CN109982350B - 一种小区覆盖自适应调整方法和装置 - Google Patents
一种小区覆盖自适应调整方法和装置 Download PDFInfo
- Publication number
- CN109982350B CN109982350B CN201711460390.0A CN201711460390A CN109982350B CN 109982350 B CN109982350 B CN 109982350B CN 201711460390 A CN201711460390 A CN 201711460390A CN 109982350 B CN109982350 B CN 109982350B
- Authority
- CN
- China
- Prior art keywords
- cell
- statistical time
- user
- statistical
- coverage
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04B—TRANSMISSION
- H04B7/00—Radio transmission systems, i.e. using radiation field
- H04B7/02—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas
- H04B7/04—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas
- H04B7/0408—Diversity systems; Multi-antenna system, i.e. transmission or reception using multiple antennas using two or more spaced independent antennas using two or more beams, i.e. beam diversity
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
Abstract
本发明实施例提供一种小区覆盖自适应调整方法和装置。所述方法包括:获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据所述目标覆盖参数,对小区当前的天线权值进行调整。所述装置用于执行上述方法。本发明实施例提供的方法和装置,能够基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善用户体验。
Description
技术领域
本发明实施例涉及通信领域,尤其涉及一种小区覆盖自适应调整方法和装置。
背景技术
在传统的小区天线的广播波束方向和波束宽度都是固定的,不会随着用户群的移动而改变。通过定期的统计天线电波AOA(Angle-of-Arriva,到达角)数据,发现用户群位置改变时,通过人工上站的方式调整天线方位角,使得天线的主瓣方向正对最大用户群,但不能调整天线的波束宽度。当用户较为集中时,天线波束较宽,浪费天线的能量。
现有技术中,根据天线到达角AOA数据进行天馈调整需要通过人工分析、人工筛选、人工调整与配合几个步骤,一般流程如下:
首先,需要人工统计大量的AOA数据进行分析,根据工参等数据找出主瓣方向偏移用户群的小区。其次,人工根据TA、采样点数筛选符合调整条件的小区。TA过小说明用户分布较近,调整天馈意义不大,采样点过少则不具备参考的价值,一般不进行调整。最后,安排人工上站调整。调整时一般是一人上站、一个现场测试、一人后台配合。
现有进行天线调整时需要经过分析、筛选、调整、测试、配合等步骤,不仅工作量大、成本高、而且周期长、效率低,这样的方式造成了人力与物力的极大浪费;而且,现有天线调整是根据已经出现的问题进行的调整,属于事后弥补措施,调整时未考虑无线环境和用户移动的规律,往往会造成刚调整完又不合适的现象。因此,现有的调整方案存在一定的滞后性,用户体验不佳。
发明内容
针对现有技术中的缺陷,本发明实施例提供一种小区覆盖自适应调整方法和装置,能够基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善用户体验。
一方面,本发明实施例提供一种小区覆盖自适应调整方法,包括:
获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;
根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;
确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;
根据所述目标覆盖参数,对小区当前的天线权值进行调整。
另一方面,本发明实施例提供一种小区覆盖自适应调整装置,包括:
分布获取单元,用于获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;
分布预测单元,用于根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;
覆盖选取单元,用于确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;
覆盖调整单元,用于根据所述目标覆盖参数,对小区当前的天线权值进行调整。
又一方面,本发明实施例提供一种电子设备,包括处理器、存储器和总线,其中:
所述处理器,所述存储器通过总线完成相互间的通信;
所述处理器可以调用存储器中的计算机程序,以执行上述方法的步骤。
再一方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现上述方法的步骤。
本发明实施例提供的方法和装置,根据预设的预测算法和小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定小区在下一统计时刻对应的用户分布参数的预测值;确定与小区在下一统计时刻的用户分布参数对应的目标覆盖参数;目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据目标覆盖参数,对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束;相较于现有的覆盖调整方案,本发明实施例能够基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善了用户体验。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了根据本发明一个实施例的小区覆盖自适应调整方法的示例性流程图;
