CN109788489B - 一种基站规划方法及装置 - Google Patents
一种基站规划方法及装置 Download PDFInfo
- Publication number
- CN109788489B CN109788489B CN201910129422.1A CN201910129422A CN109788489B CN 109788489 B CN109788489 B CN 109788489B CN 201910129422 A CN201910129422 A CN 201910129422A CN 109788489 B CN109788489 B CN 109788489B
- Authority
- CN
- China
- Prior art keywords
- planning
- base station
- grid
- probability
- time period
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012549 training Methods 0.000 claims abstract description 76
- 238000003062 neural network model Methods 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims description 31
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004891 communication Methods 0.000 abstract description 13
- 238000013528 artificial neural network Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 11
- 230000008878 coupling Effects 0.000 description 6
- 238000010168 coupling process Methods 0.000 description 6
- 238000005859 coupling reaction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000003287 optical effect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 239000002360 explosive Substances 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 210000004205 output neuron Anatomy 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Mobile Radio Communication Systems (AREA)
Abstract
本发明的实施例公开一种基站规划方法及装置,涉及通信技术领域,能够通过对栅格的性能数据采用BP神经网络算法预测基站规划概率,从而及时实现基站的规划。该方法包括:将待规划区域进行栅格化处理生成至少一个栅格;将获取的预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;预设模型由BP神经网络模型对训练样本集进行训练生成;训练样本集包含训练样本,训练样本包括规划时间段内栅格的历史的性能数据以及规划时间段后在栅格规划基站的第二概率,第二概率表示在规划时间段后栅格需要或者不需要规划基站;若第一概率大于预设概率阈值,则确定在栅格规划基站。本发明实施例应用于通信系统。
Description
技术领域
本发明的实施例涉及通信技术领域,尤其涉及一种基站规划方法及装置。
背景技术
目前移动通信技术飞速发展,不但4G(fourth generation communicationssystem,第四代移动通信系统)网络仍然处在飞速发展期,而且随着5G(fifth generationcommunications system,第五代移动通信系统)网络和NB-IOT(narrow band internet ofthings,窄带物联网)物联网技术逐步成熟,各大运营商都开始发力部署下一代网络,网络连接用户数和业务量都呈现出爆炸性增长,需要迅速扩大基站建设规模。
运营商在部署无线基站时,需要迅速确定哪些区域需要新增基站,哪些区域现有基站可以满足需求,以应对业务量的快速增长。现有的基站规划方案中,运营商单纯将现有网络性能数据作为用户需求的判断标准,即在当前业务量较高的区域建设较多基站,在当前业务量较低的区域减少基站投入。现有技术中网络的性能数据只能作为当前基站建设的数据参考,对未来基站选址参考意义不大,从而无法及时满足用户对网络的需求。
发明内容
本发明的实施例提供一种基站规划方法及装置,能够通过对栅格的性能数据采用BP神经网络算法预测基站规划概率,从而及时实现基站的规划。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种基站规划方法,该方法包括:将待规划区域进行栅格化处理生成至少一个栅格,其中栅格的面积为预设面积;获取栅格在预定时间的性能数据,并将预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;其中,预设模型由BP(back propagation)神经网络模型对训练样本集进行训练生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP(reference signal receiving power),平均信号与干扰加噪声比SINR(signal to interference plus noise ratio),平均物理层时频资源PRB(physicalresource block)利用率,平均无线资源控制RRC(radio resource control)连接数;第二概率为1时,表示在规划时间段后栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站;若第一概率大于预设概率阈值,则确定在栅格规划基站。
