CN106992902A - 一种无线网络覆盖盲区侦测方法及系统 - Google Patents

Abstract

本发明涉及一种无线网络覆盖盲区侦测方法与系统，其中所述方法为，选择分析区域与分析周期，接收从移动终端上采集的无线网络信号数据样本集，其特征在于，包括如下步骤，将分析周期内采集的数据集进行数据清洗与规整；确定种子数量的取值范围，将种子数量的取值范围作为聚类分析外层循环的控制参数；在测试目标分析区域内选定k个初始聚类中心作为种子；基于确定的种子数k和选定的k个种子，采用k‑means方法进行内层迭代，根据所确定的种子数量的取值范围，改变种子数量k的取值，重复计算及选择种子的过程，直到全部种子数都迭代完成；确定最终输出结果。本发明能够及时、准确地发现移动网络的覆盖盲区并进行盲区位置、范围和严重程度的标定。

Description

一种无线网络覆盖盲区侦测方法及系统

技术领域

本发明涉及通信领域，具体地说，是涉及一种无线网络覆盖盲区侦测方法及系统。

背景技术

在移动环境下无线网络为手机用户提供不间断信息传输服务的前提是网络具有全地理区域的充分覆盖。但由于网络设备故障，如基站硬件故障或基站工程参数配置错误等；基站设备部署的区域限制，如因居民反对导致无法建站；无线传播环境的局限性，如大型建筑物的遮挡、电梯间、地下室等，等各种原因，往往存在覆盖不足甚至无覆盖的区域。这对于用户的网络使用体验会带来很大影响，如业务质量下降甚至通信中断等。同时也会对网络运营商造成业务收入的降低。

运营商目前较常用的发现覆盖不足区域的手段主要包括：

（1）网络运维人员使用专用路测软件对所在区域进行大量测试；

（2）通过网络侧采集的数据（如MR、CDR等数据）发现覆盖不足的问题；

（3）用户投诉。

但是传统路测的方法成本高，且有些区域，如居民家中、政府机关涉密场所等因无法进入而无法进行测试；

因此从网络侧采集数据的方式的缺点包括：（1）所采集数据往往缺乏足够精确的定位信息，难以准确发现覆盖不足的发生位置；（2）对于手机脱网即完全无覆盖的情况，由于手机无法与网络通信，从网络侧则无法发现此类问题，因而也就无法采取措施进行处理；

而通过用户投诉的方法，一方面实时性差，往往是用户无法忍受才会投诉，严重影响用户体验，且用户往往难以准确描述覆盖盲区的位置和影响范围。

公布号为CN 103731865 A，名称为《一种统计无线网络覆盖盲区的方法、移动终端及系统》的发明专利申请提出了一种统计无线网络覆盖盲区的方法，其通过移动终端接收无线信号，进而获取到该无线信号的强度信息；并根据该无线信号的强度信息判断该移动终端进入无线网络覆盖盲区后，获取该移动终端当前的第一位置信息。而获取的第一位置信息即是无线网络覆盖盲区的边界点，因此无线运营商可利用移动终端获取无线网络覆盖盲区的边界点，所耗费的时间和人力资源比其他测试方法更少。该现有技术统计无线网络覆盖盲区的方法主要是侧重于盲区数据的获取，但未公开如何对获取的数据进行技术处理的技术方案。

发明内容

针对上述现有技术中的不足，本发明提供一种能够及时、准确地发现移动网络的覆盖盲区并进行盲区位置、范围和严重程度的标定的技术方案。

本发明所采取的技术方案是：

一种无线网络覆盖盲区侦测方法，选择分析区域与分析周期，接收从移动终端上采集的无线网络信号数据样本集，包括如下步骤：

步骤1：将所述分析周期内采集的数据集进行数据清洗与规整，建立覆盖异常事件样本集；

步骤2：将所述分析周期上一周期的信号盲区数量作为所述分析周期计算的初始种子数量，并根据所述初始种子数量确定种子数量的取值范围，将种子数量的取值范围作为聚类分析外层循环的控制参数；

步骤3：根据种子数量的取值范围在测试目标分析区域内选定k个初始聚类中心作为种子；

步骤4：基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；

步骤5：根据步骤2中所确定的种子数量的取值范围，改变种子数量k的取值，重复步骤3和步骤4，直到全部种子数都迭代完成；

步骤6：计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，并确定最终输出结果。

优选的是，数据集包括：

无覆盖事件样本集，包括所述分析周期内从用户智能终端上采集的用户在使用终端过程中发生的脱网事件的集合；

制式回落事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的网络制式回落事件的集合；

弱覆盖事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的信号场强持续低于设定门限达设定时长的事件的集合。

在上述任一方案中优选的是，数据集还包括：

历史盲区表，包括在本次分析周期之前已经标定好的历史盲区信息；

以及基站信息表，包括分析区域运营商各网络制式下的基站信息。

在上述任一方案中优选的是，无覆盖事件样本集包括无覆盖事件发生的日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识、重新驻留网络后的网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，制式回落事件样本集包括回落事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度，测试现场室内或室外标识，制式回落类型、回落前制式、制式回落前测试现场小区标识、制式回落前测试现场信号场强、回落后制式、制式回落后测试现场小区标识、制式回落后测试现场信号场强。