图2示出了根据本发明一个实施例的小区覆盖自适应调整装置的结构示意图;
图3示出了根据本发明一个实施例的电子设备的实体结构示意图。
具体实施方式
以下将结合附图对本发明的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本发明的一部分实施例,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的前提下所得到的所有其它实施例,都属于本发明所保护的范围。
本申请使用的“模块”、“装置”等术语旨在包括与计算机相关的实体,例如但不限于硬件、固件、软硬件组合、软件或者执行中的软件。例如,模块可以是,但并不仅限于:处理器上运行的进程、处理器、对象、可执行程序、执行的线程、程序和/或计算机。举例来说,计算设备上运行的应用程序和此计算设备都可以是模块。一个或多个模块可以位于执行中的一个进程和/或线程内,一个模块也可以位于一台计算机上和/或分布于两台或更多台计算机之间。
下面结合附图详细说明本发明的技术方案。
参考图1,其示出了根据本发明一个实施例的小区覆盖自适应调整方法的示例性流程图。
如图1所示,本发明实施例提供的小区覆盖自适应调整方法,可以包括如下步骤:
S110:获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数。
本发明实施例提供的小区覆盖自适应调整方法适用于配置有智能天线的小区。天线权值是智能天线各端口所施加的特定激励信号的量化表示方法,天线端口施加特定激励的目的是为了得到具有特定覆盖效果的方向图。对于同一智能天线,天线权值不同可以得到不同的宽度的波束。在不改变天线的物理方向的前提下,可通过天线权值的调整来进行波束方向和波束宽度的调整,从而实现小区覆盖的调整。
为了提高小区的覆盖率和提升用户感知,需要将小区天线的主瓣方向朝向用户集中分布的区域。因此,本发明实施例中,可以首先获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,以便后续基于用户分布进行小区覆盖的调整。
本发明实施例中,历史统计时刻指的是当前统计时刻之前的统计时刻;当前统计时刻对应的用户分布参数和历史统计时刻对应的用户分布参数可以采用相同的获取方案。
针对任一统计时刻,可以根据如下方式获取小区在该统计时刻对应的用户分布参数:
获取小区在统计时刻对应的AOA数据;根据AOA数据和各个预设区间对应的角度范围,统计各个预设区间内的采样点用户量,并作为所述小区在该统计时刻对应的用户分布参数。
其中,小区在统计时刻对应的AOA数据中包括该统计时刻小区中各采样点用户相对小区的估计角度。
本发明实施例中,AOA数据可以从OMC(Operation and Maintenance Center,操作维护中心)网管上的各个基站小区对应的MRS(Measurement Report Statistics,测量报告统计数据)文件中抽取。
实际应用中,采样点用户相对小区的估计角度的测量参考方向为正北,逆时针方向,采样点用户相对小区的估计角度可辅助确定用户所处的方位,提供定位服务,精度为5度。
实际应用中,可以预先对以小区天线为中心的360度的全区间以5度为粒度进行划分,得到72个预设区间;如表1所示,0度到小于5度为一个区间,该区间对应的测量报告统计数据用MR.AOA.00表征;355度到小于360度为一个区间,该对应的测量报告统计数据用MR.AOA.71表征,依此类推。
表1
这样,基于上述表1和统计时刻小区中各采样点用户相对小区的估计角度,可以确定每个采样点用户所在的预设区间;进而,可以统计出各个预设区间内的采样点用户量,并基于各个预设区间内的采样点用户量,生成一个对应的用户分布矩阵[n0,n1,n2,......n71],作为小区在该统计时刻对应的用户分布参数。其中,n0表示预设区间I0内的采样点用户量,n1表示预设区间I1内的采样点用户量,……,n71表示预设区间I71内的采样低昂用户量。
S120:根据预设的预测算法和小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定小区在下一统计时刻对应的用户分布参数的预测值。
本发明实施例中,在获取了小区在当前统计时刻和历史统计时刻各自对应的用户分布参数之后,可以基于小区在当前统计时刻和历史统计时刻各自对应的用户分布参数来预测小区在下一统计时刻对应的用户分布参数。
其中,预设的预测算法可以具体为卡尔曼滤波算法或指数平滑法等基于历史数据来计算下期的预测值的时间序列预测法。
为了便于描述,本发明实施例中,下一统计时刻可以用第n天的统计时刻k表示;相应地,当前统计时刻可以用第n天的统计时刻k-1表示;历史统计时刻指的是第n天的统计时刻k-1之前的统计时刻,比如,第n天的统计时刻k-2、k-3……,第n-1天的各统计时刻等,n为大于等于1的整数。
本发明实施例中,小区在下一统计时刻对应的用户分布参数的预测值,指的是小区的各个预设区间在下一统计时刻的采样点用户量的预测值。
以卡尔曼滤波算法为例,可以针对每个预设区间,根据如下公式1,确定所述小区的所述预设区间在下一统计时刻对应的采样点用户量的最优预测值:
Sn(k)=Xn(k,观测)+Hn(k)×[Mn(k)-Xn(k,观测)] (公式1)
公式1中,Sn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的最优预测值;Xn(k,观测)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的观测值;Hn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的卡尔曼增益;Mn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的测量值。
其中,Xn(k,观测)是根据当前统计时刻对应的用户分布参数确定的;Mn(k)是根据历史统计时刻对应的用户分布参数确定的;Hn(k)是根据当前统计时刻和历史统计时刻各自对应的用户分布参数确定的。
实际应用中,可以根据如下方式确定所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的观测值Xn(k,观测),即所述小区的所述预设区间在下一统计时刻对应的采样点用户量的观测值:
从当前统计时刻对应的用户分布参数中提取第n天的统计时刻k-1对应的采样点用户量的真实值Xn(k-1,真实),即当前统计时刻对应的用户分布参数中小区的预设区间在当前统计时刻对应的采样点用户量的取值,并作为所述Xn(k,观测)。
本发明实施例中,所述第n天的统计时刻k-1表示当前统计时刻,Xn(k,观测)=Xn(k-1,真实)。