在上述方法中,首先,将待规划区域进行栅格化处理生成至少一个栅格;然后,获取栅格在预定时间的性能数据,并将预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;其中,预设模型由BP神经网络模型对训练样本集进行训练生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;第二概率为1时,表示在规划时间段后栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站;最后,若第一概率大于预设概率阈值,则确定在栅格规划基站。本发明实施例能够通过对栅格的性能数据采用BP神经网络算法预测基站规划概率,从而及时实现基站的规划。
第二方面,提供一种基站规划装置,该基站规划装置包括:处理单元,用于将待规划区域进行栅格化处理生成至少一个栅格,其中栅格的面积为预设面积;获取单元,用于获取处理单元生成的栅格在预定时间的性能数据;处理单元,用于将获取单元获取的预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;其中,预设模型由BP神经网络模型对训练样本集进行训练所生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;第二概率为1时,表示在规划时间段后栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站;处理单元,还用于若第一概率大于预设概率阈值,则确定在栅格规划基站。
可以理解地,上述提供的基站规划装置用于执行上文所提供的第一方面对应的方法,因此,其所能达到的有益效果可参考上文第一方面对应的方法以及下文具体实施方式中对应的方案的有益效果,此处不再赘述。
第三方面,提供了一种基站规划装置,该基站规划装置的结构中包括处理器和存储器,存储器用于与处理器耦合,保存该基站规划装置必要的程序指令和数据,处理器用于执行存储器中存储的程序指令,使得该基站规划装置执行第一方面的方法。
第四方面,提供一种计算机存储介质,计算机存储介质中存储有计算机程序代码,当计算机程序代码在如第三方面的基站规划装置上运行时,使得基站规划装置执行上述第一方面的方法。
第五方面,提供一种计算机程序产品,该计算机程序产品储存有上述计算机软件指令,当计算机软件指令在如第三方面的基站规划装置上运行时,使得基站规划装置执行如上述第一方面方案的程序。
附图说明
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,所描述的实施例仅仅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做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为本发明的实施例提供的一种基站规划方法的流程示意图;
图2为本发明的实施例提供的一种BP神经网络的模型图;
图3为本发明的实施例提供的一种栅格的规划示意图;
图4为本发明的实施例提供的一种基站规划装置的结构示意图;
图5为本发明的实施例提供的又一种基站规划装置的结构示意图;
图6为本发明的实施例提供的再一种基站规划装置的结构示意图。
具体实施方式
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,所描述的实施例仅仅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做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。
需要说明的是,本发明实施例中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”或者“例如”等词旨在以具体方式呈现相关概念。
还需要说明的是,本发明实施例中,“的(英文:of)”,“相应的(英文:corresponding,relevant)”和“对应的(英文:corresponding)”有时可以混用,应当指出的是,在不强调其区别时,其所要表达的含义是一致的。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不是在对数量和执行次序进行限定。
随着移动通信技术的飞速发展,5G与NB-IOT网络技术的成熟,面对爆发式的用户量和业务量增长,且基站选址往往需要考虑目标区域的覆盖率、承载能力与业务量的关系,同时还要考虑信号干扰等因素。运营商在部署无线基站时,需要迅速确定哪些区域需要新增基站,哪些区域现有基站可以满足需求,以应对业务量的快速增长。现有的基站规划方案中,运营商单纯将现有网络性能数据作为用户需求的判断标准,即在当前业务量较高的区域建设较多基站,在当前业务量较低的区域减少基站投入。现有技术中网络的性能数据只能作为当前基站建设的数据参考,对未来基站选址参考意义不大,从而无法及时满足用户对网络的需求。
基于上述的技术背景以及现有技术存在的问题,参照图1,本发明实施例提供一种基站规划方法,该方法包括:
101、将待规划区域进行栅格化处理生成至少一个栅格,其中栅格的面积为预设面积。
