CN108810911A - 一种基于数据挖掘的低功耗广域网网络规划方法 - Google Patents

Abstract

本发明公开了一种基于数据挖掘的低功耗广域网网络规划方法，获取低功耗广域网网络的实测数据，以覆盖目标出发，综合考虑网络产生弱覆盖的影响因素，利用提升回归树算法建立了信号质量预测模型，用于提取网络的覆盖分布空间模式；然后，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，运用加权K‑centroids分簇算法得到适应当前模式的最优基站部署；最后，根据总目标函数判定得到最终的基站拓扑。本发明能够很好地提升低功耗广域网网络的覆盖质量，对其网络规划具有一定的参考价值。

Description

一种基于数据挖掘的低功耗广域网网络规划方法

技术领域

本发明涉及无线网络规划规划领域，尤其涉及一种基于大数据挖掘的低功耗广域网网络规划方法。

背景技术

随着物联网的高速发展，互联设备数量将有望增长到500亿，并且业务量将增加一千倍以上，传统的短距离无线技术和蜂窝网技术已经无法满足多样化的物联网业务需求。因此，新的通信模式——低功耗广域网(Low Power Wide Area Network，LPWAN)应运而生，主要满足大连接、低速率物联网业务，具有覆盖范围大、连接成本低、功耗低等特点。LPWAN主要包括NB-IoT、LORA、RPMA等无线通信技术，可以支持超大规模数量的设备接入网络。然而在RPMA等LPWAN中基站密度大，覆盖距离达到2-3km，业务分布不均匀，导致基站部署难度大。因此，LPWAN网络规划具有很大的挑战，需要针对其自身的特点，对网络进行合理的部署与优化，从而提高网络服务质量。

在低功耗广域网网络规划中，基站部署决定了网络的整体性能。一方面，过密的基站部署会给彼此带来很大的干扰，而过稀的部署会导致很多边缘地区覆盖不好或者造成覆盖盲区。另一方面，基站站址的选择也是影响网络质量的关键，不合理的基站摆放会导致部分地区信号覆盖差、容量不足等现象，从而会使得后期网络运营困难，增加网络建设的成本。可见，基站数量和站址的合理规划在网络部署中起到了很大的作用。然而，基站站址的确定属于NP-hard问题，如果采用传统的选址模型来分析站址问题的各种因素，就会导致所建模型中的变量与约束条件的维度灾难，此选址方法并不科学。另外，网络规划不仅需要考虑覆盖，还要考虑业务分布，需要处理和整合时空特性，这使得网络规划问题更加复杂，需要设计出合理的网络规划方案。

如今，随着大数据时代的到来，大数据思想和数据挖掘方法应用于人们的日常生活中。物联网背景下，海量的联网终端也使得网络中无时无刻不在产生着大量的数据，这些激增的网络数据背后隐藏着很多有价值的重要信息，比如反映了网络自身的行为特性、终端用户的行为和活动模式等。因此，无线通信网络天生地具有利用大数据方法进行研究的资源和条件，这也是未来网络规划和发展的必然趋势。

发明内容

发明目的：本发明的目的是将大数据分析方法和网络规划相结合，基于目前低功耗广域网的迅速发展阶段，利用所获得的网络数据，综合利用大数据分析技术，对低功耗广域网发展过程中产生的问题进行定性和定量化分析，并建立相应的数据模型，为网络优化提供分析处理工具，进而针对具体的网络提出优化建议以及网络未来发展的参考。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于数据挖掘的低功耗广域网网络规划方法，获取低功耗广域网网络的实测数据，以覆盖目标出发，综合考虑网络产生弱覆盖的影响因素，利用提升回归树算法建立了信号质量预测模型，用于提取网络的覆盖分布空间模式；然后，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，运用加权K-centroids分簇算法得到适应当前模式的最优基站部署；最后，根据总目标函数判定得到最终的基站拓扑。

