装置 | |
| CN112561121B (zh) | 基于手机信令数据的复工趋势预测方法及系统 | |
| CN113408867B (zh) | 基于手机用户和poi数据的城市入室盗窃犯罪风险评估方法 | |
| Pu et al. | MViewer: Mobile phone spatiotemporal data viewer | |
| Batran et al. | Inference of Human Spatiotemporal Mobility in Greater Maputo by Mobile Phone Big Data Mining. | |
| Tsumura et al. | Examining potentials and practical constraints of mobile phone data for improving transport planning in developing countries |
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 |