CN107567039A - 一种移动网络的小区场景自动识别方法及装置 - Google Patents

Abstract

本发明实施例提供一种移动网络的小区场景自动识别方法及装置。所述方法包括获取子场景信息和基站的基站信息；根据基站信息，获取与所述基站相对应的小区的覆盖范围；根据覆盖范围和子场景信息，获取覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。本发明实施例通过对小区覆盖范围内子场景进行评分以识别小区场景，从而提高识别的效率和准确性。

Description

一种移动网络的小区场景自动识别方法及装置

技术领域

本发明实施例涉及移动网络技术领域，尤其涉及一种移动网络的小区场景自动识别方法及装置。

背景技术

高铁、高校、地铁人流密集，是影响网络口碑和效益的关键场景，需要全网集中优势资源，采用新技术、新方法，做好差异化的处理。无线网络与周边地理环境、人群特征等密切相关，这也决定了日常网优工作具有明显的场景化特征，在进行网络规划、参数配置、节假日保障等工作都需要结合场景特点来差异化的开展。

但小区到底归属什么类型的场景，一直以来都是工作人员手工填报，这就导致小区的场景信息没有数据依据，因而准确性堪忧，且手工填报工作效率低下。

发明内容

本发明实施例提供一种移动网络的小区场景自动识别方法及装置，用以解决现有技术中用户需要工作人员手工填报，导致小区场景识别不够准确且效率低下。

第一方面，本发明提供了一种移动网络的小区场景自动识别方法，包括：

获取子场景信息和基站的基站信息；

根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；

根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；

根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；

然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

第二方面，本发明实施例提供了一种移动网络的小区场景自动识别装置，包括：

获取子场景信息和基站的基站信息；

根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；

根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；

根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；

然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

第三方面，本发明实施例还提供了一种电子设备，包括：

处理器、存储器、通信接口和总线；其中，

所述处理器、存储器、通信接口通过所述总线完成相互间的通信；

所述通信接口用于该测试设备与显示装置的通信设备之间的信息传输；

所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如下方法：

获取子场景信息和基站的基站信息；根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

第四方面，本发明实施例还提供了一种计算机程序，包括程序代码，所述程序代码用于执行如下操作：

所述处理器用于调用所述存储器中的逻辑指令，以执行如下方法：

获取子场景信息和基站的基站信息；根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

第五方面，本发明实施例还提供了一种存储介质，用于存储如前所述的计算机程序。

本发明实施例提供的移动网络的小区场景自动识别方法及装置，通过从互联网等渠道获取的子场景信息，对小区覆盖范围内子场景进行评分，从而得到小区内二级场景的得分，以确定所述小区的小区场景，从而提高了小区场景识别的效率和准确性，以实现数字化、可视化场景识别算法。

附图说明

图1为本发明实施例的移动网络的小区场景自动识别方法流程图；

图2为本发明实施例的室分的小区覆盖范围示意图；

图3为本发明实施例的微站的小区覆盖范围示意图；

图4为本发明实施例的宏站的小区覆盖范围示意图；

图5为本发明实施例的小区覆盖范围下面子场景集分布示意图；

图6为本发明实施例的小区覆盖范围下线子场景集分布示意图；

图7为本发明实施例的小区覆盖范围下另一线子场景集分布示意图；

图8为本发明实施例的小区覆盖范围下点子场景集分布示意图；

图9为本发明实施例的移动网络的小区场景自动识别装置结构示意图；

图10为本发明实施例的电子设备结构示意图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

图1为本发明实施例的移动网络的小区场景自动识别方法流程图。如图1所示，所述方法包括：

步骤S01，获取子场景信息和基站的基站信息；

小区场景的确认是通过对小区覆盖范围内所有子场景与小区的关系分析得出的。所以先要获取所有子场景的子场景信息和所有基站的基站信息，其中所述子场景信息至少包括每个子场景的子场景标识、子场景名称、子场景类型、所属的二级场景、子场景位置信息和子场景范围信息等，而所述的基站信息至少包括每个基站的基站标识、基站类型和基站位置信息等。获取上述信息的方法有很多，可以是自行通过互联网爬取，也可以通过第三方来获得。

进一步地，所述基站具体为但不限于宏站、微站或室分。

每个基站根据其在移动网络架构中所起的作用来对基站进行分类以确定基站的基站类型，常用的一种分类方式是将基站分为宏站、微站和室分，其中所述宏站用来构建大型的宏站小区，微站用来构建小型的微站小区，而所述室分则用来构建室内的室分小区。当然具体的基站分类方法会根据实际的使用情况来进行，在此并不作具体的限定，但为了表述方便，在下面的实施例中都以将基站分为宏站、微站和室分三种基站类型为例。

进一步地，所述子场景类型具体为但不限于面类、线类或点类。

每个子场景可以通过其形状和面积等信息将子场景按子场景类型进行分类，常用的一种分类方式是将子场景类型分为面类、线类和点类，其中所述面类的子场景，即面子场景例如为清华大学、人民医院和大型游乐场等，所述线类的子场景，即线子场景例如为京沈高速、沪杭铁路和103国道等，所述点类的子场景，即点子场景例如为设区食堂、小区诊所和中关村公交站等。当然具体的子场景分类方法会根据实际的使用情况来进行，在此并不作具体的限定，但为了表述方便，在下面的实施例中都以将子场景类型分为面类、线类和点类为例。