在上述任一方案中优选的是，弱覆盖时间样本集包括弱覆盖事件发生日期及时间、测试网络所属运营商、测试移动号码用用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识，弱覆盖事件发生时的网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，历史盲区表包括盲区标识，盲区发生日期，是否单网盲区，盲区网络制式，盲区邻近小区标识集，盲区中心经纬度，盲区半径，盲区等级，关联历史盲区标识。

在上述任一方案中优选的是，基站信息表包括分析区域基站名称、分析区域小区名称、分析区域基站经纬度、分析区域小区标识、分析区域基站类型、分析区域小区天线方向角、分析区域小区天线俯仰角、分析区域基站高度、分析区域基站信号覆盖场景。

在上述任一方案中优选的是，数据清洗与规整包括如下步骤：

1a、根据终端所支持的运营商网络类型，将所述无覆盖事件样本集转换成多个单网无覆盖事件样本；

1b、根据回落类型，将所述制式回落事件样本转换为单网无覆盖事件样本；

1c、将所述多个单网无覆盖事件样本及所述弱覆盖事件样本集合并建立覆盖异常事件样本集。

在上述任一方案中优选的是，单网无覆盖事件样本包括2G无覆盖事件样本、3G无覆盖事件样本、4G无覆盖事件样本中至少一个。

在上述任一方案中优选的是，覆盖异常事件样本集包括：覆盖异常事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、覆盖异常事件类型、测试现场经纬度、测试现场室内或室外标识、与覆盖异常相关的单个网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，步骤2具体包括如下步骤：

将所述分析周期的上一个分析周期的信号盲区数量 QUOTE 作为所述分析周期计算的初始种子 QUOTE ，则 QUOTE ；

按k=k₀±n进行2n+1次的外层迭代，其中，n的大小作为控制聚类计算效率和聚类性能折中的参数， QUOTE ；

外层循环从k=k₀+n开始，按降序进行，直到k=k₀-n，处理完毕。

在上述任一方案中优选的是，步骤3进一步包括如下步骤：

3a、在测试目标分析区域内选定k个初始聚类中心作为种子；

3b、如果当前种子数k小于或等于k₀，则从所述分析周期的上一周期最终确定的k₀个盲区的质心中随机选择k个质心作为本次迭代的初始聚类中心，跳转到步骤4；如果k>k₀，则先将上一周期的k₀个盲区的质心作为本次迭代的前k₀个初始聚类中心；

3c、假设有N个覆盖异常事件样本，计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，所述欧氏距离平方作为所述覆盖异常事件样本的挑选概率，按所述挑选概率从N个样本中选择一个样本的经纬度作为第k₀+1个种子；

3d、将执行步骤3c后剩下的N-1个样本，分别计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，作为所述样本的挑选概率，按各自的挑选概率从所述N-1个样本中选择一个样本的经纬度作为第k₀+2个种子；

3e、重复步骤3d直至所有的k个种子选择完毕。

在上述任一方案中优选的是，步骤4的聚类分析具体包括如下步骤：

4a、计算每个样本到各聚类中心的欧氏距离，根据最小距离准则判断该样本所属聚类中心，直到所有样本处理完毕；

4b、根据每个聚类包含的所有样本计算出该聚类的质心，所述质心作为该聚类新的聚类中心；

4c、设定各新的聚类中心的方差门限，用新的聚类中心按照步骤4a和4b重新计算各样本的所属聚类和聚类中心，直到前后两次迭代的计算结果不变，或各聚类中心的方差小于设定门限，迭代收敛，停止内层循环；

4d、设定聚类中样本数门限，如果收敛后的聚类中样本数低于设定门限，则剔除该聚类，相应减少聚类数量k的值，同时，在外层循环中不再对该数量的聚类进行内层迭代循环。

在上述任一方案中优选的是，步骤6的聚类后数据处理具体包括如下步骤：

6a、在2n+1次外层迭代结果中，根据预定准则确定最终聚类结果，并在以下各步骤中确定该聚类结果的具体属性；

6b、根据聚类内样本所属网络制式确定盲区类型和盲区网络制式；

6c、根据聚类内各样本点的所属小区标识确定该盲区的关联邻区集合；

6d、根据该盲区内样本点数和样本类型计算出盲区等级；

6e、计算本周期所侦测到的盲区的质心与上一周期所确定的各历史盲区的质心的欧氏距离，将所有与该盲区的距离小于设定门限的历史盲区都计为本盲区的关联历史盲区；

6f、根据上述各步骤处理结果，整理得到本周期最终的盲区侦测结果表，并输出盲区侦测结果。

在上述任一方案中优选的是，预定准则为各样本点到其各自所属聚类中心的欧氏距离平方和最小。

在上述任一方案中优选的是，盲区等级分为高、中、低三个等级，计算盲区等级具体包括：将一个弱覆盖样本等价为0.25个无覆盖样本，统计各盲区等价无覆盖样本数，样本数小于20的为低等级，样本数在20~50之间的为中等级，超过50的为高等级盲区。

在上述任一方案中优选的是，盲区侦测结果表的属性包括盲区标识、盲区发生日期、盲区类型、盲区网络制式、盲区邻近小区标识集、盲区中心经纬度、盲区半径、盲区等级、所关联的上一周期盲区的标识。

