CN109874146A - 一种预测路损的方法及装置 - Google Patents

Abstract

本申请实施例公开了一种预测路损的方法及装置，以解决现有在预测传播路损时，对传播校正导致的预测效率低下的问题。该方法包括：获取样本数据，其中，样本数据包括影响发射机与小区间无线传播的特征参数、特征参数的参数值、以及小区中各接收机与发射机间的实测路损；对特征参数进行栅格化处理生成特征图像；根据特征图像和实测路损构建深度学习模型，其中，深度学习模型的输入变量为特征图像，深度学习模型的输出变量用于表示小区中各接收机与发射机间的路损；利用构建后的深度学习模型预测路损。本申请实施例提供的方法用于预测发射机与接收机间的路损。

Description

一种预测路损的方法及装置

技术领域

本申请实施例涉及通信技术领域，尤其涉及一种预测路损的方法及装置。

背景技术

在现有的网络规划技术中，无线网络规划设计最终确定的方案很大程度上取决于仿真覆盖预测的效果，而覆盖预测的效果又受制于各个小区选择的传播模型(propagationmodel)，选择的传播模型的精确性以及适用范围，会影响到整体的规划设计质量。

当前，业界通常选择下述三类传播模型进行覆盖预测：确定型传播模型、经验传播模型、基于大数据的分类拟合模型。但是，由于规划场景的多样性、复杂性，这三类传播模型都需要根据实际场景数据进行传播模型校正才能够预测路损，进而根据预测路损预测出网络覆盖情况，预测效率低下。

发明内容

本申请实施例提供一种预测路损的方法及装置，以解决现有在预测传播路损时，对传播校正导致的预测效率低下的问题。

为达到上述目的，本申请实施例采用如下技术方案：

第一方面，本申请实施例提供了一种预测路损的方法，包括：获取样本数据，其中，样本数据包括影响发射机与小区间无线传播的特征参数、特征参数的参数值、以及小区中各接收机与发射机间的实测路损，对特征参数进行栅格化处理生成特征图像，根据特征图像和实测路损构建深度学习模型，其中，深度学习模型的输入变量为特征图像，深度学习模型的输出变量用于表示小区中各接收机与发射机间的路损；利用构建后的深度学习模型预测路损。

基于上述方案，可以通过获取现网中的样本数据，根据该样本数据构建深度学习模型，得到影响发射机与接收机间无线传播的各个特征参数与路损之间的模型映射关系，并利用该模型映射关系预测路损，无需对现有传播模型进行校正，提高了预测路损的效率。

结合第一方面，在第一方面的第一种可能的实现方式中，对特征参数进行栅格化处理生成特征图像，包括：以发射机为中心建立栅格图像，其中，栅格图像包括至少一个栅格，不同栅格位于不同的坐标位置；遍历栅格图像中的每个栅格，将栅格作为一个像素点，将像素点对应的特征参数的参数值作为像素点的取值；将遍历后的栅格图像作为特征图像。

如此，可以通过栅格化方法生成与特征参数对应的特征图像，满足深度学习的图像输入要求。

结合第一方面或者第一方面的第一种可能的实现方式，在第一方面的第二种可能的实现方式中，特征参数包括：建筑物高度、地物类型、海拔高度、与发射机间的距离、发射机的水平方位角、发射机的垂直方位角、发射机距地面的高度、发射机发送信号的频率以及发射机的发射功率等特征中的至少一种特征。

如此，可以将实际的地理特征和发射机自身特征作为影响发射机与接收机间无线传播的特征参数，无需提取复杂特征，增强了深度学习模型对通信场景的适应性。

结合第一方面或者第一方面的任一可能的实现方式，在第一方面的第三种可能的实现方式中，为了提高深度学习模型预测出的路损的精度，在根据特征图像和实测路损构建深度学习模型之前，还包括对样本数据进行过滤处理；对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理；对归一化处理后的特征参数进行栅格化处理生成特征图像，并通过模型翻转或者模型旋转增加特征图像的个数。