在步骤101之后,还包括:S1、获取训练样本集。
其中,步骤S1包括以下的一种或多种具体实现方式:
S11、确定预设周期内栅格有基站建设且话务利用率大于或等于话务利用率阈值时,则获取规划时间段栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率,并作为一条训练样本更新至训练样本集,其中第二概率为1。
示例性的,以3年为预设周期,话务利用率阈值为50%为例。通常,基站的建设周期通常为40天,则基站开通前的第40天为规划日,当确定3年内某一栅格有基站建设且话务利用率大于或等于50%时,则将基站开通前的第40天的规划日认定为规划时间段。当然,这里对规划时间段不作限定,其可以仅包含规划日,或者还包含规划日之前和/或之后的一定时长;获取该规划日内该栅格产生的平均RSRP、平均SINR、平均PRB利用率、平均RRC连接数以及该规划日后的在该栅格规划基站的第二概率,并作为一条训练样本更新至训练样本集,其中第二概率为1。
S12、确定预设周期内栅格有基站建设且话务利用率小于话务利用率阈值时,则获取规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率,并作为一条训练样本更新至训练样本集,其中第二概率为0。
示例性的,将预设周期设定为3年,话务利用率阈值设定为50%。当确定3年内某一栅格有基站建设且话务利用率小于50%时,则可以选取3年内任意一天作为预设时间段。当然,这里对规划时间段不作限定,其可以包含预设周期内的任意一天或者任意时间段。获取3年内任意一天该栅格产生的平均RSRP、平均SINR、平均PRB利用率、平均RRC连接数以及该天之后在该栅格规划基站的第二概率;其中第二概率为0。
S13、确定预设周期内栅格没有基站建设时,则获取规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率,并作为一条训练样本更新训练样本集,其中第二概率为0。
示例性的,将预设周期设定为3年,当确定某一栅格在3年内没有基站建设时,则可以选取3年内任意一天作为预设时间段。当然,这里对规划时间段不作限定,其可以包含预设周期内的任意一天或者任意时间段。获取3年内任意一天内该栅格产生的平均RSRP、平均SINR、平均PRB利用率、平均RRC连接数以及该天之后在该栅格规划基站的第二概率;其中第二概率为0。
需要说明的是,规划时间段可以在预设周期中,也可以在预设周期之前。
102、获取栅格在预定时间的性能数据,并将预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率。
其中,预设模型由BP神经网络模型对训练样本集进行训练生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;第二概率为1时,表示在规划时间段栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站。
优选的,性能数据中的平均RSRP可以是日平均RSRP,平均SINR可以是日平均SINR,平均PRB利用率可以是日平均PRB利用率,平均RRC连接数可以是日平均RRC连接数。
示例性的,预定时间可以为预定时刻、预定时间段或者预定规划日等。
需要说明的是,第一概率与第二概率均表达的是基站规划概率。
在一种实现方式中,对步骤102中生成预设模型的过程进行详细说明,具体如下:
1021、建立BP神经网络模型。其中,参照图2,BP神经网络模型包括输入层、隐含层以及输出层,输入神经元个数为4个,分别为平均RSRP,平均SINR,平均PRB利用率,平均RRC连接数;输出神经元个数为1个,具体为基站规划概率。利用Kolmogorov定理选取隐含层神经元个数为9个(2×4+1=9),初始权值和阈值随机选取,选用Sigmoid对数函数作为输出层神经元的激励函数:
1022、根据步骤1021建立的BP神经网络模型,进一步约定为输入节点数n,隐含节点数1,输出层节点数m,wij表示输入层节点i到隐含层节点j的权值,wjk表示隐含层节点j到输出层节点k的权值,aj表示输入层到隐含层节点j的阈值,bk表示隐含层到输出层节点k的阈值,η表示学习速率是,f表示激励函数,dk表示第二概率,期望输出与实际输出之间误差ek=|dk-yk|。
隐含层的输出Hj与输出层的输出yk为:
1023、通过反向传播的原理,梯度不断下降的方法得到下面的阈值调整公式以及权值调整公式:
1024、根据步骤1023,不断调整BP神经网络的权值和阈值,直到根据下式计算获得的全局误差函数E满足预测精度要求,BP神经网络模型训练完成,将训练完成的BP神经网络模型作为预设模型:
其中,y为BP神经网络的实际输出,即基站规划概率;d为BP神经网络的期望输出,E为全局误差函数。
103、若第一概率大于预设概率阈值,则确定在栅格规划基站。
示例性的,参照图3,图3中示出了根据上述的步骤101、102生成的第一概率;其中,栅格的面积为20m×20m。另外,由于基站的覆盖面积通常不止一个栅格,从图3可以得知,距离已建基站的栅格越近的栅格,计算出的第一概率越小;距离已建基站的栅格越远的栅格,计算出的第一阈值越大。预设概率阈值为95%,将规划区域中的第一概率与95%进行对比,对大于95%的第一概率对应的栅格规划基站。例如,将95%的预设概率阈值与图3中第一概率进行对比,确定在第一概率98%所对应的栅格规划基站。上述对于预设概率阈值的大小设定仅是其中的一个示例,预设概率阈值可根据需要进行设定。