一种无线网络覆盖盲区侦测系统，包括：移动智能终端和服务器端，所述移动智能终端配置为在分析周期对分析区域内的网络信号进行数据采集，并将所述数据传送给服务器端，所述服务器端包括：

数据清洗与规整模块，其配置为接收移动智能终端在所述分析周期内采集的数据集并进行数据清洗与规整，建立覆盖异常事件样本集；

种子数取值与确定模块，其配置为保存历史周期数据，将所述分析周期上一周期的信号盲区数量作为所述分析周期计算的初始种子，根据所述初始种子数量确定种子数量的取值范围，根据种子数量取值范围在测试目标分析区域内选定k个初始聚类中心作为种子；

聚类分析模块，其配置为基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；

种子数量调整与判断模块，其配置为根据确定的种子数量的取值范围，改变种子数量k的取值，重复执行确定种子和聚类分析程序，直到全部种子数都迭代完成；

聚类结果输出模块，其配置为将计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，确定最终结果并输出。

优选的是，数据集包括：

无覆盖事件样本集，包括所述分析周期内从用户智能终端上采集的用户在使用终端过程中发生的脱网事件的集合；

制式回落事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的网络制式回落事件的集合；

弱覆盖时间样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的信号场强持续低于设定门限达设定时长的事件的集合。

在上述任一方案中优选的是，数据集还包括：

历史盲区表，包括在本次分析周期之前已经标定好的历史盲区信息；

以及基站信息表，包括分析区域运营商各网络制式下的基站信息。

在上述任一方案中优选的是，无覆盖事件样本集包括无覆盖事件发生的日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识、重新驻留网络后的网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，制式回落事件样本集包括回落事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度，测试现场室内或室外标识，制式回落类型、回落前制式、制式回落前测试现场小区标识、制式回落前测试现场信号场强、回落后制式、制式回落后测试现场小区标识、制式回落后测试现场信号场强。

在上述任一方案中优选的是，弱覆盖时间样本集包括弱覆盖事件发生日期及时间、测试网络所属运营商、测试移动号码用用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识，弱覆盖事件发生时的网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，历史盲区表包括盲区标识，盲区发生日期，是否单网盲区，盲区网络制式，盲区邻近小区标识集，盲区中心经纬度，盲区半径，盲区等级，关联历史盲区标识。

在上述任一方案中优选的是，基站信息表包括分析区域基站名称、测试小区名称、分析区域基站经纬度、分析区域小区标识、测试基站类型、测试小区天线方向角、测试小区天线俯仰角、测试基站高度、测试基站信号覆盖场景。

在上述任一方案中优选的是，数据清洗与规整模块具体执行如下操作：

根据终端所支持的运营商网络类型，将所述无覆盖事件样本集转换成多个单网无覆盖事件样本；

根据回落类型，将所述制式回落事件样本转换为单网无覆盖事件样本；

将所述多个单网无覆盖事件样本以及所述弱覆盖事件样本集合并建立覆盖异常事件样本集。

在上述任一方案中优选的是，单网无覆盖事件样本包括2G无覆盖事件样本、3G无覆盖事件样本、4G无覆盖事件样本中至少一个。

在上述任一方案中优选的是，覆盖异常事件样本集包括：覆盖异常事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、覆盖异常事件类型、测试现场经纬度、测试现场室内或室外标识、与覆盖异常相关的单个网络制式、测试现场小区标识、测试现场信号场强。

在上述任一方案中优选的是，种子数取值具体包括：

将所述分析周期的上一个分析周期的信号盲区数量 QUOTE 作为所述分析周期计算的初始种子 QUOTE ，则 QUOTE ；

按k=k₀±n进行2n+1次的外层迭代，其中，n的大小作为控制聚类计算效率和聚类性能折中的参数， QUOTE ；

外层循环从k=k₀+n开始，按降序进行，直到k=k₀-n，处理完毕。

在上述任一方案中优选的是，种子数取值与确定模块具体执行如下操作：

在测试目标分析区域内选定k个初始聚类中心作为种子；

如果当前种子数k小于或等于k₀，则从所述分析周期的上一周期最终确定的k₀个盲区的质心中随机选择k个质心作为本次迭代的初始聚类中心，跳转到聚类分析模块执行聚类分析；如果k>k₀，则先将上一周期的k₀个盲区的质心作为本次迭代的前k₀个初始聚类中心；

假设有N个覆盖异常事件样本，计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，所述欧氏距离平方作为所述覆盖异常事件样本的挑选概率，按所述挑选概率从N个样本中选择一个样本的经纬度作为第k₀+1个种子；

将剩余的N-1个样本，分别计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，作为所述样本的挑选概率，按各自的挑选概率从所述N-1个样本中选择一个样本的经纬度作为第k₀+2个种子；

重复计算与选择的过程直至所有的k个种子选择完毕。

在上述任一方案中优选的是，所述聚类分析模块具体执行如下操作：

计算每个样本到各聚类中心的欧氏距离，根据最小距离准则判断该样本所属聚类中心，直到所有样本处理完毕；

根据每个聚类包含的所有样本计算出该聚类的质心，所述质心作为该聚类新的聚类中心；

设定各新的聚类中心的方差门限，用新的聚类中心重新计算各样本的所属聚类和聚类中心，直到前后两次迭代的计算结果不变，或各聚类中心的方差小于设定门限，迭代收敛，停止内层循环；

