CN110266412A - 预测地铁通信网络sinr的方法和装置 - Google Patents

预测地铁通信网络sinr的方法和装置 Download PDF

Info

Publication number
CN110266412A
CN110266412A CN201910584365.6A CN201910584365A CN110266412A CN 110266412 A CN110266412 A CN 110266412A CN 201910584365 A CN201910584365 A CN 201910584365A CN 110266412 A CN110266412 A CN 110266412A
Authority
CN
China
Prior art keywords
data
subway
user
sinr
effective
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.)
Granted
Application number
CN201910584365.6A
Other languages
English (en)
Other versions
CN110266412B (zh
Inventor
安新朝
郝立杰
蔡俊青
李兵
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Telecom Corp Ltd
Original Assignee
China Telecom Corp Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN201910584365.6A priority Critical patent/CN110266412B/zh
Publication of CN110266412A publication Critical patent/CN110266412A/zh
Application granted granted Critical
Publication of CN110266412B publication Critical patent/CN110266412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/336—Signal-to-interference ratio [SIR] or carrier-to-interference ratio [CIR]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/06—Testing, supervising or monitoring using simulated traffic
    • 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

本公开公开了一种预测地铁通信网络SINR的方法和装置，涉及移动通信网络数据分析技术领域。该方法包括：基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本MR数据和样本MR数据对应的样本SINR数据；基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。本公开能够实现SINR数据的预测。另外，本公开还能够实现地铁用户的有效识别，以及MR数据的地理化呈现。

Description

预测地铁通信网络SINR的方法和装置
技术领域
本公开涉及移动通信网络数据分析技术领域，尤其涉及一种预测地铁通信网络SINR的方法和装置。
背景技术
随着移动通信网络的发展，用户对网络质量和业务感知的要求越来越高。在发达的现代地下交通网成为日常生活不可或缺的时代，地铁网络质量和用户感知的保障逐渐成为室内地下场景中移动网络深度覆盖优化的重点之一。
传统LTE网络路测数据采集的方式为，通过地铁路测完成LTE网络RSRP(ReferenceSignal Receiving Power，参考信号接收功率)和SINR(Signal to Interference plusNoise Ratio，信号与干扰加噪声比)等覆盖率相关重要指标的获取和分析。不仅成本投入高，优化周期长，而且无法实时有效的反映目标场景、目标用户群体的业务质量和感知水平；同时室内场景下，数据采集常为手动打点，地理位置获取不便且不准确，已经不具备用于准实时、地理化业务分析的条件。
现有LTE网络技术中常用MR(Measurement Report，LTE终端上报的测量报告)或MDT(Minimization of Drive Tests，是3GPP在LTE系统中引入的通过网络配置对普通用户/商用终端进行测量数据采集、上报的自动化路测技术)数据作为地理化网络覆盖分析的数据源。
但目前LTE网络的MR/MDT信息中不含体现网络质量的重要指标SINR值，无法全面客观评估实际网络信号质量。
发明内容
本公开要解决的一个技术问题是，提供一种预测地铁通信网络SINR的方法和装置，能够实现SINR数据的预测。