优选的：包括以下步骤：

步骤1，根据网络规划的覆盖目标，采集各个LPWAN网络基站的实测数据，实测数据包括基站基本信息数据、终端测试点数据以及相应的地理位置数据；

步骤2，对步骤1采集的实测数据进行预处理，从预处理好的数据提取出影响信号覆盖质量的特征信息，该特征信息包括选定基站位置B_loc、基站高度B_alt、基站功率B_power、天线挂高A_height和终端位置P_loc；

x_k＝B_loc_k,B_alt_k,B_power_k,A_height_k,P_loc_k；

其中，x_k表示特征信息；

步骤3，利用提升回归树模型对处理后的网络数据进行训练，以最小化损失函数为目标，得到信号质量预测模型，用于预测当前基站部署下的网络覆盖情况；

步骤4，根据步骤3所得的网络覆盖情况，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，采用加权K-centroids分簇算法得到适应当前覆盖情况的最优基站部署；

加权K-centroids分簇算法的输入包括n个终端数据点位置集合P＝{p₁,p₂,...,p_n}和初始的基站位置集合B＝{b₁,b₂,...,b_k}；把当前的基站位置和数量作为聚类的初始化参数，即簇的初始化中心和聚簇数目，以归一化距离作为判定数据点归属于哪一个簇中，定义从属函数f(b_j|p_i)：

根据从属函数f(b_j|p_i)将数据点p_i分配进离其最近的基站位置b_j所在的簇中；

分配好数据点以后，对站址的位置进行迭代调节，用从属函数f(b_j|p_i)来表示距离影响度，对于覆盖权重来说，根据上一阶段中得到的覆盖分布空间模式，对于每个数据点产生相应的覆盖权重值w(p_i)，结合从属函数f(b_j|p_i)和覆盖权重值w(p_i)，得到簇中心位置的迭代公式：

当基站位置b_j不再发生变化时候，结束迭代，得到最佳的簇中心位置即基站站址；

步骤5，利用总目标函数判定步骤4所获取的是否为最优的基站拓扑；如果是，则得到了最终的基站拓扑；如果不是，继续利用所述步骤3)中的信号质量预测模型对所述步骤4)得到的基站部署进行信号覆盖质量预测，再应用加权K-centroids分簇算法进行基站位置调节，直到总目标函数值达到最小值；

整个规划过程的总目标函数：

上式中y_i代表在某点利用提升回归树模型算法预测出的覆盖强弱值RSSI，是理论上满足覆盖要求所要达到的信号良好覆盖阈值，表示区域中信号质量值低于阈值的测试点。

优选的：所述步骤3中提升回归树模型用M棵决策树的加法模型表示：

其中，每棵树T(x；γ)表示为：

式中，f_M(x)表示提升回归树模型，参数γ＝{(R₁,c₁),(R₂,c₂),...,(R_J,c_J)}代表每棵树在输入变量集上的区域划分R₁,R₂,...,R_J和在相应区域上的常数c₁,c₂,...,c_J，J是决策树的叶子节点树，I为指示函数，I(x∈R_j)表示当x∈R_j时I为1，否则为0；

提升回归树模型采用前向分步算法，通过优化如下损失函数学习每棵树的参数：

式中的损失函数采用平方误差，即样本的预测值和实际值差的平方和：

L(y_i,f_m-1(x_i)+T(x_i；γ_m))＝(y_i-f_m-1(x_i)-T(x_i；γ_m))²

其中，表示每棵树的参数，N表示样本的总数，y_i表示样本的实际值，f_m-1(x_i)表示当前的提升回归树模型，T(x_i；γ_m)表示下一棵决策树模型，e_m＝y_i-f_m-1(x_i)是利用当前模型f_m-1(x_i)拟合数据时导致的残差，所以利用提升回归树模型算法解决回归问题时，就只需要对每次模型拟合的残差进行拟合即可。

优选的：步骤1中采集M个LPWAN网络基站的实测数据，M取非0整数。

优选的：所述步骤5中当总目标函数值达到最小值时，将处理结果存入知识库中，完善知识数据库。

本发明相比现有技术，具有以下有益效果：

本发明是以低功耗广域网在通信系统中的应用为背景，利用获得的网络基础数据、道路测试数据进行网络性能分析，将基站选址问题由传统的模型驱动转变成数据驱动，以海量的数据为分析主线，克服传统网络规划模型的求解缺点，并结合聚类算法探索以数据驱动的基站选址方法，从而提升站点选择的合理化水平。基于数据挖掘理论的视角，通过对低功耗广域网网络下的基站覆盖分析，综合考虑无线网络中产生弱覆盖的原因，建立了一种基于数据挖掘的网络规划方法，可应用于低功耗广域网络的基站规划，达到提升网络的覆盖质量。

附图说明

图1是基于数据挖掘的网络规划流程图。

图2是低功耗广域网网络拓扑结构。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

一种基于数据挖掘的低功耗广域网网络规划方法，如图1所示，首先从覆盖目标着手，针对无线网络中弱覆盖问题进行分析，重点对覆盖盲区和弱覆盖区域进行优化，并且根据网络覆盖情况进行基站位置的调整，使调整后的基站能满足所要求的覆盖效果。一般来说，区域弱覆盖主要是因为接收到的信号强度不足造成的，具体影响因素涉及到三个方面:(1)基站侧影响覆盖的因素，比如：发射功率、天线方位角、天线挂高、天线增益等；(2)信号传输路径影响覆盖的因素，比如由于障碍物遮挡造成的路径损耗、阴影衰落等；(3)干扰对覆盖的影响，比如多个相邻基站重叠覆盖区内产生的同频干扰和建筑、山峦等地表物对电播反射造成的多经干扰等。如图2所示，对低功耗广域网网络的结构特点进行分析，多个终端以无线的方式连接到其邻近的LPWAN网关，网关负责接收来自终端的上行链路数据，并将数据聚集到各自的回程连接，实现多路数据的收集和转发。而网络服务器和网关之间通过4G\5G或以太网回传建立通信链路，网络服务器主要负责MAC层处理，包括网关管理和选择、消除重复数据包和进程确认等。

综合上述分析，可以知道网络中某个位置的终端接收信号质量，基本和这三方面的因素相关，是糅合了这些因素之后的结果。因此，本文考虑先得到信号质量和这些因素之间的映射关系，即进行信号质量预测，用于辅助最后基站的站址确定。

信号质量预测问题在机器学习任务中是属于回归问题，即运用机器学习算法可以找到特定的某个函数将所输入的一系列变量映射为某个连续输出值。因此，可以先通过现有的路测数据来构造出适应当前无线网络环境的数据模型。当需要对新规划方案的覆盖效果进行预测时，只要给出对应的无线网络特征，就可以预测出符合新规划方案的信号大致覆盖情况。然后根据预测结果，进行基站站址的进一步调整。

数据特征的选取：首先，需要对数据的进行初步清洗与分析，去除具有大量重复和缺省值的属性，最终选定基站位置B_loc(包括经纬度)、基站高度B_alt、基站功率B_power、天线挂高A_height和终端位置P_loc(包括经纬度)作为输入特征，将这些输入特征整合为一条记录：

x_k＝B_loc_k,B_alt_k,B_power_k,A_height_k,P_loc_k

这些记录的集合作为信号质量预测模型的训练数据集。由于LPWAN网络采用功率控制,上行收到的信号强度总是在接收灵敏度附近，所以选定终端接收的下行RSSI作为衡量信号质量的指标，即输出变量。建立无线网络数据模型的过程，就是通过训练已有的数据集找到两者之间的映射函数f的过程：

y_k＝f(x_k)

y_k的值就是给定输入特征变量x_k下的预测信号质量值。

信号预测模型建立：本发明采用提升回归树算法来构建上述的函数映射关系。提升回归树(Boosted Regression Trees,BRT)算法属于集成学习方法中的一种，通过集成多个基学习器共同完成学习任务，提升回归树则是以决策树为基学习器的提升方法。相比于单一的回归算法，比如线性回归、对数几率回归算法，BRT算法以组合了多个决策树的方式，能够获取更加优越的泛化能力，从而提升了模型的预测精度。BRT模型可以用M棵决策树的加法模型表示：

其中，每棵树表示为：

式中，参数γ＝{(R₁,c₁),(R₂,c₂),...,(R_J,c_J)}代表每棵树在输入变量集上的区域划分R₁,R₂,...,R_J和在相应区域上的常数c₁,c₂,...,c_J，J是决策树的叶子节点树。