设定聚类中样本数门限，如果收敛后的聚类中样本数低于设定门限，则剔除该聚类，相应减少聚类数量k的值，同时，在外层循环中不再对该数量的聚类进行内层迭代循环。

在上述任一方案中优选的是，聚类结果输出模块具体执行如下操作：

在2n+1次外层迭代结果中，根据预定准则确定最终聚类结果，并在以下各步骤中确定该聚类结果的具体属性；

根据聚类内样本所属网络制式确定盲区类型和盲区网络制式；

根据聚类内各样本点的所属小区标识确定该盲区的关联邻区集合；

根据该盲区内样本点数和样本类型计算出盲区等级；

计算本周期所侦测到的盲区的质心与上一周期所确定的各历史盲区的质心的欧氏距离，将所有与该盲区的距离小于设定门限的历史盲区都计为本盲区的关联历史盲区；

根据上述各步骤处理结果，整理得到本周期最终的盲区侦测结果表，并输出盲区侦测结果。

在上述任一方案中优选的是，预定准则为各样本点到其各自所属聚类中心的欧氏距离平方和最小。

在上述任一方案中优选的是，盲区等级分为高、中、低三个等级，计算盲区等级具体包括：将一个弱覆盖样本等价为0.25个无覆盖样本，统计各盲区等价无覆盖样本数，样本数小于20的为低等级，样本数在20~50之间的为中等级，超过50的为高等级盲区。

在上述任一方案中优选的是，盲区侦测结果表的属性包括但不限于盲区标识、盲区发生日期、盲区类型、盲区网络制式、盲区邻近小区标识集、盲区中心经纬度、盲区半径、盲区等级、所关联的上一周期盲区的标识。

本发明相对现有技术的有益效果：

本发明无线网络覆盖盲区侦测方法及系统通过对网络覆盖盲区的侦测和标定，可以有效提高网络运营商对覆盖盲区的发现能力、发现的及时性和准确定位，有利于及时、高效地开展覆盖补盲工作，提升网络覆盖质量和用户体验，增加业务收入。

同时，本发明通过对移动智能终端采集的数据进行数据清洗和规整、对种子数的科学预估与确定、对数据集的聚类分析、计算中种子数量调整和判断以及聚类后数据的处理及输出等技术手段，对网络覆盖异常事件样本数据进行分析处理，通过对数据科学严谨的计算，能够使网络运营商准确及时地发现并准确定位覆盖盲区，并及时作出覆盖补盲工作。

附图说明

图1是按照本发明的无线网络覆盖盲区侦测方法的一优选实施例的工作流程图；

图2是按照本发明的无线网络覆盖盲区侦测方法的另一优选实施例的工作流程图。

具体实施方式

以下参照附图及实施例对本发明进行详细的说明：

实施例1

如附图1、2所示，为选择分析区域与分析周期，接收从移动终端上采集的无线网络信号数据样本集，包括如下步骤：

S1：步骤1：将所述分析周期内采集的数据集进行数据清洗与规整，建立覆盖异常事件样本集，以用于以下步骤的聚类分析；

本步骤具体是按照一定的分析周期，比如以周或月为单位，对特定区域范围内，比如某地市的特定运营商网络，包括该运营商所有网络制式下的、该周期内生成的输入数据集进行数据的清洗和规整。所需要用到的输入数据集包括以下几类：无覆盖事件样本集、制式回落事件样本集和弱覆盖事件样本集。

无覆盖事件样本集，包括所述分析周期内从用户智能终端上采集的用户在使用终端过程中发生的脱网事件的集合；数据样本属性包括：事件发生日期/时间，测试网络所属运营商，测试移动号码用户标识：即IMSI，测试移动终端标识：即IMEI，测试现场经纬度，测试现场室内或室外标识、重新驻留网络后的网络制式、测试现场小区标识、测试现场信号场强中至少一项，对多待手机，可同时驻留多网。

制式回落事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的网络制式回落事件的集合；不包括由于语音业务呼出或呼入导致的制式回落行为。数据样本属性包括：回落事件发生日期及时间，测试网络所属运营商，测试移动号码用户标识，即IMSI，测试移动终端标识，即IMEI，测试现场经纬度，测试现场室内或室外标识，制式回落类型：包括4G回落3G，4G回落2G，3G回落2G，回落前制式、制式回落前测试现场小区标识、制式回落前测试现场信号场强、回落后制式、制式回落后测试现场小区标识、制式回落后测试现场信号场强。

弱覆盖事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的信号场强持续低于设定门限达设定时长的事件的集合；不同的网络制式所采用的门限不同，如LTE网络的门限一般设为-110dBm，设定时长如30秒。数据样本属性包括：事件发生日期及时间，测试网络所属运营商，测试移动号码用用户标识，即IMSI，测试移动终端标识，即IMEI，测试现场经纬度，测试现场室内或室外标识，弱覆盖事件发生时的网络制式，测试现场小区标识，测试现场信号场强。