根据本公开一方面，提出一种预测地铁通信网络SINR的方法，包括：基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本测量报告MR数据和样本MR数据对应的样本SINR数据；基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。
在一个实施例中，根据MR数据中的关键字段对地铁基站的MR数据进行分组；基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。
在一个实施例中，判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，以便基于有效地铁用户的MR数据预测对应的SINR数据。
在一个实施例中，根据有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定有效地铁用户所在地铁线路以及移动方向；根据有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定有效地铁用户的MR数据的经纬度信息。
在一个实施例中，根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。
在一个实施例中，确定有效地铁用户所在地铁线路以及移动方向包括：基于地铁双向隧道小区集合，根据有效地铁用户的MR数据中的时间戳信息和占用服务小区信息，确定有效地铁用户所在地铁线路号，以及有效地铁用户的MR数据对应的初始服务小区和最后服务小区的排序编号；若有效地铁用户在初始时刻所在地铁线路号与最后时刻所在地铁线路号相同，则根据初始服务小区和最后服务小区的排序编号确定有效地铁用户的移动方向。
根据本公开的另一方面，还提出一种预测地铁通信网络SINR的装置，包括：模型训练模块，被配置为基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本测量报告MR数据和样本MR数据对应的样本SINR数据；预测模型模块，被配置为基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。
在一个实施例中，用户标识计算模块，被配置为根据MR数据中的关键字段对地铁基站的MR数据进行分组；基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。
在一个实施例中，有效地铁用户识别模块，被配置为判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，以便基于有效地铁用户的MR数据预测对应的SINR数据。
在一个实施例中，用户移动方向确定模块，被配置为根据有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定有效地铁用户所在地铁线路以及移动方向；MR数据经纬度确定模块，被配置为根据有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定有效地铁用户的MR数据的经纬度信息。
在一个实施例中，经纬度校正模块，被配置为根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。
根据本公开的另一方面，还提出一种预测地铁通信网络SINR的装置，包括：存储器；以及耦接至存储器的处理器，处理器被配置为基于存储在存储器的指令执行如上述的方法。
根据本公开的另一方面，还提出一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现上述的方法。
与现有技术相比，本公开基于样本MR数据和该样本MR数据对应的样本SINR数据对机器学习模型进行训练，得到SINR预测模型，然后将地铁基站的MR数据输入至该SINR预测模型，能够实现SINR数据的预测。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1为本公开预测地铁通信网络SINR的方法的一个实施例的流程示意图。
图2为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
图3为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
图4为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
图5为本公开对MR数据进行预处理过程的一个实施例的流程示意图。
图6为本公开对MR数据进行分组处理并设置用户标识的一个实施例的流程示意图。
图7为本公开识别有效地铁用户移动方向的一个实施例的流程示意图。
图8为本公开确定有效地铁用户的MR数据经纬度及栅格的一个实施例的流程示意图。
图9为本公开占用服务小区覆盖范围示意图。
图10为本公开校正有效地铁用户的MR数据的经纬度信息的一个实施例的流程示意图。
图11为本公开地铁曲线段MR栅格映射示意图。
图12为本公开确定SINR预测模型的一个实施例的流程示意图。
图13为本公开地铁测试数据特征相关性示意图。
图14为本公开地铁LTE网络覆盖地理化呈现示意图。
图15为本公开预测地铁通信网络SINR的装置的一个实施例的结构示意图。
图16为本公开预测地铁通信网络SINR的装置的另一个实施例的结构示意图。