在上述方法中,首先,将待规划区域进行栅格化处理生成至少一个栅格;然后,获取栅格在预定时间的性能数据,并将预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;其中,预设模型由BP神经网络模型对训练样本集进行训练生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;第二概率为1时,表示在规划时间段后栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站;最后,若第一概率大于预设概率阈值,则确定在栅格规划基站。本发明实施例能够通过对栅格的性能数据采用BP神经网络算法预测基站规划概率,从而及时实现基站的规划。
参照图4,本发明实施例提供一种基站规划装置40,该基站规划装置40包括:
处理单元402,用于将待规划区域进行栅格化处理生成至少一个栅格,其中栅格的面积为预设面积。
获取单元401,用于获取处理单元402生成的栅格在预定时间的性能数据。
处理单元402,用于将获取单元401获取的预定时间的性能数据输入预设模型生成预定时间之后在栅格规划基站的第一概率;其中,预设模型由BP神经网络模型对训练样本集进行训练生成,训练样本集包含至少一条训练样本,训练样本包括规划时间段内任一栅格的历史的性能数据以及规划时间段后在任一栅格规划基站的第二概率,性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;第二概率为1时,表示在规划时间段后栅格需要规划基站,第二概率为0时,表示在规划时间段后栅格不需要规划基站。
处理单元402,还用于若第一概率大于预设概率阈值,则确定在栅格规划基站。
在一种示例性的方案中,获取单元401,具体用于确定预设周期内栅格有基站建设且话务利用率大于或等于话务利用率阈值时,则获取规划时间段栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率。
处理单元402,用于将获取单元401获取的规划时间段栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率作为一条训练样本更新至训练样本集,其中第二概率为1。
在一种示例性的方案中,获取单元401,具体用于确定预设周期内栅格有基站建设且话务利用率小于话务利用率阈值时,则获取规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率。
处理单元402,用于将获取单元401获取的规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率作为一条训练样本更新至训练样本集,其中第二概率为0。
在一种示例性的方案中,获取单元401,具体用于确定预设周期内栅格没有基站建设时,则获取规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率。
处理单元402,用于将获取单元401获取的规划时间段内栅格产生的历史的性能数据以及规划时间段后在栅格规划基站的第二概率作为一条训练样本更新训练样本集,其中第二概率为0。
由于本发明实施例中的基站规划装置可以应用于实施上述方法实施例,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
在采用集成的单元的情况下,图5示出了上述实施例中所涉及的基站规划装置40的一种可能的结构示意图。基站规划装置40包括:处理模块501、通信模块502和存储模块503。处理模块501用于对基站规划装置40的动作进行控制管理,例如,处理模块501用于支持基站规划装置40执行图1中的过程101~103。通信模块502用于支持基站规划装置40与其他实体的通信。存储模块503用于存储基站规划装置40的程序代码和数据。
其中,处理模块501可以是处理器或控制器,例如可以是中央处理器(centralprocessing unit,CPU),通用处理器,数字信号处理器(digital signal processor,DSP),专用集成电路(application-specific integrated circuit,ASIC),现场可编程门阵列(field programmable gate array,FPGA)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框,模块和电路。处理器也可以是实现计算功能的组合,例如包含一个或多个微处理器组合,DSP和微处理器的组合等等。通信模块502可以是收发器、收发电路或通信接口等。存储模块503可以是存储器。
当处理模块501为如图6所示的处理器,通信模块502为图6的收发器,存储模块503为图6的存储器时,本申请实施例所涉及的基站规划装置40可以为如下的基站规划装置40。
参照图6所示,该基站规划装置40包括:处理器601、收发器602、存储器603和总线604。
其中,处理器601、收发器602、存储器603通过总线604相互连接;总线604可以是外设部件互连标准(peripheral component interconnect,PCI)总线或扩展工业标准结构(extended industry standard architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,图中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
处理器601可以是一个通用中央处理器(Central Processing Unit,CPU),微处理器,特定应用集成电路(Application-Specific Integrated Circuit,ASIC),或一个或多个用于控制本申请方案程序执行的集成电路。