数据集还包括历史盲区表和基站信息表。历史盲区表包括在本次分析周期之前已经标定好的历史盲区信息；数据样本属性包括：盲区标识，盲区发生日期，是否单网盲区，盲区网络制式，盲区网络制式可以为多种，盲区邻近小区标识集，此项也可以为多选，盲区中心经纬度，盲区的最大半径，盲区等级中至少一项。上一期关联盲区标识。该表的生成方式既可以是用本发明所述方法，也可以通过人工判读的方式产生。历史盲区表的构建可能是用本发明方法在上个周期内产生，也可能是通过其他方式，比如手工标注，尤其是在第一个分析周期之前，而基站信息表是在进行本发明所述分析工作前需要事先具备的前提条件，比如由运营商提供。

基站信息表包括分析区域运营商各网络制式下的基站信息。数据样本属性至少包括：分析区域基站名称、小区名称、基站经纬度、小区标识、基站类型、小区天线方向角、小区天线俯仰角、基站高度、基站信号覆盖场景。

小区标识是指一个网络中用于唯一确定一个蜂窝小区的参数组。对不同的网络制式其采用的标记方式不同，如GSM/WCDMA/TDSCDMA网络中由LAC和CI两个参数组合确定了网络中一个唯一的小区，对CDMA2000网络则小区由NID、SID和BID三个参数组合唯一确定，LTE网络为：TAC，eNodeBID，CI，PCI。

步骤1数据清洗与规整具体包括如下步骤：

1a、对于一个单网或多网无覆盖事件样本，根据终端所支持的运营商网络类型，将无覆盖事件样本集转换成多个单网无覆盖事件样本；一般可复制为3个：2G，3G，4G。因此单网无覆盖事件样本包括2G无覆盖事件样本、3G无覆盖事件样本、4G无覆盖事件样本中至少一个。

1b、根据回落类型，将制式回落事件样本转换为单网无覆盖异常事件样本；制式回落事件样本转换为单网无覆盖异常事件样本具体包括4G回落2G/3G事件转换为一个4G无覆盖事件，3G回落2G事件转换为一个3G无覆盖事件。

1c、将多个单网无覆盖事件样本以及弱覆盖事件样本集合并建立覆盖异常事件样本集。经过上述步骤1a和1b，在原始的无覆盖事件样本集、制式回落事件样本集和弱覆盖事件样本集基础上建立了一个“覆盖异常事件样本集”，其中每个样本仅针对一个网络制式，用于以下步骤的聚类分析。

该样本集的数据样本属性至少包括：覆盖异常事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识IMSI、测试移动终端标识IMEI、覆盖异常事件类型，如无覆盖或弱覆盖、测试现场经纬度、测试现场室内或室外标识、与覆盖异常相关的单个网络制式、测试现场小区标识、测试现场信号场强中至少一项。对无覆盖事件指重新驻留网络后的网络制式/小区标识/场强，对制式回落事件指回落前制式/小区标识/场强，对弱覆盖事件指事件发生时的网络制式/小区标识/场强。

S2：步骤2：将所述分析周期上一周期的信号盲区数量作为所述分析周期计算的初始种子，并根据所述初始种子数量确定种子数量的取值范围，将种子数量的取值范围作为聚类分析外层循环的控制参数；考虑到盲区的存在具有一定的稳定性和继承性，当然也受新建站、拆站、基站工参优化的影响，但短期内不会有大的变化，比如当前分析周期内的盲点可能在上一个分析周期内就已经存在。本发明中将所述分析周期的上一个分析周期的信号盲区数量 QUOTE 作为所述分析周期计算的初始种子 QUOTE ，则 QUOTE ；

按k=k₀±n进行2n+1次的外层迭代，其中，n的大小作为控制聚类计算效率和聚类性能折中的参数， QUOTE ；

外层循环从k=k₀+n开始，按降序进行，直到k=k₀-n，处理完毕。

S3：步骤3：根据种子数量估计值在测试目标分析区域内选定k个初始聚类中心作为种子；具体地，包括如下步骤：

3a、在测试目标分析区域内选定k个初始聚类中心作为种子；

3b、如果当前种子数k小于或等于k₀，则从所述分析周期的上一周期最终确定的k₀个盲区的质心中随机选择k个质心作为本次迭代的初始聚类中心，跳转到步骤4；如果k>k₀，则先将上一周期的k₀个盲区的质心作为本次迭代的前k₀个初始聚类中心；

3c、假设有N个覆盖异常事件样本，计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，所述欧氏距离平方作为所述覆盖异常事件样本的挑选概率，按所述挑选概率从N个样本中选择一个样本的经纬度作为第k₀+1个种子；

3d、将执行步骤3c后剩下的N-1个样本，分别计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，作为所述样本的挑选概率，按各自的挑选概率从所述N-1个样本中选择一个样本的经纬度作为第k₀+2个种子；

3e、重复步骤3d直至所有的k个种子选择完毕。

S4：步骤4：基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；步骤4的聚类分析具体包括如下步骤：

S4a：步骤4a、计算每个样本到各聚类中心的欧氏距离，根据最小距离准则判断该样本所属聚类中心，直到所有样本处理完毕；

S4b：步骤4b、根据每个聚类包含的所有样本计算出该聚类的质心，质心即几何重心，质心作为该聚类新的聚类中心；

S4c：4c、设定各新的聚类中心的方差门限，比如2%，用新的聚类中心按照步骤4a和4b重新计算各样本的所属聚类和聚类中心，直到前后两次迭代的计算结果不变，或各聚类中心的方差小于设定门限，迭代收敛，停止内层循环；