本发明实施例中,可以根据如下方式确定所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的测量值Mn(k):
从历史统计时刻对应的用户分布参数中提取第n-1天的统计时刻k-1对应的采样点用户量的真实值Xn-1(k-1,真实),即历史统计时刻对应的用户分布参数中小区的预设区间在前一天的当前统计时刻对应的采样点用户量的取值,并作为所述Mn(k)。
本发明实施例中,第n-1天的统计时刻k-1表示前一天内与当前统计时刻对应的统计时刻,Mn(k)=Xn-1(k-1,真实)。
本发明实施例中,卡尔曼增益可以采用本领域技术人员常用的技术手段来计算,此处不再详述。
S130:确定与小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值。
其中,目标覆盖参数可以包括目标波束方向和目标波束宽度。
本发明实施例中,在通过步骤S120计算出小区在下一统计时刻的用户分布参数的预测值,即小区在下一统计时刻各个预设区间内的采样点用户量的最优预测值之后,基于小区在下一统计时刻的用户分布参数的预测值,预测下一统计时刻小区覆盖范围内的用户集中分布区域。
实际应用中,可以预先设定一个门限值,即设定阈值,例如,80%,85%等。
根据所述小区在下一统计时刻的用户分布参数,从以所述小区的小区天线为中心的360度的全区间中查找出若干个采样点用户占比超过设定阈值的候选覆盖区域;根据所述候选覆盖区域所覆盖的各预设区间和所述预设区间对应的角度范围,确定所述候选覆盖区域对应的波束方向和波束宽度;选取波束宽度最小的候选覆盖区域为目标覆盖区域,所述目标覆盖区域对应的波束方向为目标波束方向,所述目标覆盖区域对应的波束宽度为目标波束宽度。
实际应用中,候选覆盖区域对应的波束方向可以具体为该候选覆盖区域的中线方向;候选覆盖区域对应的波束宽度可以具体为该候选覆盖区域所覆盖的角度范围。
例如,以5度为粒度对所述360度的全区间进行划分,得到72个预设区间I0,I1,……,I71;预设区间对应的采样点用户量记为n0,n1,……,n71。
初始迭代时,可以从n0,n1,……一直向后叠加,当n0+n1+……+nm的采样点用户占比达到n0+n1+……+n71的80%时,则将由预设区间I0到预设区间Im共m+1个预设区间构成的区域确定为本次迭代选出的候选覆盖区域,将该候选覆盖区域对应的波束方向和波束宽度分别作为最优覆盖区域的最优波束方向和最优波束宽度,存储到预设的最优覆盖参数数组中。
接着,开始第二轮迭代,从n1开始向后叠加,当叠加到nq时采样点用户量到达总数的80%,将由预设区间I1到预设区间Iq共q个预设区间构成的覆盖区域确定为本次迭代选出的候选覆盖区域;若该候选覆盖区域的波束宽度小于存储的最优覆盖区域的最优波束宽度,则根据该候选覆盖区域的对应的波束方向和波束宽度对最优覆盖参数数组进行更新,更新后的最优波束方向和最优波束宽度具体为本次迭代选出的候选覆盖区域对应的波束方向和波束宽度。若本次迭代选出的候选覆盖区域的波束宽度大于或等于存储的目标覆盖区域的目标波束宽度,则进行下一轮迭代,直至叠加到n71,即最后一个预设区间内的采样点用户量。
将最优覆盖参数数组中最优波束方向和最优波束宽度所对应的候选覆盖区域确定为目标覆盖区域;将最优覆盖参数数组中的最优波束方向确定为目标覆盖区域对应的目标波束方向;将最优覆盖参数数组中的最优波束宽度确定为目标覆盖区域对应的目标波束宽度。
S140:根据小区在下一统计时刻的用户分布参数对应的目标覆盖参数,对小区当前的天线权值进行调整。
考虑实际应用中,小区的小区天线存在对应的广播波束映射表;广播波束映射表中存储有小区天线可支持的各种广播波束所对应的天线权值。其中,广播波束通过覆盖参数来表征。
因此,本发明实施例中,在通过步骤S140获取小区在下一统计时刻的目标覆盖参数之后,可以从预设的广播波束映射表中查找出与目标覆盖参数对应的目标天线权值,并对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束,即用户集中分布的区域。
本发明实施例提供的小区覆盖自适应调整方法,根据预设的预测算法和小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定小区在下一统计时刻对应的用户分布参数的预测值;确定与小区在下一统计时刻的用户分布参数对应的目标覆盖参数;目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据目标覆盖参数,对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束;相较于现有的覆盖调整方案,本发明实施例能够基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善了用户体验。
进一步地,本发明实施例提供的小区覆盖自适应调整方法,还可以包括:
基于小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,统计小区的用户移动频次;并根据小区的用户移动频次来调整统计周期。
本发明实施例中,统计周期指的是各统计时刻之间的间隔。若指定时间段内小区的用户移动频次低于设定阈值,可以按照设定步长延长统计周期;若指定时间段内小区的用户移动频次高于设定阈值,则可以按照设定步长缩短统计周期,以此实现按需优化调整,减少资源浪费。
在上述实施例的基础上,本发明又一实施例提供的小区覆盖自适应调整方法中,小区的所述预设区间在下一统计时刻对应的卡尔曼增益可以通过如下方式确定:
根据如下公式2,确定小区的预设区间在第n天的统计时刻k对应的卡尔曼增益Hn(k):
公式2中,第n天的统计时刻k表示下一统计时刻;PMn(k)表示小区的所述预设区间在第n天的统计时刻k对应的测量偏差,Nn(k)表示小区的所述预设区间在第n天的统计时刻k对应的高斯噪声。
本发明实施例中,PMn(k)满足如下公式3:
PMn(k)=Xn(k-1,真实)-Xn-1(k-1,真实) (公式3)
公式3中,Xn(k-1,真实)表示小区的所述预设区间在第n天的统计时刻k-1对应的采样点用户量的真实值;Xn-1(k-1,真实)表示小区的所述预设区间在第n-1天的统计时刻k-1对应的采样点用户量的真实值。
其中,Xn(k-1,真实)可从小区在当前统计时刻对应的用户分布参数中提取;Xn-1(k-1,真实)可从小区在历史统计时刻对应的用户分布参数中提取。
本发明实施例中,Nn(k)满足如下公式4:
公式4中,PXn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的观测偏差;PSn(k-1)表示所述小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差。