如此，可以对样本数据进行过滤清洗，提高样本数据的质量，同时，增加特征图像的个数，提高可深度学习模型的信息输入能力。

结合第一方面或者第一方面的任一可能的实现方式，在第一方面的第四种可能的实现方式中，深度学习模型的输出变量为路损对应的特征图像或者路损对应的向量。

如此，可以通过特征图像或者向量来表示深度学习模型的输出变量，提高了深度学习模型的输出灵活性。

第二方面，本申请实施例提供了一种预测路损的装置，包括：

获取单元，用于获取样本数据，其中，样本数据包括影响发射机与小区间无线传播的特征参数、特征参数的参数值、以及小区中的接收机与发射机间的实测路损，特征参数的参数值与坐标位置对应，实测路损与接收机的坐标位置对应；

图像生成单元，用于对特征参数进行栅格化处理生成特征图像，其中，特征图像包括至少一个像素点，每个像素点对应一个参数值；

模型构建单元，用于根据特征图像和实测路损构建深度学习模型，其中，深度学习模型的输入变量为特征图像，深度学习模型的输出变量用于表示发射机与小区间的路损；

预测单元，用于利用构建后的深度学习模型预测路损。

其中，预测路损的装置的具体实现方式可以参考上述第一方面或上述第一方面的可能的实现方式提供的预测路损的方法中的实现方式，在此不再赘述。因此，该方面提供的预测路损的装置可以达到与上述第一方面相同的有益效果。

一方面，本申请实施例提供了一种预测路损的装置，该预测路损的装置可以实现上述第一方面中预测路损的装置所执行的功能，所述功能可以通过硬件实现，也可以通过硬件执行相应的软件实现。所述硬件或软件包括一个或多个上述功能相应的模块。

在一种可能的设计中，该预测路损的装置的结构中包括处理器和通信接口，该处理器被配置为支持该预测路损的装置执行上述方法中相应的功能。该通信接口用于支持该预测路损的装置与其他网元之间的通信。该预测路损的装置还可以包括存储器，该存储器用于与处理器耦合，其保存该预测路损的装置必要的程序指令和数据。

一方面，本申请实施例提供了一种计算机存储介质，用于储存为上述预测路损的装置所用的计算机软件指令，该计算机软件指令包含用于执行上述方面所述方案的程序。

一方面，本申请实施例提供了一种计算机程序产品，该程序产品储存有上述预测路损的装置所用的计算机软件指令，该计算机软件指令包含用于执行上述方面所述方案的程序。

一方面，本申请实施例提供了一种装置，该装置以芯片的产品形态存在，该装置的结构中包括处理器和存储器，该存储器用于与处理器耦合，保存该装置必要的程序指令和数据，该处理器用于执行存储器中存储的程序指令，使得该装置执行上述方法中与预测路损的装置相应的功能。

附图说明

图1为本申请实施例提供的原理框图；

图2为本申请实施例提供的一种预测路损的装置组成示意图；

图3为本申请实施例提供的一种预测路损的方法流程图；

图3a为本申请实施例提供的栅格化示意图；

图3b为本申请实施例提供的一种特征参数与路损间的映射关系示意图；

图3c为本申请实施例提供的又一种特征参数与路损间的映射关系示意图；

图3d为本申请实施例提供的一种卷积神经网络的组成示意图；

图4为本申请实施例提供的又一种预测路损的装置组成示意图；

图5为本申请实施例提供的再一种预测路损的装置组成示意图。

具体实施方式

本申请实施例的基本原理如图1所示，包括：提取影响发射机与小区间接收机间无线传播的特征参数、以及发射机与接收机间实际测量的路损(简称实测路损)，对特征参数进行栅格化处理生成特征图像，利用特征图像和实测路损构建深度学习模型(如卷积神经网络模型)，该深度学习模型用于表示影响发射机与小区间接收机间无线传播的特征参数与路损之间的关系，后续，当预测发射机与接收机间的路损时，可以将影响发射机与接收机间无线传播的特征参数输入该深度学习模型预测发射机与接收机间的路损，无需通过校正现有传播模型进行路损预测，提高了预测效率。

