CN108124268B - 一种参数准确性识别方法及网络设备 - Google Patents

Abstract

本发明公开了一种参数准确性识别方法及网络设备，所述方法包括：基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确。

Description

一种参数准确性识别方法及网络设备

技术领域

本发明涉及通信领域中的网络管理技术，尤其涉及一种参数准确性识别方法及网络设备。

背景技术

无线网络的工程参数(工参)表示了一个无线网络中各个基站的经纬度、天线角等信息。工参中数据偏差将影响网络结构问题定位的准确性、网络优化的效果、以及后续站址、参数的规划等。

针对工参数据不准问题，目前识别工参偏差的实用方法主要依靠人工，无法系统的排查因工程施工不规范以及人为遗漏上报等原因导致的工参错误，不能系统性的排查工参中的数据问题，无系统性的核查方案及矫错流程。

发明内容

本发明的主要目的在于提出一种参数准确性识别方法及网络设备，旨在解决现有技术中存在的上述问题。

为实现上述目的，本发明提供的一种参数准确性识别方法，所述方法包括：

基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确。

本发明提供一种网络设备，所述网络设备包括：

角度计算单元，用于基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

比例计算单元，用于基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

判断单元，用于基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确。

本发明提出的一种参数准确性识别方法及网络设备，就能够通过目标小区与至少一个相邻小区的相对角度，来确定目标小区的角度偏离比例，基于角度偏离比例确定目标小区的参数是否准确。如此，就能够避免由于人工进行工参分析而产生的误判以及效率较低的问题，提升的针对目标小区的参数的分析的准确性。

附图说明

图1为本发明实施例参数准确性识别方法流程示意图一；

图2为本发明实施例小区的北向夹角确定示意图；

图3为本发明实施例小区之间的相对角度确定方式；

图4为本发明实施例参数准确性识别方法流程示意图二；

图5为本发明实施例设置阈值的处理流程示意图；

图6为本发明实施例网络设备组成结构示意图一；

图7为本发明实施例网络设备组成结构示意图二。

具体实施方式

下面结合附图和具体实施例对本发明作进一步详细说明。

实施例一、

本发明实施例提供了一种参数准确性识别方法，应用于网络设备，如图1所示，包括：

步骤101：基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

步骤102：基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

步骤103：基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确。

这里，所述网络设备可以为核心网侧的管理设备，也可以为设置在基站中的管理单元，这里不进行限定。

本实施例中针对如何基于目标小区的主波瓣方向来确定目标小区的参数是否确定进行说明。

所述基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度之前，所述方法还包括：

获取到所述目标小区的参数配置数据，以及所述目标小区的N个相邻小区的N个参数配置数据；

基于所述目标小区以及所述N个相邻小区的所述参数配置数据，分别确定所述目标小区与每一个相邻小区之间的北向夹角。

上述参数配置数据中至少包括有小区的位置信息、以及小区的方向角等参数；其中，所述小区的位置信息可以为小区的经度以及纬度；需要指出的是，上述参数配置数据中包含的内容可以为管理人员预设的数据，也就是说，上述参数配置数据为预定的数据而可能并非每一个小区的实际数据。

目标小区可以为网络设备管理的至少一个小区中的一个小区。

进一步地，上述确定目标小区与每一个相邻小区之间的北向夹角具体来说，可以为：目标小区的基站以及每一个相邻小区的基站之间的连线，确定所述连线与北向线之间的夹角作为北向夹角；其中，所述北向线可以为指向北极的线。进一步的，确定目标小区的基站与相邻小区的基站之间的连线，可以基于小区的位置信息来确定。

比如，参见图2，小区A为目标小区，小区1～3为相邻小区，图中示出小区A与小区1之间的连线，与小区2之间的连线，与小区3之间的连线；仅以小区A与小区1之间的连线为例，上述小区A与小区1之间的连线与北向线之间的夹角为角1，角1则为小区A与小区1之间的北向夹角。