本发明实施例中,PXn(k)满足如下公式5:
PXn(k)=Xn(k-1,真实)-Xn-1(k-1,观测) (公式5)
公式5中,Xn-1(k-1,观测)表示小区的所述预设区间在第n-1天的统计时刻k-1对应的采样点用户量的观测值,具体为从所述历史统计时刻的用户分布参数提取的第n-1天的统计时刻k-2对应的采样点用户量的真实值Xn-1(k-2,真实);Xn(k-1,真实)表示小区的所述预设区间在第n天的统计时刻k-1对应的采样点用户量的真实值。
Xn(k-1,真实)可从小区在当前统计时刻对应的用户分布参数中提取;Xn-1(k-2,真实)可从小区在历史统计时刻对应的用户分布参数中提取。
本发明实施例中,k=1时,PSn(0)取值为预设初始值,预设初始值由本领域技术人员根据经验进行设置,预设初始值不为0。
k≠1时,PSn(k-1)是根据小区的所述预设区间在第n天的统计时刻k-1对应的卡尔曼增益Hn(k-1)和第n天的统计时刻k-1对应的高斯噪声Nn(k-1)确定的。
具体地,k≠1时,可以根据如下公式6,确定小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差PSn(k-1):
公式6中,Hn(k-1)表示第n天的统计时刻k-1对应的卡尔曼增益;Nn(k-1)表示第n天的统计时刻k-1对应的高斯噪声。
实际应用中,Hn(k-1)和Nn(k-1)是根据历史统计时刻的用户分布参数确定的。
进一步地,本发明实施例中,在根据公式2和4分别计算了小区的所述预设区间在第n天的统计时刻k对应的卡尔曼增益和高斯噪声之后,可以根据公式6计算小区的预设区间在第n天的统计时刻k对应的最优预测偏差PSn(k),为后续小区的所述预设区间在第n天的统计时刻k+1对应的高斯噪声的计算提供基础。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的小区覆盖自适应调整方法,根据递归的高斯噪声和卡尔曼增益,得到不断收敛的最优预测偏差,可以不断提高预测准确度,进一步提高用户体验。
在上述实施例的基础上,本发明又一实施例提供的小区覆盖自适应调整方法中,所述根据所述目标覆盖参数,对小区当前的天线权值进行调整,包括:
获取与所述目标覆盖参数对应的目标天线权值;若所述目标天线权值与所述小区当前的天线权值不同,则将所述小区和所述目标天线权值存储至预设的天线权值文件中;在预设的自适应调整周期到达时,根据所述天线权值文件中的所述目标天线权值对小区当前的天线权值进行调整。
本发明实施例提供的小区覆盖自适应调整方法适用于一个或多个小区。为了便于区域内各小区的管理,可以预先设置一个用于存储各个小区对应的目标天线权值的天线权值文件。
实际应用中,若小区在下一统计时刻对应的目标天线权值与小区当前的天线权值相同,则说明小区无需进行覆盖调整;若小区在下一统计时刻对应的目标天线权值与小区当前的天线权值不同,则说明小区需要进行覆盖调整。
本发明实施例中,在判断获知目标天线权值与小区当前的天线权值不同后,可以将该小区对应的目标天线权值存储至预设的天线权值文件中。实际应用中,还可以通过与所述下一统计时刻对应的时间标识对小区对应的目标天线权值进行标记。
这样,在预设的自适应调整周期到达时,可以从天线权值文件中查找到小区在下一统计时刻对应的目标天线权值,并根据查找到的目标天线权值对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束,即用户集中分布的区域。
本发明实施例其他步骤与前述实施例步骤相似,本发明实施例不再赘述。
本发明实施例提供的小区覆盖自适应调整方法,通过用于存储各个小区对应的目标天线权值的天线权值文件和自适应调整周期,可以便于实现区域内小区的覆盖的自动化更新,减少人工干预。
在上述各实施例的基础上,本发明又一实施例提供了一种小区覆盖自适应调整装置。
参考图2,其示出了根据本发明一个实施例的小区覆盖自适应调整的结构示意图。
如图2所示,本发明实施例提供的小区覆盖自适应调整装置200可以包括:分布获取单元201、分布预测单元202、覆盖选取单元203和覆盖调整单元204。
其中,分布获取单元201用于获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数。
分布预测单元202用于根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值。
覆盖选取单元203用于确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值。
覆盖调整单元204用于根据所述目标覆盖参数,对小区当前的天线权值进行调整。
可选地,分布获取单元201用于针对任一统计时刻,根据如下方式获取所述小区在该统计时刻对应的用户分布参数:获取所述小区在所述统计时刻对应的到达角AOA数据;根据AOA数据和各个预设区间对应的角度范围,统计各个预设区间内的采样点用户量,并作为所述小区在该统计时刻对应的用户分布参数;其中,所述AOA数据中包括该统计时刻所述小区中各采样点用户相对所述小区的估计角度。
可选地,分布预测单元202用于针对每个预设区间,根据如下公式1,确定所述小区的所述预设区间在下一统计时刻对应的采样点用户量的最优预测值:
Sn(k)=Xn(k,观测)+Hn(k)×[Mn(k)-Xn(k,观测)] (公式1)
公式1中,Sn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的最优预测值;Xn(k,观测)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的观测值;Hn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的卡尔曼增益;Mn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的测量值;
其中,所述第n天的统计时刻k表示下一统计时刻;Xn(k,观测)是根据当前统计时刻对应的用户分布参数确定的;Mn(k)是根据历史统计时刻对应的用户分布参数确定的;Hn(k)是根据当前统计时刻和历史统计时刻各自对应的用户分布参数确定的。
可选地,分布预测单元202可以根据如下方式确定所述Xn(k,观测):
从当前统计时刻对应的用户分布参数中提取第n天的统计时刻k-1对应的采样点用户量的真实值Xn(k-1,真实),并作为所述Xn(k,观测);其中,所述第n天的统计时刻k-1表示当前统计时刻、
分布预测单元202可以根据如下方式确定所述Mn(k):
从历史统计时刻对应的用户分布参数中提取第n-1天的统计时刻k-1对应的采样点用户量的真实值Xn-1(k-1,真实),并作为所述Mn(k);其中,第n-1天的统计时刻k-1表示前一天内与当前统计时刻对应的统计时刻。