下面结合附图对本申请实施例的实施方式进行详细描述。

本申请实施例提供的预测路损的方法可以用于预测下述任一无线通信系统中发射机与接收机间的路损：通用移动通信系统(Universal Mobile TelecommunicationsSystem，UMTS)、长期演进(long term evolution，LTE)系统、第五代移动通信技术(5-Generation，5G)等，其中，在本申请实施例中，发射机可以为基站(nodeB，NB)、演进型基站(evolution nodeB，eNB)、接入节点、下一代基站(generation nodeB，gNB)、收发点(transmission receive point，TRP)、传输点(transmission point，TP)等任一接入设备或某集成在接入设备中的天线阵列；接收机可以为终端设备等接收设备、或者集成在接收设备中的天线阵列等。该预测路损的方法可以由图2所示的预测路损的装置执行，也可以由任一能够执行本申请实施例提供的预测路损的方法的计算机执行，不予限制。

图2为本申请实施例提供的一种预测路损的装置的组成示意图，该装置可以单独部署在网络规划系统中，也可以集成在网络规划系统的某个服务器中，不予限制。如图2所示，该预测路损的装置可以包括该预测路损的装置200包括至少一个处理器201，通信线路202，存储器203以及至少一个通信接口204。

处理器201可以是一个中央处理器(central processing unit，CPU)，也可以是特定集成电路(application specific integrated circuit，ASIC)，或者是被配置成实施本申请实施例的一个或多个集成电路，例如：一个或多个微处理器(digital signalprocessor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)。

通信线路202可包括一通路，在上述组件之间传送信息。

存储器203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，通过通信线路202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203用于存储执行本申请方案的计算机执行指令，并由处理器201来控制执行。处理器201用于执行存储器203中存储的计算机执行指令，从而实现本申请下述实施例提供的预测路损的方法。可选的，本申请实施例中的计算机执行指令也可以称之为应用程序代码，本申请实施例对此不作具体限定。

通信接口204，使用任何收发器一类的装置，用于与其他设备或通信网络通信，如以太网，无线接入网(radio access network，RAN)，无线局域网(wireless local areanetworks，WLAN)等。

在具体实现中，作为一种实施例，处理器201可以包括一个或多个CPU，例如图2中的CPU0和CPU1。

在具体实现中，作为一种实施例，预测路损的装置200可以包括多个处理器，例如图2中的处理器201和处理器207。这些处理器中的每一个可以是一个单核处理器，也可以是一个multi-CPU处理器。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。

在具体实现中，作为一种实施例，预测路损的装置200还可以包括输出设备205和输入设备206。输出设备205和处理器201通信，可以以多种方式来显示信息。例如，输出设备205可以是液晶显示器(liquid crystal display，LCD)，发光二级管(light emittingdiode，LED)显示设备，阴极射线管(cathode ray tube，CRT)显示设备，或投影仪(projector)等。输入设备206和处理器201通信，可以以多种方式接收用户的输入。例如，输入设备206可以是鼠标、键盘、触摸屏设备或传感设备等。

上述的预测路损的装置200可以是一个通用设备或者是一个专用设备。在具体实现中，预测路损的装置200可以是台式机、便携式电脑、网络服务器、移动手机、平板电脑、无线终端设备、嵌入式设备或有图2中类似结构的设备。本申请实施例不限定预测路损的装置200的类型。

下面结合图2所示装置，对本申请实施例提供的预测路损的方法进行详细描述。图3为本申请实施例提供的一种预测路损的方法流程图，该方法由图2所示装置执行，如图3所示，该方法可以包括：

步骤301：获取样本数据。

其中，上述样本数据与小区对应，不同小区对应的样本数据可以相同或者不同，每个小区对应的样本数据可以包括影响发射机与小区间无线传播的特征参数、特征参数的参数值、小区中各接收机与发射机间的实测路损，还可以包括其他信息，不予限制。在本申请实施例中，特征参数的参数值与坐标位置对应，不同坐标位置对应的特征参数的参数值可以不同；实测路损与接收机的坐标位置对应，不同坐标位置上的接收机与发射机间的实测路损可以不同，该实测路损可以携带在测量报告(measurement report，MR)中，以便预测路损的装置从MR中获取接收机与发射机间的实测路损，坐标位置可以指用经度和纬度表示的位置信息。