S4d：4d、设定聚类中样本数门限，比如10，如果收敛后的聚类中样本数低于设定门限，则剔除该聚类，包括将该聚类的所有样本都从总样本集中剔除，相应减少聚类数量k的值，同时，在外层循环中不再对该数量的聚类进行内层迭代循环。

S5：步骤5：根据步骤2中所确定的种子数量的取值范围，改变种子数量k的取值，重复步骤3和步骤4，直到全部种子数都迭代完成；

S6：步骤6：计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，并确定最终输出结果。

步骤6聚类后的数据处理具体包括如下步骤：

6a、在2n+1次外层迭代结果中，根据预定准则确定最终聚类结果，并在以下各步骤中确定该聚类结果的具体属性；预定准则为各样本点到其各自所属聚类中心的欧氏距离平方和最小。

6b、根据聚类内样本所属网络制式确定盲区类型和盲区网络制式；盲区类型分为单网盲区和多网盲区。考虑到目前普遍采用多网共站的建设方式，盲区的存在一般分为两种：多网盲区：2G/3G/4G，单网盲区：以4G为主，因为其一般覆盖范围小，覆盖能力弱于2G/3G网络，制式回落也一般是4G回落到2G/3G。

6c、根据聚类内各样本点的所属小区标识确定该盲区的关联邻区集合；

6d、根据该盲区内样本点数和样本类型计算出盲区等级；样本类型包括无覆盖或弱覆盖，盲区等级分为高、中、低三个等级，计算盲区等级具体包括：将一个弱覆盖样本等价为0.25个无覆盖样本，统计各盲区等价无覆盖样本数，样本数小于20的为低等级，样本数在20~50之间的为中等级，超过50的为高等级盲区。

6e、计算本周期所侦测到的盲区的质心与上一周期所确定的各历史盲区的质心的欧氏距离，将所有与该盲区的距离小于设定门限的历史盲区都计为本盲区的关联历史盲区；设定门限比如200米。

6f、根据上述各步骤处理结果，整理得到本周期最终的盲区侦测结果表，并输出盲区侦测结果。盲区侦测结果表的属性包括但不限于盲区标识；盲区发生日期、盲区类型、盲区网络制式、盲区邻近小区标识集、盲区中心经纬度、盲区半径、盲区等级、所关联的上一周期盲区的标识。盲区发生日期是指该盲区的覆盖异常样本集中时间最早的无覆盖样本的发生日期；盲区类型包括单网盲区或多网盲区；盲区网络制式对于多网盲区为多选；盲区中心即所对应的聚类的质心；盲区半径是指该盲区的无覆盖样本中距离质心的最大距离。

实验数据：基于在中国电信北方某市的商用4G网络中采集的真实的网络覆盖异常事件样本数据，我们利用上述方法进行了测试和验证，并通过人工在地图上的覆盖异常事件样本的分布对所侦测盲区的有效性进行人工判断。所采集的样本数据共5460条，共侦测出盲区78个，其中人工判读为真实盲区的共69个，识别正确率为88.5%，表明该方法具有良好的性能。

实施例2

为一种无线网络覆盖盲区侦测系统，包括：移动智能终端和服务器端，移动智能终端配置为在分析周期对分析区域内的网络信号进行数据采集，并将数据传送给服务器端，服务器端包括：数据清洗与规整模块、种子数取值与确定模块、聚类分析模块、种子数量调整与判断模块以及聚类结果输出模块。

数据清洗与规整模块，其配置为接收移动智能终端在分析周期内采集的数据集并进行数据清洗与规整，建立覆盖异常事件样本集；数据集包括：无覆盖事件样本集、制式回落事件样本集、弱覆盖时间样本集、历史盲区表以及基站信息表。

无覆盖事件样本集，包括分析周期内从用户智能终端上采集的用户在使用终端过程中发生的脱网事件的集合；无覆盖事件样本集包括无覆盖事件发生的日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识、重新驻留网络后的网络制式、测试现场小区标识、测试现场信号场强。

制式回落事件样本集，包括分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的网络制式回落事件的集合；制式回落事件样本集包括回落事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度，测试现场室内或室外标识，制式回落类型、回落前制式、制式回落前测试现场小区标识、制式回落前测试现场信号场强、回落后制式、制式回落后测试现场小区标识、制式回落后测试现场信号场强。

弱覆盖时间样本集，包括分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的信号场强持续低于设定门限达设定时长的事件的集合。弱覆盖时间样本集包括弱覆盖事件发生日期及时间、测试网络所属运营商、测试移动号码用用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识，弱覆盖事件发生时的网络制式、测试现场小区标识、测试现场信号场强。

历史盲区表，包括在本次分析周期之前已经标定好的历史盲区信息；历史盲区表包括盲区标识，盲区发生日期，是否单网盲区，盲区网络制式，盲区邻近小区标识集，盲区中心经纬度，盲区半径，盲区等级，关联历史盲区标识。

基站信息表，包括分析区域运营商各网络制式下的基站信息。基站信息表包括分析区域基站名称、测试小区名称、分析区域基站经纬度、分析区域小区标识、测试基站类型、测试小区天线方向角、测试小区天线俯仰角、测试基站高度、测试基站信号覆盖场景。