可选地,分布预测单元202可以根据如下公式2,确定卡尔曼增益Hn(k):
公式2中,PMn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的测量偏差,满足如下公式3:
PMn(k)=Xn(k-1,真实)-Xn-1(k-1,真实) (公式3)
Nn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的高斯噪声,满足如下公式4:
公式4中,PXn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的观测偏差,满足如下公式5:
PXn(k)=Xn(k-1,真实)-Xn-1(k-1,观测) (公式5)
其中,Xn-1(k-1,观测)表示第n-1天的统计时刻k-1对应的采样点用户量的观测值,具体为从所述历史统计时刻的用户分布参数提取的第n-1天的统计时刻k-2对应的采样点用户量的真实值Xn-1(k-2,真实);
PSn(k-1)表示所述小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差,k=1时,PSn(0)取值为预设初始值,所述预设初始值不为0;k≠1时,所述PSn(k-1)是根据第n天的统计时刻k-1对应的卡尔曼增益和第n天的统计时刻k-1对应的高斯噪声确定的。
可选地,k≠1时,分布预测单元202可以根据如下公式6,确定小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差PSn(k-1):
公式6中,Hn(k-1)表示第n天的统计时刻k-1对应的卡尔曼增益;Nn(k-1)表示第n天的统计时刻k-1对应的高斯噪声;
其中,所述Hn(k-1)和Nn(k-1)是根据历史统计时刻的用户分布参数确定的。
可选地,所述目标覆盖参数包括:目标波束方向和目标波束宽度。
覆盖选取单元203用于根据所述小区在下一统计时刻的用户分布参数的预测值,从以所述小区的小区天线为中心的360度的全区间中查找出若干个采样点用户占比超过设定阈值的候选覆盖区域;根据所述候选覆盖区域所覆盖的各预设区间和所述预设区间对应的角度范围,确定所述候选覆盖区域对应的波束方向和波束宽度;选取波束宽度最小的候选覆盖区域为目标覆盖区域,所述目标覆盖区域对应的波束方向为目标波束方向,所述目标覆盖区域对应的波束宽度为目标波束宽度。其中,所有预设区间是由所述360度的全区间划分得到。
本发明实施例提供的装置,根据预设的预测算法和小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定小区在下一统计时刻对应的用户分布参数的预测值;确定与小区在下一统计时刻的用户分布参数对应的目标覆盖参数;目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据目标覆盖参数,对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束;相较于现有的覆盖调整方案,本发明实施例基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善了用户体验。
本发明提供的小区覆盖自适应调整装置的实施例具体可以用于执行上述各方法实施例的处理流程,其功能在此不再赘述,可以参照上述方法实施例的详细描述。
参考图3,其示出了根据本发明一个实施例的电子设备的实体结构示意图。如图3所示,该电子设备300可以包括:处理器(processor)301、存储器(memory)302和总线303,其中,处理器301,存储器302通过总线303完成相互间的通信。处理器301可以调用存储器302中的计算机程序,以执行上述各方法实施例所提供的方法,例如包括:
获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据所述目标覆盖参数,对小区当前的天线权值进行调整。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:
所述获取小区在当前统计时刻和各历史统计时刻各自对应的用户分布参数,包括:
针对任一统计时刻,根据如下方式获取所述小区在该统计时刻对应的用户分布参数:
获取所述小区在所述统计时刻对应的到达角AOA数据;
根据AOA数据和各个预设区间对应的角度范围,统计各个预设区间内的采样点用户量,并作为所述小区在该统计时刻对应的用户分布参数;
其中,所述AOA数据中包括该统计时刻所述小区中各采样点用户相对所述小区的估计角度。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:
所述根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值,包括:
针对每个预设区间,根据如下公式1,确定所述小区的所述预设区间在下一统计时刻对应的采样点用户量的最优预测值:
Sn(k)=Xn(k,观测)+Hn(k)×[Mn(k)-Xn(k,观测)] (公式1)
公式1中,Sn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的最优预测值;Xn(k,观测)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的观测值;Hn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的卡尔曼增益;Mn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的测量值;
其中,所述第n天的统计时刻k表示下一统计时刻;Xn(k,观测)是根据当前统计时刻对应的用户分布参数确定的;Mn(k)是根据历史统计时刻对应的用户分布参数确定的;Hn(k)是根据当前统计时刻和历史统计时刻各自对应的用户分布参数确定的。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:所述方法还包括:
根据如下方式确定所述Xn(k,观测):
从当前统计时刻对应的用户分布参数中提取第n天的统计时刻k-1对应的采样点用户量的真实值Xn(k-1,真实),并作为所述Xn(k,观测);其中,所述第n天的统计时刻k-1表示当前统计时刻;
根据如下方式确定所述Mn(k):
从历史统计时刻对应的用户分布参数中提取第n-1天的统计时刻k-1对应的采样点用户量的真实值Xn-1(k-1,真实),并作为所述Mn(k);其中,第n-1天的统计时刻k-1表示前一天内与当前统计时刻对应的统计时刻。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:所述方法还包括:
根据如下公式2,确定卡尔曼增益Hn(k):
公式2中,PMn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的测量偏差,满足如下公式3:
PMn(k)=Xn(k-1,真实)-Xn-1(k-1,真实) (公式3)
Nn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的高斯噪声,满足如下公式4:
公式4中,PXn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的观测偏差,满足如下公式5:
PXn(k)=Xn(k-1,真实)-Xn-1(k-1,观测) (公式5)
其中,Xn-1(k-1,观测)表示第n-1天的统计时刻k-1对应的采样点用户量的观测值,具体为从所述历史统计时刻的用户分布参数提取的第n-1天的统计时刻k-2对应的采样点用户量的真实值Xn-1(k-2,真实);
PSn(k-1)表示所述小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差,k=1时,PSn(0)取值为预设初始值,所述预设初始值不为0;
k≠1时,根据如下公式6,确定小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差PSn(k-1):
公式6中,Hn(k-1)表示第n天的统计时刻k-1对应的卡尔曼增益;Nn(k-1)表示第n天的统计时刻k-1对应的高斯噪声;
其中,所述Hn(k-1)和Nn(k-1)是根据历史统计时刻的用户分布参数确定的。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:所述目标覆盖参数包括:目标波束方向和目标波束宽度;
相应地,所述确定与所述小区在下一统计时刻的用户分布参数对应的目标覆盖参数,包括:
根据所述小区在下一统计时刻的用户分布参数的预测值,从以所述小区的小区天线为中心的360度的全区间中查找出若干个采样点用户占比超过设定阈值的候选覆盖区域;
根据所述候选覆盖区域所覆盖的各预设区间和所述预设区间对应的角度范围,确定所述候选覆盖区域对应的波束方向和波束宽度;
选取波束宽度最小的候选覆盖区域为目标覆盖区域,所述目标覆盖区域对应的波束方向为目标波束方向,所述目标覆盖区域对应的波束宽度为目标波束宽度;
其中,所有预设区间是由所述360度的全区间划分得到。
在另一种实施方式中,所述处理器301执行所述计算机程序时实现如下方法:所述根据所述目标覆盖参数,对小区当前的天线权值进行调整,包括:
获取与所述目标覆盖参数对应的目标天线权值;
若所述目标天线权值与所述小区当前的天线权值不同,则将所述小区和所述目标天线权值存储至预设的天线权值文件中;
在预设的自适应调整周期到达时,根据所述天线权值文件中的所述目标天线权值对小区当前的天线权值进行调整。
本发明实施例提供的电子设备,至少具有以下技术效果:
根据预设的预测算法和小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定小区在下一统计时刻对应的用户分布参数的预测值;确定与小区在下一统计时刻的用户分布参数对应的目标覆盖参数;目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据目标覆盖参数,对小区当前的天线权值进行调整,以生成朝向采样点用户占比超过设定阈值的区域的广播波束;相较于现有的覆盖调整方案,本发明实施例基于用户分布主动调整小区覆盖,避免历史数据造成的滞后性,改善了用户体验。
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:
获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据所述目标覆盖参数,对小区当前的天线权值进行调整。
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程序,所述计算机程序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:
获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;根据所述目标覆盖参数,对小区当前的天线权值进行调整。
此外,上述的存储器中的逻辑指令可以通过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,可以存储在一个计算机可读取存储介质中。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或者该技术方案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中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行本发明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、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置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。
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各实施方式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。基于这样的理解,上述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,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)执行各个实施例或者实施例的某些部分所述的方法。
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)
1.一种小区覆盖自适应调整方法,其特征在于,包括:
获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;
根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;
确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;
根据所述目标覆盖参数,对小区当前的天线权值进行调整;
其中,所述目标覆盖参数包括目标波束方向和目标波束宽度。