BRT采用前向分步算法，按照从前向后的顺序学习每一棵决策树，即通过优化如下损失函数学习每棵树的参数：

式中的损失函数采用平方误差，即样本的预测值和实际值差的平方和：

L(y_i,f_m-1(x_i)+T(x_i；γ_m))＝(y_i-f_m-1(x_i)-T(x_i；γ_m))²

而e_m＝y_i-f_m-1(x_i)是利用当前模型f_m-1(x_i)拟合数据时导致的残差，所以利用BRT算法解决回归问题时，就只需要对每次模型拟合的残差进行拟合即可。

基站规划模型：典型的K均值聚类算法是将数据集X＝{x₁,x₂,...,x_n}中的n点进行划分，把原来独立的n个点通过设定距离相似度划分进K个簇当中，簇集合C＝{c₁,c₂,...,c_k}。一般来说，会以两点之间的欧式距离作为相似性度量，把数据点划分进离其距离较近的簇中心所在的簇中。一般算法是以最小化簇内位置误差平方和为目标函数，如下式：

在经典的K-means算法中，每个数据点对定位簇中心的位置有着同样的重要性。然而，本文把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，即认为空间中的每一个点不再对簇中心有着等价的影响，引入权重来衡量数据点对基站位置的影响度，从而提出加权K-centroids算法。

本发明所提算法的输入包括n个终端数据点位置集合P＝{p₁,p₂,...,p_n}和初始的基站位置集合B＝{b₁,b₂,...,b_k}。由于是基于现有的基站站址进行规划，所以可以把当前的基站位置和数量作为聚类的初始化参数，即簇的初始化中心和聚簇数目。该算法以归一化距离作为判定数据点归属于哪一个簇中，即定义从属函数f(b_j|p_i)：

根据f(b_j|p_i)可以将数据点p_i分配进离其最近的基站位置b_j所在的簇中。

分配好数据点以后，本算法需要对簇中心的位置即站址的位置进行迭代调节，主要从距离影响度和覆盖权重两方面考虑。对于距离影响度来说，由于基站要尽可能覆盖远处的终端，对于离基站近的终端自然信号会相对好一些，所以它离基站的距离影响度要小，而离基站远的终端可能会因为楼层建筑物的遮挡、信号传播的特点等因素导致终端接收到的信号衰退，所以远处的终端离基站的距离影响度要大一些，应用上述定义的从属函数f(b_j|p_i)来表示距离影响度。对于覆盖权重来说，优化基站位置是希望在基站覆盖内终端的接收信号能尽可能好，所以需要重点关注于覆盖不好的终端，赋予它对基站位置调整更大的影响权重。根据上一阶段中得到的覆盖分布空间模式，对于每个数据点产生相应的权重值w(p_i)。结合f(b_j|p_i)和w(p_i)，可得到簇中心位置的迭代公式：

当b_j不再发生变化时候，结束迭代，得到最佳的簇中心位置即基站站址。

总目标函数：由加权K-centroids算法得到的网络拓扑，已经是针对当前网络覆盖情况进行了优化，但是并不一定是最终的最优结果，仍然需要对其进行覆盖预测分析，根据分析结果再次进行基站位置优化，直到满足下述的总目标函数，最终得到最优的网络拓扑。

整个规划过程的总目标函数：

上式中y_i代表在某点利用BRT算法预测出的覆盖强弱值RSSI，值是理论上满足覆盖要求所要达到的信号良好覆盖阈值，表示区域中信号质量值低于阈值的测试点，即覆盖信号质量差的测试点。以两者的最小平方误差和作为整个规划过程迭代终止的目标函数。

针对上述的低功耗广域网网络特点，本发明采用数据挖掘的方法，考虑网络规划的覆盖目标，实现对低功耗广域网网络的覆盖分布空间模式的提取，得到最优的基站部署，规划流程如图1所示，具体包括以下步骤：

步骤1，低功耗广域网网络实测数据的获取；

根据网络规划的覆盖目标，采集M个LPWAN网络基站的实测数据，M取非0整数，实测数据包括基站基本信息数据、终端测试点数据以及相应的地理位置数据等，如表1、2所示。

表1基站侧属性

表2测试点侧属性

步骤2，网络数据的预处理

基于网络规划知识数据库，对实测数据进行初步清洗与分析，去除具有大量重复和缺省值的属性，提升数据的质量，使其更好地适应特定的数据挖掘方法，并且通过分析确定影响信号覆盖质量的特征，将分析结果存入知识库中，完善知识数据库的建立。从预处理好的数据提取出影响信号覆盖质量的特征信息，该特征信息包括选定基站位置B_loc、基站高度B_alt、基站功率B_power、天线挂高A_height和终端位置P_loc；

x_k＝B_loc_k,B_alt_k,B_power_k,A_height_k,P_loc_k；

其中，x_k表示特征信息；

步骤3，利用提升回归树模型对处理后的网络数据进行训练，以最小化损失函数为目标，得到信号质量预测模型，用于预测当前基站部署下的网络覆盖情况。

步骤3对处理后的网络数据进行训练得到信号质量预测模型：利用所述步骤2的训练特征数据训练提升回归树模型，以最小化损失函数为目标，拟合得到信号质量预测模型，用于预测当前基站部署下的网络覆盖情况，并将信号质量预测模型存入知识库中。

步骤4，根据步骤3所得的网络覆盖情况，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，采用加权K-centroids分簇算法得到适应当前覆盖情况的最优基站部署；

所述步骤4根据所述步骤3所得的网络覆盖情况，提取覆盖权重值，结合基站测试点的位置数据运用加权K-centroids分簇算法，可以得到适应当前覆盖情况的最优基站部署。

加权K-centroids分簇算法的输入包括n个终端数据点位置集合P＝{p₁,p₂,...,p_n}和初始的基站位置集合B＝{b₁,b₂,...,b_k}；把当前的基站位置和数量作为聚类的初始化参数，即簇的初始化中心和聚簇数目，以归一化距离作为判定数据点归属于哪一个簇中，定义从属函数f(b_j|p_i)：

根据从属函数f(b_j|p_i)将数据点p_i分配进离其最近的基站位置b_j所在的簇中；

分配好数据点以后，对站址的位置进行迭代调节，用从属函数f(b_j|p_i)来表示距离影响度，对于覆盖权重来说，根据上一阶段中得到的覆盖分布空间模式，对于每个数据点产生相应的覆盖权重值w(p_i)，结合从属函数f(b_j|p_i)和覆盖权重值w(p_i)，得到簇中心位置的迭代公式：

当基站位置b_j不再发生变化时候，结束迭代，得到最佳的簇中心位置即基站站址；

步骤5，利用总目标函数判定步骤4所获取的是否为最优的基站拓扑；如果是，则得到了最终的基站拓扑；如果不是，继续利用所述步骤3)中的信号质量预测模型对所述步骤4)得到的基站部署进行信号覆盖质量预测，再应用加权K-centroids分簇算法进行基站位置调节，直到总目标函数值达到最小值，并将处理结果存入知识库中，完善知识数据库。

本发明针对低功耗广域网网络基站密度大、覆盖范围广等特点，基于数据挖掘的视角，以覆盖目标出发，综合考虑网络产生弱覆盖的影响因素，利用提升回归树算法建立了信号质量预测模型，用于提取网络的覆盖分布空间模式。然后，针对覆盖分布空间模式，运用加权K-centroids分簇算法得到适应当前模式的最优基站部署。最后，根据总目标函数判定得到最终的基站拓扑。本发明能够很好地提升低功耗广域网网络的覆盖质量，对其网络规划具有一定的参考价值。

以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于数据挖掘的低功耗广域网网络规划方法，其特征在于：获取低功耗广域网网络的实测数据，以覆盖目标出发，综合考虑网络产生弱覆盖的影响因素，利用提升回归树算法建立了信号质量预测模型，用于提取网络的覆盖分布空间模式；然后，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，运用加权K-centroids分簇算法得到适应当前模式的最优基站部署；最后，根据总目标函数判定得到最终的基站拓扑。

2.根据权利要求1所述基于数据挖掘的低功耗广域网网络规划方法，其特征在于：包括以下步骤：

步骤1，根据网络规划的覆盖目标，采集各个LPWAN网络基站的实测数据，实测数据包括基站基本信息数据、终端测试点数据以及相应的地理位置数据；

步骤2，对步骤1采集的实测数据进行预处理，从预处理好的数据提取出影响信号覆盖质量的特征信息，该特征信息包括选定基站位置B_loc、基站高度B_alt、基站功率B_power、天线挂高A_height和终端位置P_loc；

x_k＝B_loc_k,B_alt_k,B_power_k,A_height_k,P_loc_k；

其中，x_k表示特征信息；

步骤3，利用提升回归树模型对处理后的网络数据进行训练，以最小化损失函数为目标，得到信号质量预测模型，用于预测当前基站部署下的网络覆盖情况；

步骤4，根据步骤3所得的网络覆盖情况，把基站位置的选择当作基于覆盖分布空间模式的加权问题进行处理，采用加权K-centroids分簇算法得到适应当前覆盖情况的最优基站部署；

加权K-centroids分簇算法的输入包括n个终端数据点位置集合P＝{p₁,p₂,...,p_n}和初始的基站位置集合B＝{b₁,b₂,...,b_k}；把当前的基站位置和数量作为聚类的初始化参数，即簇的初始化中心和聚簇数目，以归一化距离作为判定数据点归属于哪一个簇中，定义从属函数f(b_j|p_i)：

根据从属函数f(b_j|p_i)将数据点p_i分配进离其最近的基站位置b_j所在的簇中；

分配好数据点以后，对站址的位置进行迭代调节，用从属函数f(b_j|p_i)来表示距离影响度，对于覆盖权重来说，根据上一阶段中得到的覆盖分布空间模式，对于每个数据点产生相应的覆盖权重值w(p_i)，结合从属函数f(b_j|p_i)和覆盖权重值w(p_i)，得到簇中心位置的迭代公式：

当基站位置b_j不再发生变化时候，结束迭代，得到最佳的簇中心位置即基站站址；

步骤5，利用总目标函数判定步骤4所获取的是否为最优的基站拓扑；如果是，则得到了最终的基站拓扑；如果不是，继续利用所述步骤3)中的信号质量预测模型对所述步骤4)得到的基站部署进行信号覆盖质量预测，再应用加权K-centroids分簇算法进行基站位置调节，直到总目标函数值达到最小值；

整个规划过程的总目标函数：

上式中y_i代表在某点利用提升回归树模型算法预测出的覆盖强弱值RSSI，是理论上满足覆盖要求所要达到的信号良好覆盖阈值，表示区域中信号质量值低于阈值的测试点。

3.根据权利要求2所述基于数据挖掘的低功耗广域网网络规划方法，其特征在于：所述步骤3中提升回归树模型用M棵决策树的加法模型表示：

其中，每棵树T(x；γ)表示为：

式中，f_M(x)表示提升回归树模型，参数γ＝{(R₁,c₁),(R₂,c₂),...,(R_J,c_J)}代表每棵树在输入变量集上的区域划分R₁,R₂,...,R_J和在相应区域上的常数c₁,c₂,...,c_J，J是决策树的叶子节点树，I为指示函数，I(x∈R_j)表示当x∈R_j时I为1，否则为0；

提升回归树模型采用前向分步算法，通过优化如下损失函数学习每棵树的参数：

式中的损失函数采用平方误差，即样本的预测值和实际值差的平方和：

L(y_i,f_m-1(x_i)+T(x_i；γ_m))＝(y_i-f_m-1(x_i)-T(x_i；γ_m))²

其中，表示每棵树的参数，N表示样本的总数，y_i表示样本的实际值，f_m-1(x_i)表示当前的提升回归树模型，T(x_i；γ_m)表示下一棵决策树模型，e_m＝y_i-f_m-1(x_i)是利用当前模型f_m-1(x_i)拟合数据时导致的残差，所以利用提升回归树模型算法解决回归问题时，就只需要对每次模型拟合的残差进行拟合即可。

4.根据权利要求2所述基于数据挖掘的低功耗广域网网络规划方法，其特征在于：步骤1中采集M个LPWAN网络基站的实测数据，M取非0整数。

5.根据权利要求2所述基于数据挖掘的低功耗广域网网络规划方法，其特征在于：所述步骤5中当总目标函数值达到最小值时，将处理结果存入知识库中，完善知识数据库。