上述影响发射机与小区间无线传播的特征参数可以包括发射机所覆盖的小区的地理特征和发射机的工参信息。其中，地理特征可以包括建筑物高度、地物类型、海拔高度、与发射机间的距离等特征中的至少一种特征，建筑物高度可以指建筑物的最高点距离地面的直线距离，地物类型可以指地表上部署的事物的类型，如可以为建筑物、通信设备等不同类型的事物，海拔高度可以指建筑物的最高点距离海平面的高度；与发射机间的距离可以指坐标位置与发射机间的直线距离。在本申请实施例中，可以通过查询地理信息系统(geographic information system)中的三维(3 Dimensions，3D)地图确定每个地理特征的参数值(即地理特征的取值)，其中，地物类型的取值可以为数字或者字母或者其他取值符号，不予限制，如：假设用1代表建筑物，用2代表通信设备，当某坐标位置上部署有建筑物时，与该坐标位置对应的地物类型的取值为1。需要说明的是，在本申请实施例中，可以将某个区域的中心点看做为一个坐标位置，将该区域中最高的建筑物的高度作为该坐标位置对应的建筑物高度，将该区域中部署的个数最多的同类事物作为该坐标位置对应的地物类型，将该区域中最高的建筑物的高度作为该坐标位置对应的海拔高度。

其中，发射机的工参信息可以包括发射机的水平方位角、发射机的垂直方位角、发射机距地面的高度、发射机发送信号的频率以及发射机的发射功率中的至少一种特征；发射机的水平方位角可以指发射机的主瓣方向与该发射机与坐标位置间的连线的夹角，发射机的垂直方位角可以指发射机的下倾角与该发射机与坐标位置间的连线的夹角，发射机距离地面的高度可以指发射机的最高点距离地表的直线距离，发射机发送信号的频率可以指发射机向某坐标位置发送信号的频率，发射机的发射功率可以指发射机向某坐标位置发送信号的功率。在本申请实施例中，可以从发射机的配置信息中获取发射机的工参信息。

需要说明的是，本申请实施例所述的路损还可以替换为其他用于表征发射机到接收机的传播特征对电磁波的传播影响严重程度的技术术语，如：电平或者参考信号接收功率Reference Signal Receiving Power，RSRP)，不予限制。此外，为了提高后续深度学习模型构建的准确性，步骤301中可以获取大量的样本数据，即获取发射机覆盖的多个小区对应的样本数据。

步骤302：对特征参数进行栅格化处理生成特征图像，其中，特征图像包括至少一个像素点，每个像素点对应一个参数值。

其中，对特征参数进行栅格化处理生成特征图像可以包括下述(1)～(3)所示步骤：

(1)以发射机为中心建立栅格图像。

其中，栅格图像为二维平面图像，该栅格图像对应以发射机为中心的覆盖区域，该覆盖区域可以为一规则区域(如正方形区域或者矩形区域)，该覆盖区域的大小尺寸不予限制，如：可以对发射机为中心的50m*50m或者100m*100m的覆盖区域进行栅格化处理得到栅格图像。例如，如图3a所示，将以发射机为中心的覆盖区域划分为多个栅格，将划分后的图像作为栅格图像，其中，每个栅格的大小相同，每个栅格的长度和宽度可以相同，如可以为10m或者20m，在本申请实施例中，可以将栅格图像中的每个栅格看做为一个像素点，该像素点的坐标位置可以为栅格的中心位置。

(2)遍历栅格图像中的每个栅格，将栅格作为一个像素点，将像素点对应的特征参数的参数值作为像素点的取值。

其中，可以将栅格的中心坐标作为像素点的坐标位置，将该坐标位置对应的特征参数的参数值赋予该像素点。

(3)将遍历后的栅格图像作为特征图像。

需要说明的是，当某个像素点不存在与其对应的特征参数的参数值时，可以将该像素点赋予0。此外，对于每类特征参数均可以采用上述(1)～(3)的过程生成特征图像，如：在本申请实施例中，可以将建筑物高度、地物类型、海拔高度、与发射机间的距离、发射机的水平方位角、发射机的垂直方位角、发射机距地面的高度、发射机发送信号的频率以及发射机的发射功率这9个特征参数，分别执行上述过程生成9个特征图像。