2.根据权利要求1所述的方法,其特征在于,所述获取小区在当前统计时刻和各历史统计时刻各自对应的用户分布参数,包括:
针对任一统计时刻,根据如下方式获取所述小区在该统计时刻对应的用户分布参数:
获取所述小区在所述统计时刻对应的到达角AOA数据;
根据AOA数据和各个预设区间对应的角度范围,统计各个预设区间内的采样点用户量,并作为所述小区在该统计时刻对应的用户分布参数;
其中,所述AOA数据中包括该统计时刻所述小区中各采样点用户相对所述小区的估计角度。
3.根据权利要求2所述的方法,其特征在于,所述根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值,包括:
针对每个预设区间,根据如下公式1,确定所述小区的所述预设区间在下一统计时刻对应的采样点用户量的最优预测值:
Sn(k)=Xn(k,观测)+Hn(k)×[Mn(k)-Xn(k,观测)] (公式1)
公式1中,Sn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的最优预测值;Xn(k,观测)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的观测值;Hn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的卡尔曼增益;Mn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的采样点用户量的测量值;
其中,所述第n天的统计时刻k表示下一统计时刻;Xn(k,观测)是根据当前统计时刻对应的用户分布参数确定的;Mn(k)是根据历史统计时刻对应的用户分布参数确定的;Hn(k)是根据当前统计时刻和历史统计时刻各自对应的用户分布参数确定的。
4.根据权利要求3所述的方法,其特征在于,所述方法还包括:
根据如下方式确定所述Xn(k,观测):
从当前统计时刻对应的用户分布参数中提取第n天的统计时刻k-1对应的采样点用户量的真实值Xn(k-1,真实),并作为所述Xn(k,观测);其中,所述第n天的统计时刻k-1表示当前统计时刻;
根据如下方式确定所述Mn(k):
从历史统计时刻对应的用户分布参数中提取第n-1天的统计时刻k-1对应的采样点用户量的真实值Xn-1(k-1,真实),并作为所述Mn(k);其中,第n-1天的统计时刻k-1表示前一天内与当前统计时刻对应的统计时刻。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
根据如下公式2,确定卡尔曼增益Hn(k):
公式2中,PMn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的测量偏差,满足如下公式3:
PMn(k)=Xn(k-1,真实)-Xn-1(k-1,真实) (公式3)
Nn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的高斯噪声,满足如下公式4:
公式4中,PXn(k)表示所述小区的所述预设区间在第n天的统计时刻k对应的观测偏差,满足如下公式5:
PXn(k)=Xn(k-1,真实)-Xn-1(k-1,观测) (公式5)
其中,Xn-1(k-1,观测)表示第n-1天的统计时刻k-1对应的采样点用户量的观测值,具体为从所述历史统计时刻的用户分布参数提取的第n-1天的统计时刻k-2对应的采样点用户量的真实值Xn-1(k-2,真实);
PSn(k-1)表示所述小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差,k=1时,PSn(0)取值为预设初始值,所述预设初始值不为0;
k≠1时,根据如下公式6,确定小区的所述预设区间在第n天的统计时刻k-1对应的最优预测偏差PSn(k-1):
公式6中,Hn(k-1)表示第n天的统计时刻k-1对应的卡尔曼增益;Nn(k-1)表示第n天的统计时刻k-1对应的高斯噪声;
其中,所述Hn(k-1)和Nn(k-1)是根据历史统计时刻的用户分布参数确定的。
6.根据权利要求1所述的方法,其特征在于,所述确定与所述小区在下一统计时刻的用户分布参数对应的目标覆盖参数,包括:
根据所述小区在下一统计时刻的用户分布参数的预测值,从以所述小区的小区天线为中心的360度的全区间中查找出若干个采样点用户占比超过设定阈值的候选覆盖区域;
根据所述候选覆盖区域所覆盖的各预设区间和所述预设区间对应的角度范围,确定所述候选覆盖区域对应的波束方向和波束宽度;
选取波束宽度最小的候选覆盖区域为目标覆盖区域,所述目标覆盖区域对应的波束方向为目标波束方向,所述目标覆盖区域对应的波束宽度为目标波束宽度;
其中,所有预设区间是由所述360度的全区间划分得到。
7.根据权利要求1-6任一所述的方法,其特征在于,所述根据所述目标覆盖参数,对小区当前的天线权值进行调整,包括:
获取与所述目标覆盖参数对应的目标天线权值;
若所述目标天线权值与所述小区当前的天线权值不同,则将所述小区和所述目标天线权值存储至预设的天线权值文件中;
在预设的自适应调整周期到达时,根据所述天线权值文件中的所述目标天线权值对小区当前的天线权值进行调整。
8.一种小区覆盖自适应调整装置,其特征在于,包括:
分布获取单元,用于获取小区在当前统计时刻和历史统计时刻各自对应的用户分布参数;
分布预测单元,用于根据预设的预测算法和所述小区在当前统计时刻和历史统计时刻各自对应的用户分布参数,确定所述小区在下一统计时刻对应的用户分布参数的预测值;
覆盖选取单元,用于确定与所述小区在下一统计时刻的用户分布参数的预测值对应的目标覆盖参数;所述目标覆盖参数对应的覆盖区域的采样点用户占比超过设定阈值;
覆盖调整单元,用于根据所述目标覆盖参数,对小区当前的天线权值进行调整;
其中,所述目标覆盖参数包括目标波束方向和目标波束宽度。
9.一种电子设备,其特征在于,包括处理器、存储器和总线,其中:
所述处理器,所述存储器通过总线完成相互间的通信;
所述处理器可以调用存储器中的计算机程序,以执行如权利要求1-7任意一项所述的方法的步骤。
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,该程序被处理器执行时实现如权利要求1-7任意一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460390.0A CN109982350B (zh) | 2017-12-28 | 2017-12-28 | 一种小区覆盖自适应调整方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711460390.0A CN109982350B (zh) | 2017-12-28 | 2017-12-28 | 一种小区覆盖自适应调整方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109982350A CN109982350A (zh) | 2019-07-05 |