步骤S02，根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；

在获取基站的基站信息后，根据每个基站的基站类型以及预设的各类小区覆盖范围的计算方法，找到与每个基站相对应的小区的覆盖范围计算方法。其中每个基站可能只对应于一个小区，也有可能对应于多个小区，都会根据预设的小区定义来设置。然后再根据每个基站的基站位置信息以及所述小区的覆盖范围的计算方法，获取每个基站相对应的小区的覆盖范围。

步骤S03，根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；

将获取的小区的覆盖范围与所述子场景信息进行匹配，找出在子场景信息中在所述小区的覆盖范围内或者与所述小区的覆盖范围相交的所有子场景，将这些子场景合并为与所述小区相对应的小区子场景集。其中所述小区子场景集中的每个子场景都具有与自身相对应的子场景信息。

步骤S04，根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；

由于每个子场景都设有与自身形状和面积等特性相适应的子场景类型，这些特性的不同会对接下去的计算和评分带来较大的区别，所以为了方便起见，需要将小区子场景集中的子场景根据自身的形状和面积等特性，也就是根据子场景类型分为不同的小区子场景分类集。然后再根据预设的与所述子场景类型相对应的评分规则，在所述小区子场景分类集的范围内，分别计算每个子场景的得分，再根据每个子场景所属的二级场景，加权相同二级场景下的子场景的得分以得到与所述小区子场景分类集相对应的二级场景的分类得分。

例如，如上所述子场景类型被分为面类、线类和点类，则小区子场景集将会被分为面子场景集、线子场景集和点子场景集。同时，根据子场景类型分别获取预设的与面类相对应的面类评分规则，与线类相对应的线类评分规则和与点类相对应的点类评分规则。以面子场景集为例，在所述小区子场景集中提取出所有面子场景组成面子场景集，然后根据所述面类评分规则，分别计算每个面子场景在所述小区的得分，再根据每个面子场景所属的二级场景，将相同二级场景下的面子场景的得分进行加权，从而得到与小区的面子场景集相对应的二级场景的面类得分。

步骤S05，然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

根据每个基站在移动网络架构中的作用和性能，先确定与所述小区相对应的子场景类型。例如，对于室分，由于室分基站主要是针对室内网络的室分小区，面子场景和线子场景对于室内网络而言就会显得不合适，所以在室分小区的覆盖范围内只需要考虑点子场景在所述述室分小区中的得分即可，无需考虑线子场景和面子场景的得分。而对于微站或宏站所对应的微站小区或宏站小区，则需要考虑点子场景、线子场景和面子场景。

根据确定的与所述小区相对应的子场景类型，分别根据子场景类型计算出所述小区的二级场景的分类得分，然后再将不同小区子场景分类集下的二级场景的分类得分进行加权，从而得到所述小区的二级场景的得分。例如，对于室分小区，由于只需要考虑点子场景，所以只需要从室分小区的小区子场景集中获取到点子场景集，然后计算得到与所述点子场景集相对应的二级场景的点类得分，此时，所述二级场景的点类得分即为所述二级场景的得分。而对于微站小区和宏站小区，由于需要分别考虑点子场景、线子场景和面子场景，所以需要分别计算得到二级场景的点类得分、线类得分和面类得分，然后再将相同二级场景下的这些分类得分进行加权，计算公式如下：

二级场景的得分＝该二级场景面类得分+该二级场景线类得分+该二级场景点类得分；

从而得到所述微站小区和宏站小区的二级场景的得分。当然每个二级场景的分类得分并不一定会包含上述三种分类得分，在实际使用中，每个二级场景下的子场景可能包含三种子场景类型的任意组合，所以具体的计算公式还要根据每个二级场景实际的情况来确定。例如，小区中包含有1个高校的面子场景，4个高校的点子场景，1个省道的线子场景，5个省道的点子场景，则高校的得分＝高校面类得分+高校点类得分；省道的得分＝省道的线类得分+省道的点类得分。

在得到小区的二级场景的得分后，根据预设的规则可以对所述二级场景进行排序，例如，可以根据得分由高到低对二级场景进行排序。

进一步地，所述根据所述二级场景的得分，对所述二级场景进行排序，具体地，

根据所述二级场景的得分，对所述二级场景进行排序，若存在至少两个二级场景的得分相同，则根据所述预设的优先级对所述二级场景进行排序。

如果在对二级场景进行排序的过程中出现了得分相同的二级场景，则需要根据预设的优先级对所述二级场景进行排序，其中所述的优先级可以根据实际情况预先给出一个判定标准。例如，如下的优先级表格：

在上面的优先级表格中，一共有40类二级场景和10类一级场景，每一类二级场景都有一个基础分，如果在二级场景的得分中出现至少两个二级场景的得分相同，则就可以根据表格中每类二级场景的基础分的高低来对二级场景进行排序。当然上面的表格只是一个例子，在具体的使用中可以根据实际的情况来对二级场景进行分类，并预设各个二级场景的优先级，在此不作具体限定。