步骤303：根据特征图像和实测路损构建深度学习模型，其中，深度学习模型的输入变量为特征图像，深度学习模型的输出变量用于表示发射机与小区中各个接收机间的路损。

其中，上述深度学习模型可以用于表示特征参数与路损间的函数关系，上述深度学习模型的输出变量可以为深度学习模型预测出来的发射机与小区中各个接收机间的路损。如图3b所示，深度学习模型的输出变量可以为路损对应的特征图像，该路损对应的特征图像与坐标位置上的路损对应，该路损对应的特征图像是各个特征参数对应的特征图像经过深度学习模型的深度学习后得到的特征图像，即该深度学习模型实现了图像到图像的映射；或者，如图3c所示，深度学习模型的输出变量为路损对应的向量，该向量中的元素与坐标位置上的路损相对应，该向量是各个特征参数对应的特征图像经过深度学习模型的深度学习后得到的向量，即该深度学习模型实现了图像到向量的映射。

可选的，上述深度学习模型为卷积神经网络(convolutional neural networks，CNN)，根据特征图像和实测路损构建深度学习模型的过程包括：

将特征参数对应的特征图像输入到卷积神经网络，输出发射机与接收机间的路损；

将卷积神经网络输出的路损与实测路损间的误差返向输入到卷积神经网络，调整卷积神经网络的参数；

重复上述过程，直至卷积神经网络输出的路损与实测路损间的误差收敛，至此，卷积神经网络构建完成。需要说明的是，在构建深度学习模型的过程中，每次输入到卷积神经网络的特征图像为不同小区对应的样本数据中的特征参数的特征图像。

其中，上述卷积神经网络可以为一个多层的神经网络，每层由多个二维平面组成，每个平面由多个独立神经元组成，如：该卷积神经网络可以包括输入层、卷积层、池化层(如最大池化层、最小池化层)、Inception V3层、上采样层、输出层等多个层。具体的，卷积神经网络的描述可参照现有技术，在此不再赘述。

例如，如图3d所示，特征图像通过输入层输入到卷积神经网络之后，经过卷积层、最大池化层、卷积层、最大池化层、Inception V3层、Inception V3层、上采样层、卷积层、上采样层、卷积层的相关处理，预测出发射机与接收机间的路损，该路损经过输出层输出后，与实测路损进行比较，该路损与实测路损间的误差通过反向传播至卷积神经网络的输入层，用于调整卷积神经网络中各层间的参数。

步骤304：利用构建后的深度学习模型预测路损。

其中，利用构建后的深度学习模型预测路损可以指：预测上述发射机与其他小区中的接收机间的路损，或者预测其他发射机与其他小区中的接收间的路损，不予限制。

例如，假设利用发射机1与小区1～小区1000间的特征参数、以及发射机1与小区1～小区1000中的接收机的实测路损构建出深度学习模型，该深度学习模型可以预测发射机1与小区1001中接收机间的路损，还可以预测发射机2与其他小区中的接收机间的路损。

与现有技术相比，在图3所示方案中，获取现网中的样本数据，根据该样本数据构建深度学习模型，得到影响发射机与接收机间无线传播的各个特征参数与路损之间的模型映射关系，利用该模型映射关系预测路损。如此，无需对现有传播模型进行校正，提高了预测路损的效率。

进一步的，在图3所示方案中，为了提高预测出的路损的精度，在根据特征图像和实测路损构建深度学习模型之前，所述方法还包括：

对样本数据进行过滤处理；

对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理；

所述对特征参数进行栅格化处理生成特征图像，包括：

对归一化处理后的特征参数进行栅格化处理生成特征图像，并通过模型翻转或者模型旋转增加特征图像的个数，进而提高输入到深度学习模型的特征图像的个数，其中，模型翻转可以指将特征图像中的像素点进行上下或者左右对称翻转，模型旋转指将特征图像中的像素点进行一定角度(如60度或者80度等角度)的旋转。

其中，可以通过离群点判别(如箱型图法)、栅格信息准确性判别、小区信息量判别等方法对样本数据进行过滤处理，以清除噪声影响。离群点判别可以指：对于某个位置区域(如一个栅格)上的多个实测路损，去除取值偏大或者偏小的实测路损，将去除后的任一实测路损或者去除后的实测路损的平均值作为该位置区域对应的实测路损；栅格信息准确性判别可以指：若某个位置区域对应的实测路损的取值小于预设阈值，则将该位置区域设置为无效区域，其中，预设阈值可以根据需要进行设置，不予限制；小区信息量判别可以指：当某个小区对应的无效区域的个数大于等于预设个数时，删除该小区对应的样本数据，其中，预设个数可以根据需要进行设置，不予限制。

对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理可以包括：对特征参数的参数值和实测路损的取值单位进行量纲处理，以消除不同特征之间量纲的影响。可选的，选择max-min方法对对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理。

上述主要从各个节点之间交互的角度对本申请实施例提供的方案进行了介绍。可以理解的是，预测路损的装置为了实现上述功能，其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到，结合本文中所公开的实施例描述的各示例的算法步骤，本申请能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行，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。

本申请实施例可以根据上述方法示例对预测路损的装置进行功能模块的划分，例如，可以对应各个功能划分各个功能模块，也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。需要说明的是，本申请实施例中对模块的划分是示意性的，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。

在采用对应各个功能划分各个功能模块的情况下，图4示出了预测路损的装置的又一种可能的组成示意图，该预测路损的装置可以用于执行上述方法实施例涉及的方案。如图4所示，该预测路损的装置可以包括：获取单元40、图像生成单元41、模型构建单元42、预测单元43，过滤清洗单元44。

其中，获取单元40，用于获取样本数据，其中，样本数据包括影响发射机与小区间无线传播的特征参数、特征参数的参数值、以及小区中的接收机与发射机间的实测路损，特征参数的参数值与坐标位置对应，实测路损与接收机的坐标位置对应；如：获取单元40用于支持预测路损的装置执行步骤301。

图像生成单元41，用于对特征参数进行栅格化处理生成特征图像，其中，特征图像包括至少一个像素点，每个像素点对应一个参数值；如：图像生成单元41用于支持预测路损的装置执行步骤302。

模型构建单元42，用于根据特征图像和实测路损构建深度学习模型，其中，深度学习模型的输入变量为特征图像，深度学习模型的输出变量用于表示发射机与小区间的路损；如：模型构建单元42用于支持预测路损的装置执行步骤303。

预测单元43，用于利用构建后的深度学习模型预测路损；如：预测单元43用于支持预测路损的装置执行步骤304。

进一步的，如图4所示，该装置还可以包括：过滤清洗单元44，用于在模型构建单元42根据特征图像和实测路损构建深度学习模型之前，对样本数据进行过滤处理，对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理；

图像生成单元41，具体用于对归一化处理后的特征参数进行栅格化处理生成特征图像，并通过模型翻转或者模型旋转增加特征图像的个数。

需要说明的是，上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述，在此不再赘述。本申请实施例提供的预测路损的装置，用于执行上述预测路损的方法，因此可以达到与上述预测路损的方法相同的效果。

在采用集成的单元的情况下，图5示出了一种装置，该装置以芯片的产品形态存在，用于执行上述实施例中预测路损的装置的功能，如图5所示，该装置可以包括：处理模块50和通信模块51。

处理模块50用于对装置的动作进行控制管理，例如，处理模块50用于支持该装置执行步骤301～步骤304和/或用于本文所描述的技术的其它过程。通信模块51用于支持装置与其他网络实体的通信。装置还可以包括存储模块52，用于存储装置的程序代码和数据。

其中，处理模块50可以是处理器或控制器。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51可以是通信接口、收发电路或通信接口等。存储模块52可以是存储器。

当处理模块50为处理器，通信模块51为通信接口，存储模块52为存储器时，本申请实施例所涉及的装置可以为图2所示的装置。

通过以上的实施方式的描述，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，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块或单元的划分，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装置，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，装置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。

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一个物理单元或多个物理单元，即可以位于一个地方，或者也可以分布到多个不同地方。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。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本申请实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得一个设备(可以是单片机，芯片等)或处理器执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，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，任何在本申请揭露的技术范围内的变化或替换，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所述权利要求的保护范围为准。

Claims (12)

1.一种预测路损的方法，其特征在于，所述方法包括：

获取样本数据，其中，所述样本数据包括影响发射机与小区间无线传播的特征参数、所述特征参数的参数值、以及所述小区中各接收机与所述发射机间的实测路损，所述特征参数的参数值与坐标位置对应，所述实测路损与所述接收机的坐标位置对应；