CN109982350B true CN109982350B (zh) | 2022-04-15 |
Family
ID=67074714
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711460390.0A Active CN109982350B (zh) | 2017-12-28 | 2017-12-28 | 一种小区覆盖自适应调整方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109982350B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112311428A (zh) * | 2019-07-30 | 2021-02-02 | 大唐移动通信设备有限公司 | 一种赋形权值管理方法及网络侧设备 |
CN111082840B (zh) * | 2019-12-23 | 2021-06-18 | 中国联合网络通信集团有限公司 | 一种天线广播波束的优化方法和装置 |
CN113258971B (zh) * | 2020-02-11 | 2024-03-01 | 上海华为技术有限公司 | 一种多频联合波束赋形方法、装置、基站及存储介质 |
CN114079488B (zh) * | 2020-08-10 | 2022-09-27 | 中国移动通信集团安徽有限公司 | 静态波束权值动态调整方法、装置、计算设备及存储介质 |
CN114554514B (zh) * | 2022-02-24 | 2023-06-27 | 北京东土拓明科技有限公司 | 基于用户分布的5g天线子波束配置方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9252893B2 (en) * | 2011-12-28 | 2016-02-02 | Telefonaktiebolaget L M Ericsson (Publ) | Methods for determining a beam-forming gain parameter, user equipment, base station, computer programs and computer program products |
ES2733065T3 (es) * | 2013-05-16 | 2019-11-27 | Intel Ip Corp | Múltiples grupos de control de enlace de radio (RLC) |
CN104486775B (zh) * | 2015-01-08 | 2018-03-27 | 西安电子科技大学 | 基于用户位置的跟踪预测的有源天线阵列波束优化方法 |
CN106937300B (zh) * | 2015-12-29 | 2019-11-22 | 上海无线通信研究中心 | 一种动态智能调整天线下倾角的方法 |
-
2017
- 2017-12-28 CN CN201711460390.0A patent/CN109982350B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109982350A (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109982350B (zh) | 一种小区覆盖自适应调整方法和装置 | |
CN109379752B (zh) | Massive MIMO的优化方法、装置、设备及介质 | |
CN109374986B (zh) | 一种基于聚类分析与网格搜索的雷电定位方法及系统 | |
CN104901734B (zh) | 一种阵列天线波束赋形方法 | |
CN111198808A (zh) | 预测性能指标的方法、装置、存储介质及电子设备 | |
CN111082840B (zh) | 一种天线广播波束的优化方法和装置 | |
CN108966121A (zh) | 一种适用于指纹定位算法的指纹库更新方法 | |
CN109587706B (zh) | 一种小区覆盖方向自适应调整方法和装置 | |
CN112950243A (zh) | 一种5g站址规划方法、装置、电子设备及存储介质 | |
CN110400011B (zh) | 电力现货交易中风电场出力申报方案的确定方法及装置 | |
CN111122222B (zh) | 一种样本点位置确定方法及系统 | |
EP3361277B1 (en) | Method and device for node location | |
CN112020072B (zh) | 一种基站选址方法与装置 | |
CN112350756B (zh) | 一种天线的权值参数的优化方法、装置及电子设备 | |
JP2012149920A (ja) | 降水強度推定システム及び降水強度推定方法 | |
CN107113633A (zh) | 优化通信网络的处理方法和装置 | |
Karra et al. | Prediction of received signal power in mobile communications using different machine learning algorithms: A comparative study | |
CN106941683A (zh) | 一种lte频间互操作自优化的方法及装置 | |
CN109379747A (zh) | 无线网络多控制器部署和资源分配方法和装置 | |
CN114169758A (zh) | 空气质量数据确定方法及装置、可读存储介质、电子设备 | |
CN110108239B (zh) | 极片质量信息获取方法、系统及设备 | |
US20230419172A1 (en) | Managing training of a machine learning model | |
CN112566143B (zh) | 负载均衡方法、装置及计算设备 | |
CN114818452A (zh) | 天线配置参数优化方法、装置及存储介质 | |
CN114051262A (zh) | 天线调整方法、装置、系统和计算机可读存储介质 |
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 |