存储器603可以是只读存储器(Read-Only Memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(Random Access Memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-only Memory,EEPROM)、只读光盘(Compact Disc Read-Only Memory,CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。存储器可以是独立存在,通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中,存储器603用于存储执行本申请方案的应用程序代码,并由处理器601来控制执行。收发器602用于接收外部设备输入的内容,处理器601用于执行存储器603中存储的应用程序代码,从而实现本申请实施例中的交易跟踪方法。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本发明实施例还提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现上述的基站规划方法。
应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的设备、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、设备和方法,可以通过其它的方式实现。例如,以上所描述的设备实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
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单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件程序实现时,可以全部或部分地以计算机程序产品的形式来实现。该计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行计算机程序指令时,全部或部分地产生按照本申请实施例的流程或功能。计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,计算机指令可以从一个网站站点、计算机、服务器或者数据中心通过有线(例如同轴电缆、光纤、数字用户线(DigitalSubscriber Line,DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可以用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质(例如,软盘、硬盘、磁带),光介质(例如,DVD)、或者半导体介质(例如固态硬盘(Solid State Disk,SSD))等。
本发明实施例还提供一种计算机程序产品,该计算机程序产品可直接加载到存储器中,并含有软件代码,该计算机程序产品经由计算机载入并执行后能够实现上述的基站规划方法。
以上,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围为准。
Claims (11)
1.一种基站规划方法,其特征在于,包括:
将待规划区域进行栅格化处理生成至少一个栅格,其中所述栅格的面积为预设面积;
获取所述栅格在预定时间的性能数据,并将所述预定时间的性能数据输入预设模型生成所述预定时间之后在所述栅格规划基站的第一概率;其中,所述预设模型由BP神经网络模型对训练样本集进行训练生成,所述训练样本集包含至少一条训练样本,所述训练样本包括规划时间段内任一所述栅格的历史的性能数据以及所述规划时间段后在任一所述栅格规划基站的第二概率,所述性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;所述第二概率为1时,表示在所述规划时间段后所述栅格需要规划基站,所述第二概率为0时,表示在所述规划时间段后所述栅格不需要规划基站;
若所述第一概率大于预设概率阈值,则确定在所述栅格规划基站。
2.根据权利要求1所述的基站规划方法,其特征在于,获取所述训练样本集,具体包括:确定预设周期内所述栅格有基站建设且话务利用率大于或等于话务利用率阈值时,则获取所述规划时间段所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率,并作为一条所述训练样本更新至所述训练样本集,其中所述第二概率为1。
3.根据权利要求1所述的基站规划方法,其特征在于,获取所述训练样本集,具体包括:确定预设周期内栅格有基站建设且话务利用率小于话务利用率阈值时,则获取所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率,并作为一条所述训练样本更新至所述训练样本集,其中所述第二概率为0。
4.根据权利要求1所述的基站规划方法,其特征在于,获取所述训练样本集,具体包括:确定预设周期内栅格没有基站建设时,则获取所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后的预设周期内在所述栅格规划基站的第二概率,并作为一条所述训练样本更新至所述训练样本集,其中所述第二概率为0。
5.一种基站规划装置,其特征在于,包括:
处理单元,用于将待规划区域进行栅格化处理生成至少一个栅格,其中所述栅格的面积为预设面积;
获取单元,用于获取所述处理单元生成的所述栅格在预定时间的性能数据;
所述处理单元,用于将所述获取单元获取的所述预定时间的性能数据输入预设模型生成所述预定时间之后在所述栅格规划基站的第一概率;其中,所述预设模型由BP神经网络模型对训练样本集进行训练生成,所述训练样本集包含至少一条训练样本,所述训练样本包括规划时间段内任一所述栅格的历史的性能数据以及所述规划时间段后在任一所述栅格规划基站的第二概率,所述性能数据包括以下的一项或多项:平均参考信号接收功率RSRP,平均信号与干扰加噪声比SINR,平均物理层时频资源PRB利用率,平均无线资源控制RRC连接数;所述第二概率为1时,表示在所述规划时间段后需要规划基站,所述第二概率为0时,表示在所述规划时间段后所述栅格不需要规划基站;