对所述特征参数进行栅格化处理生成特征图像，其中，所述特征图像包括至少一个像素点，每个所述像素点对应一个参数值；

根据所述特征图像和所述实测路损构建深度学习模型，其中，所述深度学习模型的输入变量为所述特征图像，所述深度学习模型的输出变量用于表示所述小区中各接收机与所述发射机间的路损；

利用构建后的深度学习模型预测路损。

2.根据权利要求1所述的方法，其特征在于，对所述特征参数进行栅格化处理生成特征图像，包括：

以所述发射机为中心建立栅格图像，其中，所述栅格图像包括至少一个栅格，不同栅格对应不同的坐标位置；

遍历所述栅格图像中的每个栅格，将所述栅格作为一个像素点，将所述像素点对应的所述特征参数的参数值作为所述像素点的取值；

将遍历后的栅格图像作为所述特征图像。

3.根据权利要求1和2所述的方法，其特征在于，

所述特征参数包括：建筑物高度、地物类型、海拔高度、与所述发射机间的距离、所述发射机的水平方位角、所述发射机的垂直方位角、所述发射机距地面的高度、所述发射机发送信号的频率以及所述发射机的发射功率中的至少一种特征。

4.根据权利要求1-3任一项所述的方法，其特征在于，在根据所述特征图像和所述实测路损构建深度学习模型之前，所述方法还包括：

对所述样本数据进行过滤处理；

对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理；

所述对特征参数进行栅格化处理生成特征图像，包括：

对所述归一化处理后的特征参数进行栅格化处理生成特征图像，并通过模型翻转或者模型旋转增加特征图像的个数。

5.根据权利要求1-4任一项所述的方法，其特征在于，

所述深度学习模型的输出变量为所述路损对应的特征图像或者所述路损对应的向量。

6.一种预测路损的装置，其特征在于，所述装置包括：

获取单元，用于获取样本数据，其中，所述样本数据包括影响发射机与小区间无线传播的特征参数、所述特征参数的参数值、以及所述小区中的接收机与所述发射机间的实测路损，所述特征参数的参数值与坐标位置对应，所述实测路损与所述接收机的坐标位置对应；

图像生成单元，用于对所述特征参数进行栅格化处理生成特征图像，其中，所述特征图像包括至少一个像素点，每个所述像素点对应一个参数值；

模型构建单元，用于根据所述特征图像和所述实测路损构建深度学习模型，其中，所述深度学习模型的输入变量为所述特征图像，所述深度学习模型的输出变量用于表示所述发射机与所述小区间的路损；

预测单元，用于利用构建后的深度学习模型预测路损。

7.根据权利要求6所述的装置，其特征在于，

所述图像生成单元，具体用于以所述发射机为中心建立栅格图像，其中，所述栅格图像包括至少一个栅格，不同栅格对应不同的坐标位置；

遍历所述栅格图像中的每个栅格，将所述栅格作为一个像素点，将所述像素点对应的所述特征参数的参数值作为所述像素点的取值；

将遍历后的栅格图像作为所述特征图像。

8.根据权利要求6和7所述的装置，其特征在于，

所述特征参数包括：建筑物高度、地物类型、海拔高度、与所述发射机间的距离、所述发射机的水平方位角、所述发射机的垂直方位角、所述发射机距地面的高度、所述发射机发送信号的频率以及所述发射机的发射功率中的至少一种特征。

9.根据权利要求6-8任一项所述的装置，其特征在于，所述装置还包括：

过滤清洗单元，用于在所述模型构建单元根据所述特征图像和所述实测路损构建深度学习模型之前，对所述样本数据进行过滤处理，对过滤后的样本数据中的特征参数的参数值和实测路损进行归一化处理；

所述图像生成单元，具体用于对所述归一化处理后的特征参数进行栅格化处理生成特征图像，并通过模型翻转或者模型旋转增加特征图像的个数。

10.根据权利要求6-9任一项所述的装置，其特征在于，

所述深度学习模型的输出变量为所述路损对应的特征图像或者所述路损对应的向量。

11.一种预测路损的装置，包括：至少一个处理器，以及存储器；其特征在于，

所述存储器用于存储计算机程序，使得所述计算机程序被所述至少一个处理器执行时实现如权利要求1-5中任一项所述的预测路损的方法。

12.一种计算机存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现如权利要求1-5中任一项所述的预测路损的方法。