图17为本公开预测地铁通信网络SINR的装置的另一个实施例的结构示意图。
图18为本公开预测地铁通信网络SINR的装置的另一个实施例的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。
图1为本公开预测地铁通信网络SINR的方法的一个实施例的流程示意图。
在步骤110，获取样本地铁通信网络测试数据，其中，样本地铁通信网络测试数据中包括样本MR数据和样本MR数据对应的样本SINR数据。
在一个实施例中，通信网络为LTE网络，MR数据是终端上报的测量报告数据，其关键信息包括终端上报MR的TimeStamp(时间戳)、MMEGroupId(MME组标识)、MMECode(MME编号)、MMEUeS1apId(终端在MME侧S1接口上的唯一标识)、LteScRSRP(服务小区参考信号功率)、LteScRSRQ(服务小区参考信号质量)、LteNcRSRP(邻区参考信号功率)、LteNcRSRQ(邻区参考信号质量)、LteScEarfcn(服务小区频点号)、LteScPci(服务小区物理小区标识)、LteNcEarfcn(邻区频点号)、LteNcPci(邻区物理小区标识)、CQI(信道质量指示)等。
在一个实施例中，在获取样本地铁通信网络测试数据后，需要对样本地铁通信网络测试数据进行预处理，例如，对测试数据进行清洗、变换和特征提取等。
在步骤120，基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型。其中，机器学习模型例如为线性回归模型、神经网络模型、随机森林模型等。
在一个实施例中，将样本MR数据作为机器学习模型的输入参数，将样本SINR数据作为机器学习模型的标记值，对该机器学习模型进行训练得到SINR预测模型。
在步骤130，基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。其中，可以定时从LTE网络中的MR存储服务器下载地铁基站的MR数据，并对MR数据进行解压、解析导入数据库并完成MR数据清洗等，然后，将处理好的MR数据输入至训练好的SINR预测模型，可以得到对应的SINR数据。
在该实施例中，基于样本MR数据和该样本MR数据对应的样本SINR数据对机器学习模型进行训练，得到SINR预测模型，然后将地铁基站的MR数据输入至该SINR预测模型，能够实现SINR数据的预测。
在另一个实施例中，基于MR数据预测的SINR数据，结合服务小区RSRP数据，能够实现地铁通信网络覆盖率的有效评估。
图2为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
在步骤210，根据MR数据中的关键字段对地铁基站的MR数据进行分组。在一个实施例中，根据MME组标识、MME编号、UE在MME侧S1接口上的唯一标识等信息对MR数据进行分组，一组内的MR数据可能包含多个地铁用户。
在步骤220，基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据。例如，对分组内的MR数据按照上报时间戳进行排序，将相邻两次上报时间差小于等于ΔT的MR数据识别为同一个地铁用户Un，如果同一组内的MR数据上报时差大于ΔT，则识别为另一个地铁用户Un+1，直至组内MR数据遍历完成。
在一个实施例中，对MR数据设置用户标识，同一日期内的地铁用户标识初始值为0，对标识同一地铁用户的MR数据，MR数据序号按照MR上报时间戳累计加1。其中，ΔT需参考MR上报周期设定，例如设置为30秒。
在现有技术中，LTE网络的用户识别以及用户信息与MR/MDT信息关联需基于S1-U口、S1-MME口、Uu口等多接口数据实现，实现过程复杂，并且用户信息安全性较低。而该实施例中，能够实现地铁用户的有效识别。
在另一个实施例中，判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，否则，确定该地铁用户为无效地铁用户。小区个数阈值例如设置为2。地铁用户是移动的，因此，该地铁用户的MR数据对应的服务小区应该对应多个，在该实施例中，识别出有效地铁用户后，可以仅对有效地铁用户对应MR数据进行SINR数据预测，提高数据预测效率和准确性。
图3为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
在步骤310，根据有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定有效地铁用户所在地铁线路以及移动方向。其中，地铁双向隧道小区集合是指覆盖地铁双向隧道沿线的服务小区集合，该集合包含服务小区按照地铁行驶方向的排序编号信息。
在一个实施例中，基于地铁双向隧道小区集合，根据有效地铁用户的MR数据中的时间戳信息和占用服务小区信息，确定有效地铁用户所在地铁线路号，以及有效地铁用户的MR数据对应的初始服务小区和最后服务小区的排序编号；若有效地铁用户在初始时刻所在地铁线路号与最后时刻所在地铁线路号相同，则根据初始服务小区和最后服务小区的排序编号确定有效地铁用户的移动方向。例如，若某地铁线路为A站到B站以及B站到A站，从A站到B站所经过的服务小区编号依次递增，从B站到A站所经过的服务小区编号依次递减，通过识别确定有效地铁用户初始服务小区和最后服务小区的排序编号为递增，则确定该用户在该地铁线路上的移动方向为从A站到B站。
在步骤320，根据有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定有效地铁用户的MR数据的经纬度信息，以便地理化呈现地铁通信网络覆盖率。
在一个实施例中，可以结合栅格计算参考经纬度，计算该MR数据的经纬度信息所对应的10米栅格经纬度信息。例如，以栅格为单位计算各地铁双向LTE网络的栅格覆盖率，结合GIS(Geographic Information System，地理信息系统)实现地铁双向LTE网络栅格覆盖指标的地理化呈现。
在另一个实施例中，根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。若地铁线路有曲线段，在上述实施例中计算出的MR数据的经纬度信息与实际情况可能出现偏差，因此，需要对经纬度数据进行校正。地铁双向隧道轨迹是指地铁双向隧道实际行经路径通过栅格地理化处理后的数据集合，因此，可以将计算出的MR数据的经纬度信息与地铁双向隧道轨迹进行比较，如果MR经纬度数据与地铁双向隧道轨迹中的经纬度相等且线路名称和方向相同，则以该MR经纬度数据作为最终的MR经纬度数据，否则，根据地铁双向隧道轨迹校正MR数据的经纬度信息。
由于部分用户终端受终端类型影响不支持定位功能，或者由于用户所处位置原因，例如地铁、地下室等场景无GPS信息，其上报的MR/MDT信息中不含终端经纬度信息，无法有效开展覆盖指标的地理化计算和呈现，给地铁、地下室等室内场景下的LTE网络覆盖评估带来较大困难。而在上述实施例中，能够判断出有效地铁用户所在的地铁线路及移动方向，进一步确定该用户MR数据经纬度信息回填，弥补了当前基于MR数据实现地铁LTE网络覆盖评估方法的空白，并且，相对于手动打点的数据采集方法，实现了更加精准更加简便的地理化呈现。
图4为本公开预测地铁通信网络SINR的方法的另一个实施例的流程示意图。
在步骤410，获取MR数据，并对MR数据进行预处理。该步骤的具体实现过程例如如图5所示。
在步骤4101，获取地铁双向隧道小区集合。其中，地铁双向隧道小区集合指覆盖地铁双向隧道的LTE网络小区集合，如表1所示，其包含地铁线路名称、隧道方向、基站标识，小区标识，小区经度、小区纬度等信息。
地铁线路名称 隧道方向 基站标识 小区标识 小区经度 小区纬度 编号
1号线 东向西 eNodeB1 CellId1 Lon1 Lat1 1
1号线 东向西 eNodeB2 CellIdl2 Lon2 Lat2 2
1号线 东向西 eNodeB3 CellId3 Lon3 Lat3 3
…… …… …… …… …… …… ……
1号线 西向东 eNodeBn CellIdn Lonn Latn n
1号线 西向东 eNodeBn+1 CellIdn+1 Lonn+1 Latn+1 n+1
1号线 西向东 eNodebn+2 CellIdn+2 Lonn+2 Latn+2 n+2
…… …… …… …… …… …… ……
表1
在步骤4102，根据地铁双向隧道小区集合得到地铁基站列表。地铁基站列表仅含基站标识字段，如eNodeB1、eNodeB2、eNodeB3、eNodeBn、eNodeBn+1、eNodeBn+2等。
在步骤4103，根据地铁基站列表给出的范围，下载相应地铁基站的原始MR文件，以减少MR文件下载、存储的资源消耗。
在步骤4104，对MR文件进行解压缩，生成XML文件。
在步骤4105，解析所有XML文件，读取MR主要信息。MR主要信息包含TimeStamp、MMEGroupId、MMECode、MMEUeS1apId、eNodeB、CellID、LteScRSRP、LteScRSRQ、LteNcRSRP、LteNcRSRQ、LteScEarfcn、LteScPci、LteNcEarfcn、LteNcPci、CQI等。
在步骤4106，将解析得到的MR信息，导入Oracle数据库并完成初步的数据清洗，保存所有地铁小区的MR信息，便于开展后续用户标识的计算等过程。其导入后的表结构如下表2所示。
表2
在步骤4107，MR信息导入Oracle后，删除解压缩后的XML文件，释放磁盘空间。
在步骤420，对不同地铁用户的已进行预处理的MR数据进行分组，并对每个用户的MR数据设置用户标识。该步骤的具体实现方式例如为图6所示。
在步骤4201，提取预处理后的MR数据的关键字段。例如，提取MR数据中时间戳、MME组标识、MME编号、UE在MME侧S1接口上的唯一标识等信息。
在步骤4202，根据关键字段进行MR数据分组。例如，按照MME组标识、MME编号、UE在MME侧S1接口上的唯一标识，将三个字段组合相同的MR数据分为一组。
在步骤4203，对组内的MR按照MR上报时间戳进行排序。
在步骤4204，判断相邻两次上报时间差是否小于等于ΔT，若是，则执行步骤4205，否则，执行步骤4206。
在步骤4205，将MR数据识别为属于同一个地铁用户Un，MR序号按照MR上报时间戳累计加1。
在步骤4206，识别出另一地铁用户，对用户标识加1。如果同一组内的MR上报时差大于ΔT，则识别为另一个地铁用户Un+1，直至组内MR数据遍历完成。
通过步骤420输出的结果如表3所示，其中UserID和MrID分别表示用户标识和同组MR序号。
TimeStamp MmeCode MmeGroupId MmeUeS1apId eNodeB CellID UserID MrID
2019-4-8 07:12:02 1 4865 29509104 65930 55 25329 1
2019-4-8 07:12:12 1 4865 29509104 65930 55 25329 2
2019-4-8 07:12:23 1 4865 29509104 65930 55 25329 3
2019-4-8 07:12:33 1 4865 29509104 65930 55 25329 4
2019-4-8 07:12:43 1 4865 29509104 65930 55 25329 5
2019-4-8 07:12:53 1 4865 29509104 65930 55 25329 6
2019-4-8 07:13:04 1 4865 29509104 65930 55 25329 7
2019-4-8 07:13:14 1 4865 29509104 65930 55 25329 8
2019-4-8 07:13:24 1 4865 29509104 65930 55 25329 9
2019-4-8 07:13:34 1 4865 29509104 65930 55 25329 10
2019-4-8 07:13:44 1 4865 29509104 65930 55 25329 11
2019-4-8 07:13:55 1 4865 29509104 65930 54 25329 12
2019-4-8 07:13:55 1 4865 29509104 65930 55 25329 13
2019-4-8 07:14:05 1 4865 29509104 65930 54 25329 14
2019-4-8 07:14:15 1 4865 29509104 65930 54 25329 15
2019-4-8 07:14:25 1 4865 29509104 65930 54 25329 16
2019-4-8 07:14:36 1 4865 29509104 65930 54 25329 17
2019-4-8 07:14:46 1 4865 29509104 65930 54 25329 18
2019-4-8 07:14:56 1 4865 29509104 65930 54 25329 19
2019-4-8 07:15:06 1 4865 29509104 65930 54 25329 20
2019-4-8 07:15:17 1 4865 29509104 65930 54 25329 21
2019-4-8 07:15:27 1 4865 29509104 65930 54 25329 22
2019-4-8 07:15:37 1 4865 29509104 65930 54 25329 23
2019-4-8 07:15:47 1 4865 29509104 65930 54 25329 24
2019-4-8 07:15:58 1 4865 29509104 65930 54 25329 25
2019-4-8 07:16:08 1 4865 29509104 65930 54 25329 26
2019-4-8 07:16:18 1 4865 29509104 65930 54 25329 27
2019-4-8 07:16:28 1 4865 29509104 65930 54 25329 28
2019-4-8 07:16:39 1 4865 29509104 65930 54 25329 29
2019-4-8 07:16:49 1 4865 29509104 65930 54 25329 30
表3
在步骤430，筛选出有效地铁用户及相应的MR数据。在一个实施例中根据用户标识，判断属于该用户标识的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该用户标识对应的地铁用户为有效地铁用户。
在步骤440，根据有效地铁用户占用服务小区顺序，结合地铁双向隧道小区集合确定该有效地铁用户所在地铁线路以及移动方向。该步骤例如如图7所示。
在步骤4401，确定有效地铁用户的MR数据。
在步骤4402，确定地铁双向隧道小区集合。
在步骤4403，确定有效地铁用户首次及最后一次占用服务小区所在地铁线路编号及方向。
在步骤4404，判断有效地铁用户首次及最后一次占用服务小区所在地铁线路及沿地铁线路方向是否一致，若是，则执行步骤4405，否则，执行步骤4406。
在步骤4405，输出该有效地铁用户沿地铁移动方向。
在步骤4406，不对该有效地铁用户的MR数据进行处理。
通过执行步骤440输出的结果例如如表4所示，其中，Subway和Direction分别表示地铁线路号和隧道方向。
表4
在一个实施例中，经过步骤410-440，通过对某地铁LTE网络数据进行计算，得到的有效地铁用户及其MR记录识别的效果如表5所示。
表5
在步骤450，确定有效地铁用户的MR数据经纬度及栅格。该步骤的实现例如如图8所示。
在步骤4501，获取含地铁移动方向的MR数据。
在步骤4502，获取地铁双向隧道小区集合。
在步骤4503，确定有效地铁用户占用服务小区序列。