所述处理单元,还用于若所述第一概率大于预设概率阈值,则确定在所述栅格规划基站。
6.根据权利要求5所述的基站规划装置,其特征在于,包括:
所述获取单元,具体用于确定预设周期内所述栅格有基站建设且话务利用率大于或等于话务利用率阈值时,则获取所述规划时间段所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率;
所述处理单元,用于将所述获取单元获取的所述规划时间段所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率作为一条所述训练样本更新至所述训练样本集,其中所述第二概率为1。
7.根据权利要求5所述的基站规划装置,其特征在于,包括:
所述获取单元,具体用于确定预设周期内栅格有基站建设且话务利用率小于话务利用率阈值时,则获取所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率;
所述处理单元,用于将所述获取单元获取的所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率作为一条所述训练样本更新至所述训练样本集,其中所述第二概率为0。
8.根据权利要求5所述的基站规划装置,其特征在于,包括:
所述获取单元,具体用于确定预设周期内栅格没有基站建设时,则获取所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率;
所述处理单元,用于将所述获取单元获取的所述规划时间段内所述栅格产生的所述历史的性能数据以及所述规划时间段后在所述栅格规划基站的第二概率作为一条所述训练样本更新所述训练样本集,其中所述第二概率为0。
9.一种基站规划装置,其特征在于,所述基站规划装置的结构中包括处理器和存储器,存储器用于与处理器耦合,保存所述基站规划装置必要的程序指令和数据,处理器用于执行存储器中存储的程序指令,使得所述基站规划装置执行如权利要求1-4任一项的基站规划方法。
10.一种计算机存储介质,其特征在于,计算机存储介质中存储有计算机程序代码,当计算机程序代码在如权利要求9所述的基站规划装置上运行时,使得所述基站规划装置执行如权利要求 1-4任一项的基站规划方法。
11.一种计算机程序产品,其特征在于,计算机程序产品储存有计算机软件指令,当计算机软件指令在如权利要求9的基站规划装置上运行时,使得所述基站规划装置执行如权利要求 1-4任一项的基站规划方法的程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129422.1A CN109788489B (zh) | 2019-02-21 | 2019-02-21 | 一种基站规划方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910129422.1A CN109788489B (zh) | 2019-02-21 | 2019-02-21 | 一种基站规划方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109788489A CN109788489A (zh) | 2019-05-21 |
CN109788489B true CN109788489B (zh) | 2022-03-18 |
Family
ID=66504765
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910129422.1A Active CN109788489B (zh) | 2019-02-21 | 2019-02-21 | 一种基站规划方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109788489B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110557767B (zh) * | 2019-09-06 | 2023-05-02 | 华南师范大学 | 一种基站调配方法、装置及设备 |
CN113133006B (zh) * | 2019-12-31 | 2023-09-12 | 华为技术服务有限公司 | 规划基站站址的方法和装置 |
CN113068208B (zh) * | 2020-01-02 | 2022-12-23 | 中国移动通信集团广东有限公司 | Spm组合模型的训练方法、无线信号仿真的方法及服务器 |
CN114390582B (zh) * | 2020-10-21 | 2023-07-25 | 中国移动通信集团设计院有限公司 | 基站站址预测方法及装置 |
CN114630356B (zh) * | 2020-12-11 | 2024-02-27 | 中移(成都)信息通信科技有限公司 | 一种基站确定方法、装置、设备及存储介质 |
CN113453253B (zh) * | 2021-06-23 | 2022-09-02 | 中国联合网络通信集团有限公司 | 全量用户量评估方法和装置 |
CN113726586B (zh) * | 2021-10-20 | 2023-03-24 | 中国联合网络通信集团有限公司 | 网络切片部署方法、装置、服务器及计算机可读存储介质 |
CN114222308A (zh) * | 2021-12-17 | 2022-03-22 | 哈尔滨翰才科技有限公司 | 一种5g网络规划方法及系统 |