所述基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度，包括：

获取到所述目标小区的主波瓣方向；

基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度。

其中，获取到目标小区的主波瓣方向的方式可以为实际测量，也可以为目标小区上报，这里不进行限定。

基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度，具体来说，可以包括：基于所述目标小区的主波瓣方向与北向线之间的夹角作为参考角度；将所述参考角度分别与所述目标小区与每一个相邻小区之间的北向夹角相减，得到的结果作为所述目标小区与所述每一个相邻小区之间的相对角度。

比如，参见图3，小区A与小区1之间的连线与北向线之间的北向夹角；小区A的主波瓣方向与北向线之间具备一定的夹角；利用该夹角减去所述北向夹角即得到图中所述的小区A与小区1之间的相对角度。

所述基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例，包括：

基于所述目标小区与N个相邻小区的每一个相邻小区之间的相对角度，获取到所述相对角度大于预设的角度偏离阈值的第一数量；基于所述第一数量与相邻小区的数量N，计算得到所述角度偏离比例。

其中，所述角度偏离阈值可以为根据实际情况预设的，也可以为基于大量的训练数据训练得到的结果，本实施例中不进行详述。

假设小区A(目标小区)与小区1～小区3(三个相邻小区)之间的相对角度分别为角度1、角度2和角度3，其中角度1大于预设的角度偏离阈值，角度2和角度3小于预设的角度偏离阈值，那么角度偏离比例即为1/3。

所述基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确，包括：

当所述角度偏离比例大于比例阈值时，确定所述目标小区的参数配置数据不准确；

当所述角度偏离比例不大于所述比例阈值时，确定所述目标小区的参数配置准确。

其中，所述比例阈值可以为根基实际情况预设的，也可以为根据大量的训练数据训练得到，本实施例中不进行详述。

上述处理通过对现网邻区进行分析(包括自动邻区优化和邻区初始规划后的人工优化)，针对某一个小区，其添加的邻区具有一定方向性，主要分布在主瓣方向上。因此，可通过计算发现某小区的邻区集中分布的方向，以发现因工程施工、优化调整等原因，致天线的实际方向角、基站经纬度与初始规划、实际工参不一致等问题，从而自动识别工参不准的问题。

下面结合图4，详细说明本实施例提供的方案的流程：

首先，获得邻区关系及工参配置数据；具体可以包括：系统通过网管从基站获取邻区关系表，包含服务小区和邻小区CGI信息；并通过网管系统或直接从工程参数存储服务器读取服务小区、邻小区和相关小区的工程参数，包含地理位置信息、方向角等；

接着，计算现网各个小区与其每一个邻区之间，相对于北极方向的夹角，记为邻区北向夹角ANGLE；举例说明，设服务小区A的经纬度为LonA,LatA，邻小区B的经纬度为LonB,LatB，以此计算服务小区A与邻区B的连线相对于北极的夹角(A到B射线方向)，计算公式如下：

设主服务小区A的经纬度分别为：A2，B2，邻区B的经纬度分别为：C2，D2，则北极的夹角(北向夹角ANGLE)为：

1)当A2＝C2,D2>B2时，为0；

2)当A2＝C2,D2<B2时，为180；

3)当C2>＝A2时，

北向夹角为：

90-DEGREES(ATAN((D2-B2)/(C2-A2)/COS(RADIANS(B2))))；

其中，D2-B2表示维度差、C2-A2表示经度差，通过ATAN()计算得到服务小区A以及邻区B之间相对于水平线之间的夹角；再用90减去上述夹角，得到了北向夹角。

4)当C2<A2时，

为270-DEGREES(ATAN((D2-B2)/(C2-A2)/COS(RADIANS(B2))))；其中，D2-B2表示维度差、C2-A2表示经度差，通过ATAN()计算得到服务小区A以及邻区B之间相对于水平线之间的夹角；再用270减去上述夹角，得到了北向夹角。

然后，计算现网各个小区方向角与其每一个邻区的北向夹角ANGLE间的度数差G(0-180度，大于180度则需要减180度)，即计算出邻区偏离小区主瓣法线方向度数，以及这类邻区所占比例W；计算偏离小区主瓣法线方向度数公式如下：

设主服务小区A的方向角为A2，服务小区A与邻区B的北向夹角为B2，

则偏离小区主瓣法线方向度数为：

1)当ABS(A2-B2)<＝180时，为ABS(A2-B2)；

2)当ABS(A2-B2)>180,A2>＝B2时，为ABS(A2-(B2+360))；

3)当ABS(A2-B2)>180,A2<B2时,ABS((A2+360)-B2)。

最后，通过大数据分析方法进行数据挖掘，训练数据得到偏离小区法线方向临界度数M、偏离邻区所占全部邻区临界比例N；

如果邻区偏离小区主瓣法线方向的度数G大于M(比如训练数据得到60度)，统计这类邻区所占全部邻区比例W，并超过总邻区数的比例N(比如训练数据得到80％)，则判定服务小区A为工参方向角或经纬度与实际存在偏差，需现场核查并调整，以此完成工参不准的自动判断。

可见，通过采用上述方案，就能够通过目标小区与至少一个相邻小区的相对角度，来确定目标小区的角度偏离比例，基于角度偏离比例确定目标小区的参数是否准确。如此，就能够避免由于人工进行工参分析而产生的误判以及效率较低的问题，提升的针对目标小区的参数的分析的准确性。

实施例二、

在上述实施例的基础之上，本实施例进一步针对如何训练得到比例阈值以及偏离角度阈值进行说明。

获取到至少一组训练数据；其中，所述每一组训练数据中至少包括有候选角度偏离阈值、候选比例阈值、以及基于所述候选角度偏离阈值以及候选比例阈值确定的至少一个小区的参数配置数据的判断结果；

确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率；

基于每一组训练数据所对应的非误判率以及非漏判率，确定所述候选角度偏离阈值以及候选比例阈值的置信度；

基于所述候选角度偏离阈值以及候选比例阈值的置信度，选取得到置信度最大的一组候选角度偏离阈值以及候选比例阈值作为所述角度偏离阈值以及所述比例阈值。

具体的，所述确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率，包括：

基于每一组训练数据的至少一个小区的参数配置数据的判断结果，确定所述判断结果是否为误判以及是否为漏判；

统计所述判断结果为误判的数量以及漏判的数量，基于所述判断结果为误判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非误判率；基于所述判断结果为漏判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非漏判率。

其中确定是否为漏判或者误判的方式可以为，首先获取到每一个小区的参数配置数据的实际情况，也就是说每一个小区的参数配置数据是否准确；

再基于训练数据中给出的判断结果，两者进行比对，确定是否为误判；

另外，当小区的参数配置数据的实际情况为不准确，而训练数据中给出的判断结果为准确，那么对应的情况为漏判。

利用大数据分析方法进行数据挖掘，结合非漏判率和非误判率计算判决阙值M、N的方法流程如图5所示：

首先，系统获得现网工参配置数据、各小区对应的邻区偏离小区主瓣法线方向的度数、偏离邻区数及占比等基础数据；

其次，选择作为训练数据的数据进行数据训练，比如确定一组M、N，计算非误判率、以及计算非漏判率，其中：

非误判率P1(B/A)：在训练数据条件下，表示对工参不准不误判的概率；

＝1-误判的工参不准小区数/总小区数；

在第2点的数据条件下，计算非漏判率，其中：

非漏判率P2(B/A)：在训练数据条件下，表示对工参不准不漏判的概率；

＝1-漏判的工参不准小区数/工参不准小区总数；

然后，计算在选择数据M、N情况下的置信度P，其中：

置信度P(B/A)＝(1-X)*非误判率P1(B/A)+X*非漏判率P2(B/A)；

置信度P(B/A)之中B表示结果，A表示条件，这里P(B/A)对应((工参不准)/(M>＝值1||N>＝值2)；其中X可自定义，默认取值0.5。

最后，改变M/N进行循环，选择置信度最大值P作为最优解，确定置信度最大值时的M、N，作为阀值；目标是漏判和误判越低越好，如不能同时满足，则取置信度最大值作为最优解。

实施例三、

本发明实施例提供了一种网络设备，如图6所示，包括：

角度计算单元61，用于基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

比例计算单元62，用于基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

判断单元63，用于基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确。

这里，所述网络设备可以为核心网侧的管理设备，也可以为设置在基站中的管理单元，这里不进行限定。

本实施例中针对如何基于目标小区的主波瓣方向来确定目标小区的参数是否确定进行说明。

所述角度计算单元61，用于获取到所述目标小区的参数配置数据，以及所述目标小区的N个相邻小区的N个参数配置数据；

基于所述目标小区以及所述N个相邻小区的所述参数配置数据，分别确定所述目标小区与每一个相邻小区之间的北向夹角。

上述参数配置数据中至少包括有小区的位置信息、以及小区的天线角等参数；其中，所述小区的位置信息可以为小区的经度以及维度；小区的天线角可以为其预设的主波瓣方向相对于北极方向的夹角。需要指出的是，上述参数配置数据中包含的内容可以为管理人员预设的数据，也就是说，上述参数配置数据为预定的数据而可能并非每一个小区的实际数据。

目标小区可以为网络设备管理的至少一个小区中的一个小区。

进一步地，上述角度计算单元61，用于目标小区的基站以及每一个相邻小区的基站之间的连线，确定所述连线与北向线之间的夹角作为北向夹角；其中，所述北向线可以为指向北极的线。进一步的，确定目标小区的基站与相邻小区的基站之间的连线，可以基于小区的位置信息来确定。

比如，参见图2，小区A为目标小区，小区1～3为相邻小区，图中示出小区A与小区1之间的连线，与小区2之间的连线，与小区3之间的连线；仅以小区A与小区1之间的连线为例，上述小区A与小区1之间的连线与北向线之间的夹角为角1，角1则为小区A与小区1之间的北向夹角。

所述角度计算单元61，用于获取到所述目标小区的主波瓣方向；

基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度。

其中，获取到目标小区的主波瓣方向的方式可以为实际测量，也可以为目标小区上报，这里不进行限定。

基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度，具体来说，可以包括：角度计算单元61，用于基于所述目标小区的主波瓣方向与北向线之间的夹角作为参考角度；将所述参考角度分别与所述目标小区与每一个相邻小区之间的北向夹角相减，得到的结果作为所述目标小区与所述每一个相邻小区之间的相对角度。

比如，参见图3，小区A与小区1之间的连线与北向线之间的北向夹角；小区A的主波瓣方向与北向线之间具备一定的夹角；利用该夹角减去所述北向夹角即得到图中所述的小区A与小区1之间的相对角度。

所述比例计算单元，用于基于所述目标小区与N个相邻小区的每一个相邻小区之间的相对角度，获取到所述相对角度大于预设的角度偏离阈值的第一数量；基于所述第一数量与相邻小区的数量N，计算得到所述角度偏离比例。

其中，所述角度偏离阈值可以为根据实际情况预设的，也可以为基于大量的训练数据训练得到的结果，本实施例中不进行详述。

假设小区A(目标小区)与小区1～小区3(三个相邻小区)之间的相对角度分别为角度1、角度2和角度3，其中角度1大于预设的角度偏离阈值，角度2和角度3小于预设的角度偏离阈值，那么角度偏离比例即为1/3。

所述判断单元，用于当所述角度偏离比例大于比例阈值时，确定所述目标小区的参数配置数据不准确；

当所述角度偏离比例不大于所述比例阈值时，确定所述目标小区的参数配置准确。

其中，所述比例阈值可以为根基实际情况预设的，也可以为根据大量的训练数据训练得到，本实施例中不进行详述。

上述处理通过对现网邻区进行分析(包括自动邻区优化和邻区初始规划后的人工优化)，针对某一个小区，其添加的邻区具有一定方向性，主要分布在主瓣方向上。因此，可通过计算发现某小区的邻区集中分布的方向，以发现因工程施工、优化调整等原因，致天线的实际方向角、基站经纬度与初始规划、实际工参不一致等问题，从而自动识别工参不准的问题。

可见，通过采用上述方案，就能够通过目标小区与至少一个相邻小区的相对角度，来确定目标小区的角度偏离比例，基于角度偏离比例确定目标小区的参数是否准确。如此，就能够避免由于人工进行工参分析而产生的误判以及效率较低的问题，提升的针对目标小区的参数的分析的准确性。

实施例四、

在上述实施例的基础之上，本实施例进一步针对如何训练得到比例阈值以及偏离角度阈值进行说明。

在图6的基础上，结合图7，本实施例网络设备还提供：训练单元64，用于获取到至少一组训练数据；其中，所述每一组训练数据中至少包括有候选角度偏离阈值、候选比例阈值、以及基于所述候选角度偏离阈值以及候选比例阈值确定的至少一个小区的参数配置数据的判断结果；

确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率；

基于每一组训练数据所对应的非误判率以及非漏判率，确定所述候选角度偏离阈值以及候选比例阈值的置信度；

基于所述候选角度偏离阈值以及候选比例阈值的置信度，选取得到置信度最大的一组候选角度偏离阈值以及候选比例阈值作为所述角度偏离阈值以及所述比例阈值。

具体的，训练单元64，用于基于每一组训练数据的至少一个小区的参数配置数据的判断结果，确定所述判断结果是否为误判以及是否为漏判；

统计所述判断结果为误判的数量以及漏判的数量，基于所述判断结果为误判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非误判率；基于所述判断结果为漏判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非漏判率。

其中确定是否为漏判或者误判的方式可以为，首先获取到每一个小区的参数配置数据的实际情况，也就是说每一个小区的参数配置数据是否准确；

再基于训练数据中给出的判断结果，两者进行比对，确定是否为误判；

另外，当小区的参数配置数据的实际情况为不准确，而训练数据中给出的判断结果为准确，那么对应的情况为漏判。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者服务器不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者服务器所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者服务器中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (12)

1.一种参数准确性识别方法，应用于网络设备，其特征在于，所述方法包括：

基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确；

其中，所述目标小区的相邻小区主要分布在主瓣方向上；

所述基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度，包括：

获取到所述目标小区的主波瓣方向；

基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度；

所述基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度，包括：

基于所述目标小区的主波瓣方向与北向线之间的夹角作为参考角度；将所述参考角度分别与所述目标小区与每一个相邻小区之间的北向夹角相减，得到的结果作为所述目标小区与所述每一个相邻小区之间的相对角度。

2.根据权利要求1所述的方法，其特征在于，所述基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度之前，所述方法还包括：

获取到所述目标小区的参数配置数据，以及所述目标小区的N个相邻小区的N个参数配置数据；

基于所述目标小区以及所述N个相邻小区的所述参数配置数据，分别确定所述目标小区与每一个相邻小区之间的北向夹角。

3.根据权利要求1所述的方法，其特征在于，所述基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例，包括：

基于所述目标小区与N个相邻小区的每一个相邻小区之间的相对角度，获取到所述相对角度大于预设的角度偏离阈值的第一数量；

基于所述第一数量与相邻小区的数量N，计算得到所述角度偏离比例。

4.根据权利要求1所述的方法，其特征在于，所述基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确，包括：

当所述角度偏离比例大于比例阈值时，确定所述目标小区的参数配置数据不准确；

当所述角度偏离比例不大于所述比例阈值时，确定所述目标小区的参数配置准确。

5.根据权利要求3或4所述的方法，其特征在于，所述方法还包括：

获取到至少一组训练数据；其中，所述每一组训练数据中至少包括有候选角度偏离阈值、候选比例阈值、以及基于所述候选角度偏离阈值以及候选比例阈值确定的至少一个小区的参数配置数据的判断结果；

确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率；

基于每一组训练数据所对应的非误判率以及非漏判率，确定所述候选角度偏离阈值以及候选比例阈值的置信度；

基于所述候选角度偏离阈值以及候选比例阈值的置信度，选取得到置信度最大的一组候选角度偏离阈值以及候选比例阈值作为所述角度偏离阈值以及所述比例阈值。

6.根据权利要求5所述的方法，其特征在于，所述确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率，包括：

基于每一组训练数据的至少一个小区的参数配置数据的判断结果，确定所述判断结果是否为误判以及是否为漏判；

统计所述判断结果为误判的数量以及漏判的数量，基于所述判断结果为误判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非误判率；基于所述判断结果为漏判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非漏判率。

7.一种网络设备，其特征在于，所述网络设备包括：

角度计算单元，用于基于目标小区的主波瓣方向，确定所述目标小区与其N个相邻小区中每一个相邻小区之间的相对角度；其中，N为大于等于1的整数；

比例计算单元，用于基于所述目标小区与所述N相邻小区之间的N个相对角度，获取到所述目标小区的角度偏离比例；

判断单元，用于基于所述角度偏离比例，判断所述目标小区的参数配置数据是否准确；

所述角度计算单元，具体用于获取到所述目标小区的主波瓣方向；基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度；

其中，所述基于所述目标小区的主波瓣方向、以及所述目标小区与每一个相邻小区之间的北向夹角，分别确定所述目标小区与所述每一个相邻小区之间的相对角度，包括：

基于所述目标小区的主波瓣方向与北向线之间的夹角作为参考角度；将所述参考角度分别与所述目标小区与每一个相邻小区之间的北向夹角相减，得到的结果作为所述目标小区与所述每一个相邻小区之间的相对角度。

8.根据权利要求7所述的网络设备，其特征在于，所述角度计算单元，用于获取到所述目标小区的参数配置数据，以及所述目标小区的N个相邻小区的N个参数配置数据；基于所述目标小区以及所述N个相邻小区的所述参数配置数据，分别确定所述目标小区与每一个相邻小区之间的北向夹角。

9.根据权利要求7所述的网络设备，其特征在于，所述比例计算单元，用于基于所述目标小区与N个相邻小区的每一个相邻小区之间的相对角度，获取到所述相对角度大于预设的角度偏离阈值的第一数量；

基于所述第一数量与相邻小区的数量N，计算得到所述角度偏离比例。

10.根据权利要求7所述的网络设备，其特征在于，所述判断单元，用于当所述角度偏离比例大于比例阈值时，确定所述目标小区的参数配置数据不准确；当所述角度偏离比例不大于所述比例阈值时，确定所述目标小区的参数配置准确。

11.根据权利要求9或10所述的网络设备，其特征在于，所述网络设备还包括：

训练单元，用于获取到至少一组训练数据；其中，所述每一组训练数据中至少包括有候选角度偏离阈值、候选比例阈值、以及基于所述候选角度偏离阈值以及候选比例阈值确定的至少一个小区的参数配置数据的判断结果；确定每一组训练数据对应的候选角度偏离阈值以及候选比例阈值所对应的非误判率以及非漏判率；基于每一组训练数据所对应的非误判率以及非漏判率，确定所述候选角度偏离阈值以及候选比例阈值的置信度；基于所述候选角度偏离阈值以及候选比例阈值的置信度，选取得到置信度最大的一组候选角度偏离阈值以及候选比例阈值作为所述角度偏离阈值以及所述比例阈值。

12.根据权利要求11所述的网络设备，其特征在于，所述训练单元，用于基于每一组训练数据的至少一个小区的参数配置数据的判断结果，确定所述判断结果是否为误判以及是否为漏判；

统计所述判断结果为误判的数量以及漏判的数量，基于所述判断结果为误判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非误判率；基于所述判断结果为漏判的数量以及全部小区的数量，确定所述训练数据中所对应的候选比例阈值以及所述候选角度偏离阈值对应的非漏判率。

Images