在得到所述二级场景的排序后，就可以根据排序的前后顺序来确定小区的小区场景，例如将排名第一的二级场景确定为小区的小区场景。

进一步地，所述小区场景包括主场景和至少一个辅场景。

对于例如室分的小基站，由于仅针对的是室内网络的室分小区，所以只需要确定出一个小区场景即可。但是对于像微站或宏站之类的大型基站，由于所覆盖的小区范围较大，其中所涉及的二级场景也会更为复杂，只确定出得分最高的二级场景为小区场景还不足以满足后续信息处理，提供数字化、可视化分析的需求，所以可以提供小区主场景与至少一个辅场景，分别根据二级场景排序的先后来确认，其中辅场景的数量可以根据实际的需要来设定。

进一步地，对于室分除了利用上述方式只计算主场景外。还可以根据室分小区覆盖范围内的点子场景的名称与小区名称的匹配度来直接确定小区的主场景，如果找不到匹配关系的点子场景，则把距离最近的点子场景设为主场景。

例如：

室分小区名称：聚福林燕山店-窑头路1号，

点子场景共有4个，其中一个子场景名称为：聚福林海鲜城，

则，该室分小区的主场景为：聚福林海鲜城。

进一步地，随着子场景的不断建设和改造，小区覆盖范围内的子场景信息也会随之变化，从而使小区的小区场景发生改变。为此，上述小区场景的识别过程需要根据预设的时间来定期进行，例如，一个月或者一个季度。

本发明实施例通过从互联网等渠道获取的子场景信息，对小区覆盖范围内子场景进行评分，从而得到小区内二级场景的得分，以确定所述小区的小区场景，从而提高了小区场景识别的效率和准确性，以实现数字化、可视化场景识别算法。

图2为本发明实施例的室分的小区覆盖范围示意图；图3为本发明实施例的微站的小区覆盖范围示意图；图4为本发明实施例的宏站的小区覆盖范围示意图。基于上述实施例，进一步地，所述根据所述基站信息，获取与所述基站相对应的小区的覆盖范围，具体为，

若所述基站为室分，如图2所示，则室分小区的覆盖范围为圆形，其中所述圆形以所述室分O₁为圆心，以预设室分半径R₁为半径；

若所述基站为微站，如图3所示，则微站小区的覆盖范围为微站扇形，其中所述微站扇形以微站O₂为所述微站扇形的顶点，以微站的天线左右各取预设微站角度a₂为所述微站扇形方向和角度，以预设的微站半径R₂为所述微站扇形的半径；

若所述基站为宏站，如图4所示，则宏站小区的覆盖范围为宏站扇形，其中所述宏站扇形以宏站O₃为所述宏站扇形的顶点，以宏站的天线左右各取预设宏站角度a₃为所述宏站扇形的方向和角度，以宏站半径R₃为所述宏站扇形的半径，其中所述宏站半径为与所述宏站小区的小区类型相对应的预设第一宏站半径，或者为与所述子场景类型相对应的第二宏站半径，其中所述第二宏站半径根据平均站间距和与所述子场景类型相对应的预设调整因子获取。

如上所述根据基站在网络架构中的作用和性能，基站的基站类型分为室分、微站和宏站，而与基站相对应的小区覆盖范围也会根据基站类型的不同得到不同的预设计算方式。

若所述基站为室分，如图2所示，由于所述室分针对的是室内网络室分小区，则将室分小区的覆盖范围设定为圆形，其中所述圆形以所述室分O₁为圆心，以预设室分半径R₁为半径，所述室分半径R₁的取值由室分的性能所决定，例如50m。

若所述基站为微站，如图3所示，则可以将微站所对应的微站小区根据微站的天线数为依据，并将微站小区的覆盖范围为设计为微站扇形，其中所述微站扇形以微站O₂为所述微站扇形的顶点，以微站的天线左右各取预设微站角度a₂为所述微站扇形方向和角度，其中所述微站角度a₂可以根据实际的需要来设定，例如60°，以预设的微站半径R₂为所述微站扇形的半径，所述微站半径R₂也可以根据实际的需要来设定，例如150m。

若所述基站为宏站，如图4所示，与微站相同，宏站所对应的宏站小区同样根据宏站的天线数据为依据，并将宏站小区的覆盖范围设计为宏站扇形，其中所述宏站扇形以宏站O₃为所述宏站扇形的顶点，以宏站的天线左右各取预设宏站角度a₃为所述宏站扇形的方向和角度，其中所述微站角度a₃可以根据实际的需要来设定，例如60°，以宏站半径R₃为所述宏站扇形的半径。