CN114302412A (zh) * | 2021-12-27 | 2022-04-08 | 中国电信股份有限公司 | 基站建设智能规划方法及装置、存储介质、终端设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740307A (zh) * | 2011-03-30 | 2012-10-17 | 富士通株式会社 | 用于规划、设计和评估无线网络的方法和系统 |
CN108243425A (zh) * | 2016-12-23 | 2018-07-03 | 中国移动通信集团公司 | 一种待建基站的位置确定方法及装置 |
CN108876144A (zh) * | 2018-06-13 | 2018-11-23 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习算法的变电站预选址方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8929931B1 (en) * | 2011-10-25 | 2015-01-06 | Time Warner Cable Enterprises Llc | Resource installation management in a wireless network |
US20140357281A1 (en) * | 2013-06-04 | 2014-12-04 | King Abdulaziz City For Science And Technology | Method of optimizing locations of cellular base stations |
-
2019
- 2019-02-21 CN CN201910129422.1A patent/CN109788489B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102740307A (zh) * | 2011-03-30 | 2012-10-17 | 富士通株式会社 | 用于规划、设计和评估无线网络的方法和系统 |
CN108243425A (zh) * | 2016-12-23 | 2018-07-03 | 中国移动通信集团公司 | 一种待建基站的位置确定方法及装置 |
CN108876144A (zh) * | 2018-06-13 | 2018-11-23 | 国网山东省电力公司经济技术研究院 | 一种基于深度学习算法的变电站预选址方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109788489A (zh) | 2019-05-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109788489B (zh) | 一种基站规划方法及装置 | |
JP6998964B2 (ja) | ジオフェンスのインデックスグリッドを判断するための方法及び装置 | |
CN110474808B (zh) | 一种流量预测方法及装置 | |
CN111866775A (zh) | 一种业务编排方法及装置 | |
CN113850394B (zh) | 联邦学习方法、装置、电子设备及存储介质 | |
CN114614989A (zh) | 基于数字孪生技术的网络业务的可行性验证方法及装置 | |
CN109144730A (zh) | 一种小小区下任务卸载方法及装置 | |
CN113159188B (zh) | 用于图像分类的模型生成方法、装置、设备及存储介质 | |
CN103399799A (zh) | 云操作系统中计算物理资源节点负载评价的方法及装置 | |
CN114020469A (zh) | 基于边缘节点的多任务学习方法、装置、介质与设备 | |
CN112738815B (zh) | 一种可接入用户数的评估方法和装置 | |
CN115396515A (zh) | 资源调度方法、装置及存储介质 | |
CN109362027B (zh) | 定位方法、装置、设备及存储介质 | |
CN110958565B (zh) | 计算信号距离的方法、装置、计算机设备和存储介质 | |
JP2021082874A (ja) | モデル化方法、モデル化プログラム及び情報処理装置 | |
CN112699336A (zh) | 基于八向高程差的地表径流流域空间离散化方法及装置 | |
CN115190021B (zh) | 面向确定性时延业务的切片部署方法及相关设备 | |
CN115225671B (zh) | AIoT智慧医疗多址边缘卸载方法、系统、设备及介质 | |
JP7451653B2 (ja) | 分子セット生成方法及び装置、端末及び記憶媒体 | |
JP7367257B1 (ja) | 通信管理装置および通信管理方法 | |
CN111127258B (zh) | 用于确定具有多业态的地块中业态容积率的方法及装置 | |
CN115965070B (zh) | 计算图处理方法、装置、设备、存储介质以及程序产品 | |
CN116958149B (zh) | 医疗模型训练方法、医疗数据分析方法、装置及相关设备 | |
KR102163214B1 (ko) | CoMP 기반 스몰 셀 네트워크에서의 기계학습을 활용한 능동 캐싱 기법 | |
US20230206075A1 (en) | Method and apparatus for distributing network layers in neural network model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |