CN105682136A - 基于室外测试特征的室内外分离法 - Google Patents

Abstract

本发明公开了一种基于室外测试特征的室内外分离法，它包括数据采集；清洗？MR数据；将室外测试的DT/CQT数据划分成初始栅格，按经纬度投放到不同的初始栅格中；选取BP人工神经网络算法建立分类模型，将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数；将采集到的白天MR数据按IMSI以及用户会话分段，作为检测对象；将白天每个用户的每次会话的MR划分成栅格，按经纬度投放到初始栅格中；找出每个MR栅格对应的神经网络分类器；提取MR栅格中的每条MR，得到前六强RSCP和EC/NO作为分类器的12个输入参数；将12个参数输入到当前MR栅格对应的神经网络分类器中，运算得到每条MR室内室外属性。

Description

基于室外测试特征的室内外分离法

技术领域

本发明涉及一种基于室外测试特征的室内外分离法。

背景技术

测量报告MR是用户发起业务与基站通信过程中产生的测量报告，它是全天候、全时段的无线环境测量数据，是无线资源调度的依据，直接反应业务质量和用户感知，它具备海量数据特点，样本方差小，准确性高，且获取成本低等优势，故MR是指导运营商规划、建设以及优化的有效手段。传统的评估方法有(1)小区及的MR评估手段，即通过统计小区的覆盖率，质差率，上下行接收功率不平衡比例等指标来评价小区的质量。(2)将MR栅格地理化，地理上以更小的粒度来评价每个栅格的无线网络质量。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于室外测试特征的室内外分离法，该方法采用神经网络算法建立分类模型，根据MR数据得到MR的室内外属性。

本发明的目的是通过以下技术方案来实现的：基于室外测试特征的室内外分离法，它包括如下步骤：

S1：数据采集，从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数据；

S2：将MR数据进行清洗，去除非法数据及噪声；

S3：将室外测试的DT/CQT数据按N*N米划分成栅格，按经纬度投放到不同的栅格中，共形成M个栅格，每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}

S4：选取BP人工神经网络算法建立分类模型，将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数，用1或0代表室内和室外作为输出层参数，每个DT/CQT栅格训练成一个分类器，共有M个分类器；

S5：将采集到的白天MR数据按IMSI以及用户会话分段，作为检测对象；

S6：将每个用户的每次会话的MR按N*N米划分成栅格，按经纬度投放到不同的栅格中,共形成K个栅格，每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak}；

S7：根据最近距离找出步骤S6中每个MR栅格对应的神经网络分类器；

S8：遍历每一个S6中的MR栅格，提取MR栅格中的每条MR，得到前六强RSCP和EC/NO作为分类器的12个输入参数；

S9：将12个参数输入到当前MR栅格对应的神经网络分类器中，运算后得到每条MR室内室外属性。

所述的步骤S3中DT/CQT测试采样点栅格投放包括如下子步骤：

S31：经纬度统一处理，保留5位小数，若采集到的经纬度小数点后位数超过5位，则省略掉第5位后的位数，若不足5位，则在后面补0；

S32：确定每条DT/CQT数据的栅格标识，以50米*50米栅格为例，截取经纬度小数点后第4位假设为a，a的取值范围为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位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识；

S33：确定每个DT/CQT采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成DT/CQT测试采样点的栅格投放。

所述的步骤S4中BP人工神经网络算法建立分类模型的方法包括如下子步骤：

S41：数据归一化处理，归一化算法为：

y＝(x-min)/(max-min)(0<＝y<＝1)

上式中的x为具体MR采样点第N导频的RSCP或Ec/No值，min为RSCP或Ec/No的最小取值，分别为-112和-24；max为RSCP或Ec/No的最大取值，分别为-40和-1，y为归一化后的值，被映射为0至1的取值范围；

S42：初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2]，初始值利用随机函数生成；

S43：得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值，如下式：

$neti=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}wijxij-\mathrm{\&theta;}$

yi＝f(neti)

$f\left(x\right)=\frac{1}{1+e-ax}$

上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值，θ表示一个阈值默认取0，xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值，yi为神经元i的输出值；F(x)为转移函数；通过上述三式即可得到每一条MR的室内外属性输出；

S44：根据理论输出校正步骤S43中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2]，不断的迭代学习。

本发明的有益效果是：本发明提供了一种基于室外测试特征的室内外分离法，该方法采用神经网络算法建立分类模型，根据MR数据得到MR的室内外属性，能够准确的判断MR室内外属性，进而形成室内外MR栅格，用以评估居民楼、写字楼、酒店等室内场景以及各种室外道路场景的无线网络质量。

附图说明

图1为室外测试特征分离计算方法示意图。

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，基于室外测试特征的室内外分离法，它包括如下步骤：

S1：数据采集，从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数据；

S2：将MR数据进行清洗，去除非法数据及噪声；

S3：将室外测试的DT/CQT数据按N*N米划分成栅格，按经纬度投放到不同的栅格中，共形成M个栅格，每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}

S4：选取BP人工神经网络算法建立分类模型，将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数，用1或0代表室内和室外作为输出层参数，每个DT/CQT栅格训练成一个分类器，共有M个分类器；

S5：将采集到的白天MR数据按IMSI以及用户会话分段，作为检测对象；

S6：将每个用户的每次会话的MR按N*N米划分成栅格，按经纬度投放到不同的栅格中,共形成K个栅格，每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak}；

S7：根据最近距离找出步骤S6中每个MR栅格对应的神经网络分类器；

S8：遍历每一个S6中的MR栅格，提取MR栅格中的每条MR，得到前六强RSCP和EC/NO作为分类器的12个输入参数；

S9：将12个参数输入到当前MR栅格对应的神经网络分类器中，运算后得到每条MR室内室外属性。

所述的步骤S3中DT/CQT测试采样点栅格投放包括如下子步骤：

S31：经纬度统一处理，保留5位小数，若采集到的经纬度小数点后位数超过5位，则省略掉第5位后的位数，若不足5位，则在后面补0；

S32：确定每条DT/CQT数据的栅格标识，以50米*50米栅格为例，截取经纬度小数点后第4位假设为a，a的取值范围为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位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识；例如：(106.34562,29.38127)的50米*50米的栅格标识为(106.3455,29.3810)。

S33：确定每个DT/CQT采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成DT/CQT测试采样点的栅格投放。

所述的步骤S4中BP人工神经网络算法建立分类模型的方法包括如下子步骤：

S41：数据归一化处理，归一化算法为：

y＝(x-min)/(max-min)(0<＝y<＝1)

上式中的x为具体MR采样点第N导频的RSCP或Ec/No值，min为RSCP或Ec/No的最小取值，分别为-112和-24；max为RSCP或Ec/No的最大取值，分别为-40和-1，y为归一化后的值，被映射为0至1的取值范围；

S42：初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2]，初始值利用随机函数生成；

S43：得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值，如下式：

$neti=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}wijxij-\mathrm{\&theta;}$

yi＝f(neti)

$f\left(x\right)=\frac{1}{1+e-ax}$

上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值，θ表示一个阈值默认取0，xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值，yi为神经元i的输出值；F(x)为转移函数；通过上述三式即可得到每一条MR的室内外属性输出；

S44：根据理论输出校正步骤S43中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2]，不断的迭代学习。

Claims (3)

1.基于室外测试特征的室内外分离法，其特征在于：它包括如下步骤：

S1：数据采集，从服务器上通过采集接口采集MR数据、路测数据、室分基础数据和GIS数据；

S2：将MR数据进行清洗，去除非法数据及噪声；

S3：将室外测试的DT/CQT数据按N*N米划分成栅格，按经纬度投放到不同的栅格中，共形成M个栅格，每个栅格确定其中心经纬度{{lon1,la1},{lon2,la2}……{lonm,lam}}

S4：选取BP人工神经网络算法建立分类模型，将每个DT/CQT栅格的每个采样点的前六强RSCP、EC/IO值作为输入层参数，用1或0代表室内和室外作为输出层参数，每个DT/CQT栅格训练成一个分类器，共有M个分类器；

S5：将采集到的白天MR数据按IMSI以及用户会话分段，作为检测对象；

S6：将每个用户的每次会话的MR按N*N米划分成栅格，按经纬度投放到不同的栅格中,共形成K个栅格，每个栅格确定其中心经纬度{mrlon1,mrla1},{mrlon2,mrla2}……{mrlonk,mrlak}；

S7：根据最近距离找出步骤S6中每个MR栅格对应的神经网络分类器；

S8：遍历每一个S6中的MR栅格，提取MR栅格中的每条MR，得到前六强RSCP和EC/NO作为分类器的12个输入参数；

S9：将12个参数输入到当前MR栅格对应的神经网络分类器中，运算后得到每条MR室内室外属性。

2.根据权利要求1所述的基于室外测试特征的室内外分离法，其特征在于：所述的步骤S3中DT/CQT测试采样点栅格投放包括如下子步骤：

S31：经纬度统一处理，保留5位小数，若采集到的经纬度小数点后位数超过5位，则省略掉第5位后的位数，若不足5位，则在后面补0；

S32：确定每条DT/CQT数据的栅格标识，以50米*50米栅格为例，截取经纬度小数点后第4位假设为a，a的取值范围为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位与a相加与纬度的前6位与a相加即得到每条DT/CQT的栅格标识；

S33：确定每个DT/CQT采样点的栅格标识，然后再确定每个采样点与哪个栅格相对应，即完成DT/CQT测试采样点的栅格投放。

3.根据权利要求1所述的基于室外测试特征的室内外分离法，其特征在于：所述的步骤S4中BP人工神经网络算法建立分类模型的方法包括如下子步骤：

S41：数据归一化处理，归一化算法为：

y＝(x-min)/(max-min)(0<＝y<＝1)

上式中的x为具体MR采样点第N导频的RSCP或Ec/No值，min为RSCP或Ec/No的最小取值，分别为-112和-24；max为RSCP或Ec/No的最大取值，分别为-40和-1，y为归一化后的值，被映射为0至1的取值范围；

S42：初始化输入层至隐藏层的权重数组iptHidWeights[12][6]以及隐藏层至输出层的权重数组hidOptWeights[6][2]，初始值利用随机函数生成；

S43：得到输入层传播至隐藏层的加权值以及隐藏层至输出层的加权值，如下式：

$neti=\underset{j=1}{\overset{n}{\&Sigma;}}wijxij-\mathrm{\&theta;}$

yi＝f(neti)

$f\left(x\right)=\frac{1}{1+e-ax}$

上式中wij为输入层至隐藏层以及隐藏层至输出层的权重值，θ表示一个阈值默认取0，xij为第i个输入层至第j个隐藏层的输入值或第i个隐藏层至第j个输出层的输入值，yi为神经元i的输出值；F(x)为转移函数；通过上述三式即可得到每一条MR的室内外属性输出；

S44：根据理论输出校正步骤S43中的实际输出的权重数组iptHidWeights[12][6]以及hidOptWeights[6][2]，不断的迭代学习。