其中所述宏站半径R₃的设定方法有很多，本发明实施例只给出其中的两种，一种为与所述宏站小区的小区类型相对应，如果是城市小区，则所述宏站半径为R₃＝300m，如果是郊区小区，则所述宏站半径为R₃＝500m，而如果是村庄小区，则所述宏站半径为R₃＝1000m。第二种方法，是先计算所述宏站的平均站间距H，其计算方法也可根据实际情况来进行设定，在此只给出其中的一个例子，取当前小区覆盖范围方向内最近的三个宏站站点，根据各个基站的位置信息，确定所述小区所对应宏站与最近的三个宏站站点的距离，分别为H₁、H₂和H₃，从而得到平均站间距H＝(H₁+H₂+H₃)/3，如果平均站间距H>3000m，则取平均站间距H＝3000m。然后，再根据与所述子场景类型相对应的预设调整因子获取所述宏站半径为R₃。其中若所述子场景类型为面类，则所述宏站半径为R₃＝H*0.8，若所述子场景类型为线类，则所述宏站半径为R₃＝H*0.6，而若所述子场景类型为点类，则所述宏站半径为R₃＝H*0.5。

上述所涉及到的计算方法、系数、长度、角度等的设定都只是举例，在此并不作具体的限定。

本发明实施例通过将所述小区的覆盖范围根据基站类型的不同采用不同的计算方法，从而使小区的二级场景识别更加符合实际情况，也更加准确、可靠，以满足数字化、可视化二级场景识别算法。

图5为本发明实施例的小区覆盖范围下面子场景集分布示意图；图6为本发明实施例的小区覆盖范围下线子场景集分布示意图；图7为本发明实施例的小区覆盖范围下另一线子场景集分布示意图；图8为本发明实施例的小区覆盖范围下点子场景集分布示意图。基于上述实施例，进一步地，所述根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算所述小区子场景分类集相对应的二级场景的分类得分，具体为，

若所述子场景类型为面类，则从小区子场景集中获取与所述面类相对应的面子场景集，根据所述面子场景集所包含的每个面子场景和所述基站信息，分别获取每个面子场景的中心点与基站的距离，以及每个面子场景的相交面积占比，其中所述相交面积占比为每个面子场景和所述覆盖范围相交的单个面积与所有面子场景和所述覆盖范围相交的总面积的比值，然后根据预设的面打分标准以及预设的面权重比，获取每个面子场景的得分，再根据每个面子场景相对应的二级场景，获取与所述面子场景集相对二级场景的分类得分；

若所述子场景类型为线类，则从小区子场景集中获取与所述线类相对应的线子场景集，根据所述线子场景集所包含的每个线子场景和所述基站信息，分别获取每个线子场景与基站的最短距离，以及每个线子场景的相交长度占比，其中所述相交长度占比为每个线子场景和所述覆盖范围相交的单个长度与所有线子场景和所述覆盖范围相交的总长度的比值，然后根据预设的线打分标准以及预设的线权重比，获取每个线子场景的得分，再根据每个线子场景相对应的二级场景，获取与所述线子场景集相对二级场景的分类得分。

若所述子场景类型为点类，则从小区子场景集中获取与所述点类相对应的点子场景集，根据所述点子场景集所包含的每个点子场景和所述基站信息，分别获取每个点子场景与基站的距离，根据与每个点子场景相对应的二级场景，获取每个二级场景下的所有点子场景的数量和与基站的平均距离，然后根据预设的点打分标准以及预设的点权重比，获取与所述点子场景集相对应二级场景的分类得分。

如上所述在计算对小区子场景分类集相对应的二级场景的分类得分时需要根据子场景类型获取与所述子场景类型相对应的小区子场景分类集和与所述子场景类型相对应的评分规则。其中所述子场景类型可分为面类，线类和点类。

若所述子场景类型为面类，需要从小区子场景集中获取与所述面类相对应的面子场景集。如图5所示，小区的覆盖范围内有四个面子场景分别为C₁、C₂、C₃和C₄，其中C₁和C₂的二级场景为高校，C₃和C₄的二级场景为医院。

根据所述面子场景集所包含的每个面子场景和所述基站信息，分别获取每个面子场景的中心点与基站的距离，即小区所对应的基站O与四个面子场景的中心点的距离分别为D₁、D₂、D₃和D₄。然后获取每个面子场景和所述覆盖范围相交的单个面积，即四个面子场景与小区覆盖范围的相交面积分别为S₁′、S₂′、S₃′和S₄′，从而得到所有面子场景和所述覆盖范围相交的总面积S′＝S₁′+S₂′+S₃′+S₄′。则每个子场景的相交面积占比为：

高校的子场景C₁的面积占比P₁＝S₁′/(S₁′+S₂′+S₃′+S₄′)；

高校的子场景C₂的面积占比P₂＝S₂′/(S₁′+S₂′+S₃′+S₄′)；

医院的子场景C₃的面积占比P₃＝S₃′/(S₁′+S₂′+S₃′+S₄′)；

医院的子场景C₄的面积占比P₄＝S₄′/(S₁′+S₂′+S₃′+S₄′)。

然后根据预设的面打分标准，以及预设的面权重比，获取每个面子场景的得分，例如，下表为面打分标准：

距离分段	得分	相交面积占比	得分	相交面积	得分
						D∈[0,0.3R)	10	P∈(0,0.1)	0	S′∈(0,0.1S)	0
D∈[0.3R,0.6R)	8	P∈[0.1,0.2)	2	S′∈[0.1S,0.2S)	2
						D∈[0.6R,R)	6	P∈[0.2,0.4)	6	S′∈[0.2S,0.4S)	6
D∈[R,∞)	2	P∈[0.4,0.6]	8	S′∈[0.4S,0.6S)	8
								P∈[0.6,1]	10	S′∈[0.6S,S]	10

根据上表对于每个面子场景可以根据距离得到距离得分，根据相交面积占比得到相交面积占比得分，根据相交面积，得到相交面积得分。根据预设的面权重比，其中距离得分的权重为50％，相交面积占比得分为30％，相交面积得分为20％，从而得到各个面子场景得分的计算公式如下：

各个面子场景得分＝50％*距离得分+30％*相交面积占比得分+20％*相交面积得分。

再根据每个面子场景相对应的二级场景，获取与所述面子场景集相对二级场景的分类得分：

高校的分类得分＝C₁得分+C₂得分；

医院的分类得分＝C₃得分+C₄得分。

若所述子场景类型为线类，则从小区子场景集中获取与所述线类相对应的线子场景集，如图6所示，所述小区覆盖范围内有两个子场景C₅和C₆。根据所述线子场景集所包含的每个线子场景和基站信息，获取每个线子场景在所述小区覆盖范围下的长度，即所述线子场景C₅和C₆与小区扇形的相交长度分别为h₅和h₆，获取每个线子场景与基站的最短距离，即小区的基站O与两个线子场景的距离D₅和D₆。再计算每个线子场景的相交线长度占比，即每个线子场景的相交线长度比上所有线子场景的相交线长度之和，例如，C₅的相交线长度占比P₅＝h₅/(h₅+h₆)，C₆二级场景的相交线二级场景长度占比P₆＝h₆/(h₅+h₆)。然后根据预设的线打分标准以及预设的线权重比，获取每个线子场景的得分，例如下表为线打分标准表：

从上表根据每个线子场景相交长度占比可得相交长度占比得分，根据距离可得距离得分。根据预设的权重比例，即相交长度占比得分的权重为60％，距离的权重为40％，再加上上表中一些特殊二级场景的得分，可得每个线子场景的子场景得分计算公式如下：

线子场景得分＝60％*相交长度占比得分+40％*距离得分+特殊二级场景得分。

再根据每个线子场景相对应的二级场景，获取与所述线子场景集相对应二级场景的分类得分。

如图7所示，在线子场景集中可能会出现的如下情况，即线子场景C₇、C₈和C₉虽然被记录为三个子场景，但这三个子场景其实都属于一个相同的子场景名称，例如京沈高速的三个分段。此时，在计算得每个线子场景的得分后，需要将相同子场景名称的几个子场景得分进行平均再乘上一个系数，其公式举例如下：

同一子场景名称的得分＝(C₇的得分+C₈的得分+C₉的得分)/3*(1+0.1*3)。

若所述子场景类型为点类，则从小区子场景集中获取与所述点类相对应的点子场景集，如图8所示，小区覆盖范围内的点子场景包括：C₁₁、C₁₂、C₁₃、C₁₄、C₁₅、C₁₆、C₁₇和C₁₈。根据所述点子场景集所包含的每个点子场景和所述基站信息，分别获取每个点子场景与基站O的距离D₁₁、D₁₂、D₁₃、D₁₄、D₁₅、D₁₆、D₁₇和D₁₈。根据各个点子场景所属二级场景的个数占比，即同一二级场景下的点子场景个数与所有点子场景个数之比，以及二级场景的距离，即同一类二级场景下所有点子场景与基站O的距离的均值。

例如小区有3个高校点子场景C₁₁、C₁₂和C₁₃，2个医院点子场景C₁₄和C₁₅，3个商场点子场景C₁₆、C₁₇和C₁₈，则高校个数占比P₁＝3/(3+2+3)；医院个数占比P₂＝2/(3+2+3)；商场个数占比P₃＝3/(3+2+3)。而高校的距离＝(C₁₁+C₁₂+C₁₃)/3，医院的距离＝(C₁₄+C₁₅)/2，商场的距离＝(C₁₆+C₁₇+C₁₈)/3。

下图上点打分标准表：

二级场景个数占比	得分	距离	得分
				P∈[0,0.1)	2	Q∈[0,0.2R)	10
P∈[0.1,0.2)	4	Q∈[0.2R,0.4R)	8
				P∈[0.2,0.4)	6	Q∈[0.4R,0.6R)	6
P∈[0.4,0.6)	8	Q∈[0.6R,0.8R)	4
				P∈[0.6,1]	10	Q∈[0.8R,R]	2

然后根据上图的预设点打分标准得到每个二级场景下二级场景个数占比的得分和距离的得分，再加上预设的点权重比，其中假设二级场景个数占比权重为60％，距离权重为40％。

计算每个二级场景的分类得分的计算公式如下：

点子场景集下二级场景分类得分＝60％*二级场景个数占比得分+40％*距离得分

上述实施例中所涉及的计算公式、权重、打分标准表和系数等参数都只是举例说明，可以根据实际的需要来进行具体的设定，在此并不作具体限定。

本发明实施例通过根据预设的子场景类型设计相应的二级场景的分类得分评分机制，提高的小区场景识别的可靠性和准确性，并提供更好的数字化、可视化场景识别算法。

图9为本发明实施例的移动网络的小区场景自动识别装置结构示意图。如图9所示，所述小区场景自动识别装置包括：获取模块11、范围模块12、匹配模块13、计算模块14和排序模块15，其中，

所述获取模块11用于获取子场景信息和基站的基站信息；所述范围模块12用于根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；所述匹配模块13用于根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；所述计算模块14用于根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算所述小区子场景分类集相对应的二级场景的分类得分；所述排序模块15用于然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。具体地，

小区场景的确认是通过对小区覆盖范围内所有子场景与小区的关系分析得出的。所以先要由获取模块11获取所有子场景的子场景信息和所有基站的基站信息，其中所述子场景信息至少包括每个子场景的子场景标识、子场景名称、子场景类型、所属的二级场景、子场景位置信息和子场景范围信息等，而所述的基站信息至少包括每个基站的基站标识、基站类型和基站位置信息等。获取上述信息的方法有很多，可以是自行通过互联网爬取，也可以通过第三方来获得。

进一步地，所述基站具体为但不限于宏站、微站或室分。

每个基站根据其在移动网络架构中所起的作用来对基站进行分类以确定基站的基站类型，常用的一种分类方式是将基站分为宏站、微站和室分，其中所述宏站用来构建大型的宏站小区，微站用来构建小型的微站小区，而所述室分则用来构建室内的室分小区。当然具体的基站分类方法会根据实际的使用情况来进行，在此并不作具体的限定，但为了表述方便，在下面的实施例中都以将基站分为宏站、微站和室分三种基站类型为例。

进一步地，所述子场景类型具体为但不限于面类、线类或点类。

每个子场景可以通过其形状和面积等信息将子场景按子场景类型进行分类，常用的一种分类方式是将子场景类型分为面类、线类和点类。当然具体的子场景分类方法会根据实际的使用情况来进行，在此并不作具体的限定，但为了表述方便，在下面的实施例中都以将子场景类型分为面类、线类和点类为例。

所述获取模块11在获取基站的基站信息后会发送给范围模块12。所述范围模块12根据每个基站的基站类型以及预设的各类小区覆盖范围的计算方法，找到与每个基站相对应的小区的覆盖范围计算方法。然后再根据每个基站的基站位置信息以及所述小区的覆盖范围的计算方法，获取每个基站相对应的小区的覆盖范围。

所述范围模块12将获取的小区的覆盖范围发送给匹配模块13，同时所述获取模块11将所述子场景信息也发送给匹配模块13。由所述匹配模块13通过匹配运算，找出在子场景信息中在所述小区的覆盖范围内或者与所述小区的覆盖范围相交的所有子场景，将这些子场景合并为与所述小区相对应的小区子场景集。其中所述小区子场景集中的每个子场景都具有与自身相对应的子场景信息。然后所述匹配模块13会将所述小区子场景集和基站信息发送给所述计算模块14。

在所述计算模块14中，由于每个子场景都设有与自身形状和面积等特性相适应的子场景类型，这些特性的不同会对接下去的计算和评分带来较大的区别，所以为了方便起见，需要将小区子场景集中的子场景根据自身的形状和面积等特性，也就是根据子场景类型分为不同的小区子场景分类集。然后再根据预设的与所述子场景类型相对应的评分规则，在所述小区子场景分类集的范围内，分别计算每个子场景的得分，再根据每个子场景所属的二级场景，加权相同二级场景下的子场景的得分以得到与所述小区子场景分类集相对应的二级场景的分类得分。

例如，如上所述子场景类型被分为面类、线类和点类，则小区子场景集将会被分为面子场景集、线子场景集和点子场景集。同时，根据子场景类型分别获取预设的与面类相对应的面类评分规则，与线类相对应的线类评分规则和与点类相对应的点类评分规则。以面子场景集为例，在所述小区子场景集中提取出所有面子场景组成面子场景集，然后根据所述面类评分规则，分别计算每个面子场景在所述小区的得分，再根据每个面子场景所属的二级场景，将相同二级场景下的面子场景的得分进行加权，从而得到与小区的面子场景集相对应的二级场景的面类得分。所述计算模块14将所述二级场景的分类得分发送给所述排序模块15。

所述排序模块15根据每个基站在移动网络架构中的作用和性能，先确定与所述小区相对应的子场景类型。例如，对于室分，只需要考虑点子场景在所述述室分小区中的得分即可，无需考虑线子场景和面子场景的得分。而对于微站或宏站所对应的微站小区或宏站小区，则需要考虑点子场景、线子场景和面子场景，然后再将相同二级场景下的这些分类得分进行加权，计算公式如下：

二级场景的得分＝该二级场景面类得分+该二级场景线类得分+该二级场景点类得分；

从而得到所述微站小区和宏站小区的二级场景的得分。当然每个二级场景的分类得分并不一定会包含上述三种分类得分，在实际使用中，每个二级场景下的子场景可能包含三种子场景类型的任意组合，所以具体的计算公式还要根据每个二级场景实际的情况来确定。

在得到小区的二级场景的得分后，根据预设的规则可以对所述二级场景进行排序，例如，可以根据得分由高到低对二级场景进行排序。

进一步地，所述根据所述二级场景的得分，对所述二级场景进行排序，具体地，

根据所述二级场景的得分，对所述二级场景进行排序，若存在至少两个二级场景的得分相同，则根据所述预设的优先级对所述二级场景进行排序。

如果在对二级场景进行排序的过程中出现了得分相同的二级场景，则需要根据预设的优先级对所述二级场景进行排序，其中所述的优先级可以根据实际情况预先给出一个判定标准。

在得到所述二级场景的排序后，所述排序模块15就可以根据排序的前后顺序来确定小区的小区场景。

进一步地，所述小区场景包括主场景和至少一个辅场景。

对于例如室分的小基站，只需要确定出一个小区主场景即可。但是对于像微站或宏站之类的大型基站，由于所覆盖的小区范围较大，所以可以提供小区主场景与至少一个辅场景，分别根据二级场景排序的先后来确认，其中辅场景的数量可以根据实际的需要来设定。

进一步地，对于室分除了利用上述方式只计算主场景外。还可以根据室分小区覆盖范围内的点子场景的名称与小区名称的匹配度来直接确定小区的主场景，如果找不到匹配关系的点子场景，则把距离最近的点子场景设为主场景。

进一步地，随着子场景的不断建设和改造，小区覆盖范围内的子场景信息也会随之变化，从而使小区的小区场景发生改变。为此，上述小区场景的识别过程需要根据预设的时间来定期进行，例如，一个月或者一个季度。

本发明实施例提供的装置用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。

本发明实施例通过从互联网等渠道获取的子场景信息，对小区覆盖范围内子场景进行评分，从而得到小区内二级场景的得分，以确定所述小区的小区场景，从而提高了小区场景识别的效率和准确性，以实现数字化、可视化场景识别算法。

基于上述实施例，进一步地，所述根据所述基站信息，获取与所述基站相对应的小区的覆盖范围，具体为，

若所述基站为室分，则室分小区的覆盖范围为圆形，其中所述圆形以所述室分为圆心，以预设室分半径为半径；

若所述基站为微站，则微站小区的覆盖范围为微站扇形，其中所述微站扇形以微站为所述微站扇形的顶点，以微站的天线左右各取预设微站角度为所述微站扇形方向和角度，以预设的微站半径为所述微站扇形的半径；

若所述基站为宏站，则宏站小区的覆盖范围为宏站扇形，其中所述宏站扇形以宏站为所述宏站扇形的顶点，以宏站的天线左右各取预设宏站角度a₃为所述宏站扇形的方向和角度，以宏站半径为所述宏站扇形的半径，其中所述宏站半径为与所述宏站小区的小区类型相对应的预设第一宏站半径，或者为与所述子场景类型相对应的第二宏站半径，其中所述第二宏站半径根据平均站间距和与所述子场景类型相对应的预设调整因子获取。

本发明实施例提供的装置用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。

本发明实施例通过将所述小区的覆盖范围根据基站类型的不同采用不同的计算方法，从而使小区的二级场景识别更加符合实际情况，也更加准确、可靠，以满足数字化、可视化二级场景识别算法。

基于上述实施例，进一步地，所述根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算所述小区子场景分类集相对应的二级场景的分类得分，具体为，

若所述子场景类型为面类，则从小区子场景集中获取与所述面类相对应的面子场景集，根据所述面子场景集所包含的每个面子场景和所述基站信息，分别获取每个面子场景的中心点与基站的距离，以及每个面子场景的相交面积占比，其中所述相交面积占比为每个面子场景和所述覆盖范围相交的单个面积与所有面子场景和所述覆盖范围相交的总面积的比值，然后根据预设的面打分标准以及预设的面权重比，获取每个面子场景的得分，再根据每个面子场景相对应的二级场景，获取与所述面子场景集相对二级场景的分类得分；

若所述子场景类型为线类，则从小区子场景集中获取与所述线类相对应的线子场景集，根据所述线子场景集所包含的每个线子场景和所述基站信息，分别获取每个线子场景与基站的最短距离，以及每个线子场景的相交长度占比，其中所述相交长度占比为每个线子场景和所述覆盖范围相交的单个长度与所有线子场景和所述覆盖范围相交的总长度的比值，然后根据预设的线打分标准以及预设的线权重比，获取每个线子场景的得分，再根据每个线子场景相对应的二级场景，获取与所述线子场景集相对二级场景的分类得分。

若所述子场景类型为点类，则从小区子场景集中获取与所述点类相对应的点子场景集，根据所述点子场景集所包含的每个点子场景和所述基站信息，分别获取每个点子场景与基站的距离，根据与每个点子场景相对应的二级场景，获取每个二级场景下的所有点子场景的数量和与基站的平均距离，然后根据预设的点打分标准以及预设的点权重比，获取与所述点子场景集相对应二级场景的分类得分。

本发明实施例提供的装置用于执行上述方法，其功能具体参考上述方法实施例，其具体方法流程在此处不再赘述。

本发明实施例通过根据预设的子场景类型设计相应的二级场景的分类得分评分机制，提高的小区场景识别的可靠性和准确性，并提供更好的数字化、可视化场景识别算法。

图10是示出本发明实施例的电子设备结构示意图。如图10所示，所述显示装置的测试设备，包括：处理器(processor)601、存储器(memory)602和总线603；