数据清洗与规整模块具体执行如下操作：

根据终端所支持的运营商网络类型，将无覆盖事件样本集转换成多个单网无覆盖事件样本；

根据回落类型，将制式回落事件样本转换为单网无覆盖事件样本；单网无覆盖事件样本包括2G无覆盖事件样本、3G无覆盖事件样本、4G无覆盖事件样本中至少一个。

将多个单网无覆盖事件样本以及弱覆盖事件样本集合并建立覆盖异常事件样本集。覆盖异常事件样本集包括：覆盖异常事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、覆盖异常事件类型、测试现场经纬度、测试现场室内或室外标识、与覆盖异常相关的单个网络制式、测试现场小区标识、测试现场信号场强。

种子数取值与确定模块，其配置为保存历史周期数据，将分析周期上一周期的信号盲区数量作为分析周期计算的初始种子，根据初始种子数量确定种子数量的取值范围，根据种子数量取值范围在测试目标分析区域内选定k个初始聚类中心作为种子；

种子数取值具体包括：

将所述分析周期的上一个分析周期的信号盲区数量 QUOTE 作为所述分析周期计算的初始种子 QUOTE ，则 QUOTE ；

按k=k₀±n进行2n+1次的外层迭代，其中，n的大小作为控制聚类计算效率和聚类性能折中的参数， QUOTE ；

外层循环从k=k₀+n开始，按降序进行，直到k=k₀-n，处理完毕。

种子数取值与确定模块具体执行如下操作：

在测试目标分析区域内选定k个初始聚类中心作为种子；

如果当前种子数k小于或等于k₀，则从所述分析周期的上一周期最终确定的k₀个盲区的质心中随机选择k个质心作为本次迭代的初始聚类中心，跳转到聚类分析模块执行聚类分析；如果k>k₀，则先将上一周期的k₀个盲区的质心作为本次迭代的前k₀个初始聚类中心；

假设有N个覆盖异常事件样本，计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，所述欧氏距离平方作为所述覆盖异常事件样本的挑选概率，按所述挑选概率从N个样本中选择一个样本的经纬度作为第k₀+1个种子；

将剩余的N-1个样本，分别计算各覆盖异常事件样本的经纬度与已选定种子的欧氏距离平方，作为所述样本的挑选概率，按各自的挑选概率从所述N-1个样本中选择一个样本的经纬度作为第k₀+2个种子；

重复计算与选择的过程直至所有的k个种子选择完毕。

聚类分析模块，其配置为基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；聚类分析模块具体执行如下操作：

计算每个样本到各聚类中心的欧氏距离，根据最小距离准则判断该样本所属聚类中心，直到所有样本处理完毕；

根据每个聚类包含的所有样本计算出该聚类的质心，质心作为该聚类新的聚类中心；

设定各新的聚类中心的方差门限，用新的聚类中心重新计算各样本的所属聚类和聚类中心，直到前后两次迭代的计算结果不变，或各聚类中心的方差小于设定门限，迭代收敛，停止内层循环；

设定聚类中样本数门限，如果收敛后的聚类中样本数低于设定门限，则剔除该聚类，相应减少聚类数量k的值，同时，在外层循环中不再对该数量的聚类进行内层迭代循环。

种子数量调整与判断模块，其配置为根据确定的种子数量的取值范围，改变种子数量k的取值，重复执行确定种子和聚类分析程序，直到全部种子数都迭代完成；

聚类结果输出模块，其配置为将计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，确定最终结果并输出。

聚类结果输出模块具体执行如下操作：

在2n+1次外层迭代结果中，根据预定准则确定最终聚类结果，并在以下各步骤中确定该聚类结果的具体属性；

根据聚类内样本所属网络制式确定盲区类型和盲区网络制式；

根据聚类内各样本点的所属小区标识确定该盲区的关联邻区集合；

根据该盲区内样本点数和样本类型计算出盲区等级；

计算本周期所侦测到的盲区的质心与上一周期所确定的各历史盲区的质心的欧氏距离，将所有与该盲区的距离小于设定门限的历史盲区都计为本盲区的关联历史盲区；

根据上述各步骤处理结果，整理得到本周期最终的盲区侦测结果表，并输出盲区侦测结果。

预定准则为各样本点到其各自所属聚类中心的欧氏距离平方和最小。

盲区等级分为高、中、低三个等级，计算盲区等级具体包括：将一个弱覆盖样本等价为0.25个无覆盖样本，统计各盲区等价无覆盖样本数，样本数小于20的为低等级，样本数在20~50之间的为中等级，超过50的为高等级盲区。

盲区侦测结果表的属性包括但不限于盲区标识、盲区发生日期、盲区类型、盲区网络制式、盲区邻近小区标识集、盲区中心经纬度、盲区半径、盲区等级、所关联的上一周期盲区的标识。

本发明无线网络覆盖盲区侦测方法及系统通过对网络覆盖盲区的侦测和标定，可以有效提高网络运营商对覆盖盲区的发现能力、发现的及时性和准确定位，有利于及时、高效地开展覆盖补盲工作，提升网络覆盖质量和用户体验，增加业务收入。

以上所述，仅是本发明的较佳实施例而已，并非对本发明的结构作任何形式上的限制。凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均属于本发明的技术方案范围内。

Claims (10)

1.一种无线网络覆盖盲区侦测方法，选择分析区域与分析周期，接收从移动终端上采集的无线网络信号数据样本集，其特征在于，包括如下步骤：

步骤1：将所述分析周期内采集的数据集进行数据清洗与规整，建立覆盖异常事件样本集；

步骤2：将所述分析周期上一周期的信号盲区数量作为所述分析周期计算的初始种子数量，并根据所述初始种子数量确定种子数量的取值范围，将种子数量的取值范围作为聚类分析外层循环的控制参数；

步骤3：根据种子数量的取值范围在测试目标分析区域内选定k个初始聚类中心作为种子；

步骤4：基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；

步骤5：根据步骤2中所确定的种子数量的取值范围，改变种子数量k的取值，重复步骤3和步骤4，直到全部种子数都迭代完成；

步骤6：计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，并确定最终输出结果。

2.根据权利要求1所述的无线网络覆盖盲区侦测方法，其特征在于：所述数据集包括：

无覆盖事件样本集，包括所述分析周期内从用户智能终端上采集的用户在使用终端过程中发生的脱网事件的集合；

制式回落事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的网络制式回落事件的集合；

弱覆盖事件样本集，包括所述分析周期内从用户智能终端上采集到的用户在使用终端过程中所发生的信号场强持续低于设定门限达设定时长的事件的集合。

3.根据权利要求2所述的无线网络覆盖盲区侦测方法，其特征在于：所述数据集还包括：

历史盲区表，包括在本次分析周期之前已经标定好的历史盲区信息；

以及基站信息表，包括分析区域运营商各网络制式下的基站信息。

4.根据权利要求3所述的无线网络覆盖盲区侦测方法，其特征在于：所述无覆盖事件样本集包括无覆盖事件发生的日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识、重新驻留网络后的网络制式、测试现场小区标识、测试现场信号场强。

5.根据权利要求3所述的无线网络覆盖盲区侦测方法，其特征在于：所述制式回落事件样本集包括回落事件发生日期及时间、测试网络所属运营商、测试移动号码用户标识、测试移动终端标识、测试现场经纬度，测试现场室内或室外标识，制式回落类型、回落前制式、制式回落前测试现场小区标识、制式回落前测试现场信号场强、回落后制式、制式回落后测试现场小区标识、制式回落后测试现场信号场强。

6.根据权利要求3所述的无线网络覆盖盲区侦测方法，其特征在于：所述弱覆盖时间样本集包括弱覆盖事件发生日期及时间、测试网络所属运营商、测试移动号码用用户标识、测试移动终端标识、测试现场经纬度、测试现场室内或室外标识，弱覆盖事件发生时的网络制式、测试现场小区标识、测试现场信号场强。

7.根据权利要求3所述的无线网络覆盖盲区侦测方法，其特征在于,所述历史盲区表包括盲区标识，盲区发生日期，是否单网盲区，盲区网络制式，盲区邻近小区标识集，盲区中心经纬度，盲区半径，盲区等级，关联历史盲区标识。

8.根据权利要求3所述的无线网络覆盖盲区侦测方法，其特征在于：所述基站信息表包括分析区域基站名称、分析区域小区名称、分析区域基站经纬度、分析区域小区标识、分析区域基站类型、分析区域小区天线方向角、分析区域小区天线俯仰角、分析区域基站高度、分析区域基站信号覆盖场景。

9.根据权利要求1所述的无线网络覆盖盲区侦测方法，其特征在于：所述数据清洗与规整包括如下步骤：

1a、根据终端所支持的运营商网络类型，将所述无覆盖事件样本集转换成多个单网无覆盖事件样本；

1b、根据回落类型，将所述制式回落事件样本转换为单网无覆盖事件样本；

1c、将所述多个单网无覆盖事件样本及所述弱覆盖事件样本集合并建立覆盖异常事件样本集。

10.一种无线网络覆盖盲区侦测系统，包括：移动智能终端和服务器端，所述移动智能终端配置为在分析周期对分析区域内的网络信号进行数据采集，并将所述数据传送给服务器端，其特征在于，所述服务器端包括：

数据清洗与规整模块，其配置为接收移动智能终端在所述分析周期内采集的数据集并进行数据清洗与规整，建立覆盖异常事件样本集；

种子数取值与确定模块，其配置为保存历史周期数据，将所述分析周期上一周期的信号盲区数量作为所述分析周期计算的初始种子，根据所述初始种子数量确定种子数量的取值范围，根据种子数量取值范围在测试目标分析区域内选定k个初始聚类中心作为种子；

聚类分析模块，其配置为基于确定的种子数k和选定的k个种子，采用k-means方法进行内层迭代，直至每个聚类中心所分到覆盖异常事件样本数量保持不变，内层迭代停止；

种子数量调整与判断模块，其配置为根据确定的种子数量的取值范围，改变种子数量k的取值，重复执行确定种子和聚类分析程序，直到全部种子数都迭代完成；

聚类结果输出模块，其配置为将计算各种可能的种子取值下所得到的聚类结果，根据预定准则选择最佳结果作为最终的盲区数量，确定最终结果并输出。