其中，所述处理器601和所述存储器602通过所述总线603完成相互间的通信；

所述处理器601用于调用所述存储器602中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取子场景信息和基站的基站信息；根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

进一步地，本发明实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取子场景信息和基站的基站信息；根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

进一步地，本发明实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取子场景信息和基站的基站信息；根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所描述的显示装置的测试设备等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种移动网络的小区场景自动识别方法，其特征在于，包括：

获取子场景信息和基站的基站信息；

根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；

根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；

根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算与所述小区子场景分类集相对应的二级场景的分类得分；

然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

2.根据权利要求1所述的方法，其特征在于，所述基站具体为但不限于宏站、微站或室分。

3.根据权利要求1所述的方法，其特征在于，所述子场景类型具体为但不限于面类、线类或点类。

4.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述基站信息，获取与所述基站相对应的小区的覆盖范围，具体为，

若所述基站为室分，则室分小区的覆盖范围为圆形，其中所述圆形以所述室分为圆心，以预设室分半径为半径；

若所述基站为微站，则微站小区的覆盖范围为微站扇形，其中所述微站扇形以微站为所述微站扇形的顶点，以微站的天线左右各取预设微站角度为所述微站扇形方向和角度，以预设的微站半径为所述微站扇形的半径；

若所述基站为宏站，则宏站小区的覆盖范围为宏站扇形，其中所述宏站扇形以宏站为所述宏站扇形的顶点，以宏站的天线左右各取预设宏站角度为所述宏站扇形的方向和角度，以宏站半径为所述宏站扇形的半径，其中所述宏站半径为与所述宏站小区的小区类型相对应的预设第一宏站半径，或者为与所述子场景类型相对应的第二宏站半径，其中所述第二宏站半径根据平均站间距和与所述子场景类型相对应的预设调整因子获取。

5.根据权利要求1-3任一所述的方法，其特征在于，所述根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算所述小区子场景分类集相对应的二级场景的分类得分，具体为，

若所述子场景类型为面类，则从小区子场景集中获取与所述面类相对应的面子场景集，根据所述面子场景集所包含的每个面子场景和所述基站信息，分别获取每个面子场景的中心点与基站的距离，以及每个面子场景的相交面积占比，其中所述相交面积占比为每个面子场景和所述覆盖范围相交的单个面积与所有面子场景和所述覆盖范围相交的总面积的比值，然后根据预设的面打分标准以及预设的面权重比，获取每个面子场景的得分，再根据每个面子场景相对应的二级场景，获取与所述面子场景集相对应的二级场景的分类得分；

若所述子场景类型为线类，则从小区子场景集中获取与所述线类相对应的线子场景集，根据所述线子场景集所包含的每个线子场景和所述基站信息，分别获取每个线子场景与基站的最短距离，以及每个线子场景的相交长度占比，其中所述相交长度占比为每个线子场景和所述覆盖范围相交的单个长度与所有线子场景和所述覆盖范围相交的总长度的比值，然后根据预设的线打分标准以及预设的线权重比，获取每个线子场景的得分，再根据每个线子场景相对应的二级场景，获取与所述线子场景集相对应的二级场景的分类得分。

若所述子场景类型为点类，则从小区子场景集中获取与所述点类相对应的点子场景集，根据所述点子场景集所包含的每个点子场景和所述基站信息，分别获取每个点子场景与基站的距离，根据与每个点子场景相对应的二级场景，获取每个二级场景下的所有点子场景的数量和与基站的平均距离，然后根据预设的点打分标准以及预设的点权重比，获取与所述点子场景集相对应的二级场景的分类得分。

6.根据权利要求1所述的方法，其特征在于，所述根据所述二级场景的得分，对所述二级场景进行排序，具体地，

根据所述二级场景的得分，对所述二级场景进行排序，若存在至少两个二级场景的得分相同，则根据所述预设的优先级对所述二级场景进行排序。

7.根据权利要求1所述的方法，其特征在于，所述小区场景包括主场景和至少一个辅场景。

8.一种移动网络的小区场景自动识别装置，其特征在于，包括：

获取模块，用于获取子场景信息和基站的基站信息；

范围模块，用于根据所述基站信息，获取与所述基站相对应的小区的覆盖范围；

匹配模块，用于根据所述覆盖范围和所述子场景信息，获取所述覆盖范围下的小区子场景集；

计算模块，用于根据所述小区子场景集中包含的每个子场景的子场景类型，从小区子场景集中获取至少一个与所述子场景类型相对应的小区子场景分类集，分别根据所述小区子场景分类集以及与所述子场景类型相对应的评分规则计算所述小区子场景分类集相对应的二级场景的分类得分；

排序模块，用于然后根据所述二级场景的分类得分，获取所述二级场景的得分并进行排序，以确定所述小区的小区场景。

9.一种电子设备，其特征在于，包括存储器和处理器，所述处理器和所述存储器通过总线完成相互间的通信；所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1至7任一所述的方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一所述的方法。