在步骤4504，计算有效地铁用户占用的服务小区覆盖范围。该过程可以采用中值法或路测打点估算法等。在一个实施例中，以中值法为例对该步骤进行介绍。
假设计算有效地铁用户占用服务小区的起始点为起始占用小区(eNodeBN，CellIDN)和(eNodeBN-L，CellIDN-L)经纬度的中值，而结束点为占用小区(eNodeBN，CellIDN)和(eNodeBN+M，CellIDN+M)中值，计算示意图如图9所示。
起始点经度为：LONs＝(LONN+LONN-L)/2
起始点纬度为：LATs＝(LATN+LATN-L)/2
结束点经度为：LONe＝(LONN+LONN+M)/2
结束点纬度为：LATe＝(LATN+LATN+M)/2
在步骤4505，根据MR数据上报时间戳，确定有效地铁用户在服务小区的每个MR上报间隔，即MRi-TimeStamp-MRs-TimeStamp，其中MRi-TimeStamp为第i条MR上报时间戳，MRs-TimeStamp为在该服务小区上报的第一条MR时间戳。
在步骤4506，根据有效地铁用户第一次MR上报时间戳和最后一次MR上报时间戳得到该用户在服务小区的驻留总时长MRe-TimeStamp-MRs-TimeStamp)，MRe-TimeStamp为在本服务小区上报的最后一条MR时间戳。
在步骤4507，根据有效地铁用户的行经路径以及在服务小区的驻留总时长、在服务小区的每条MR上报时间间隔，计算得到每条MR数据所在经纬度，其计算公式为：
MrLoni＝LONs+(LONe-LONs)*(MRi-TimeStamp
-MRs-TimeStamp)/(MRe-TimeStamp-MRs-TimeStamp)
MrLati＝LATs+(LATe-LATs)*(MRi-TimeStamp
-MRs-TimeStamp)/(MRe-TimeStamp-MRs-TimeStamp)
在步骤4508，基于栅格经纬度参考基准值，分别计算每条MR数据经纬度所属栅格，获得其对应的栅格经纬度。
其中，经过步骤450输出结果如表6所示，其中MrLon和MrLat为回填的MR经纬度，RasLon和RasLat为对应栅格经纬度。
表6
在步骤460，针对地铁线路曲线路段，根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。该步骤的具体实现方式例如如图10所示。
在步骤4601，获取MR栅格经纬度信息。该信息中包括线路名称及方向。
在步骤4602，获取地铁曲线段栅格库，以便实现地铁曲线段MR栅格映射，使MR栅格覆盖与地铁实际轨迹相吻合。
在步骤4603，判断MR栅格经度与地铁曲线段栅格库中的经度是否相等，并且线路名称及方向相同，若是，则执行步骤4604，否则，继续执行步骤4601。其中，地铁曲线段MR栅格映射示意图如图11所示。
在步骤4604，输出映射点栅格经纬度值。
在步骤470，基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。其中，得到SINR预测模型的实现过程例如如图12所示。
在步骤4701，获取地铁测试数据。例如，通过地铁路测数据采集的方式得到地铁LTE网络覆盖MR信息，其主要信息如表7所示。
字段 解释 示例数据
PCTime 时间 2019-03-14 10:02:43
eNodeB 基站标识 65938
CellId 小区标识 1
SINR 信号与干扰加噪声比 8.6
WideBand CQI 信道质量指示 15
Cell 1st EARFCN 服务小区频点号 1825
Cell 1st PCI 服务小区PCI 82
Cell 1st RSRP 服务小区参考信号功率 -79
Cell 1st RSRQ 服务小区参考信号质量 -8.12
Cell 2nd EARFCN 第一邻区频点号 1825
Cell 2nd PCI 第一邻区PCI 100
Cell 2nd RSRP 第一邻区参考信号功率 -83.37
Cell 2nd RSRQ 第一邻区参考信号质量 -8.19
Cell 3rd EARFCN 第二邻区频点号 1825
Cell 3rd PCI 第二邻区PCI 280
Cell 3rd RSRP 第二邻区参考信号功率 -89.93
Cell 3rd RSRQ 第二邻区参考信号质量 -16.06
Cell 4th EARFCN 第三邻区频点号 1825
Cell 4th PCI 第三邻区PCI 84
Cell 4th RSRP 第三邻区参考信号功率 -93.93
Cell 4th RSRQ 第三邻区参考信号质量 -23
Cell 5th EARFCN 第四邻区频点号 1825
Cell 5th PCI 第四邻区PCI 99
Cell 5th RSRP 第四邻区参考信号功率 -96.56
Cell 5th RSRQ 第四邻区参考信号质量 -23.68
Cell 6th EARFCN 第五邻区频点号 1825
Cell 6th PCI 第五邻区PCI 75
Cell 6th RSRP 第五邻区参考信号功率 -99.93
Cell 6th RSRQ 第五邻区参考信号质量 -26.93
表7
在步骤4702，对地铁测试数据清洗。例如，进行缺失值处理和数据去重，由于路测软件内部处理机制原因，在数据导出时部分字段可能会出现空值或重复。
缺失值处理是指对SINR、WideBand CQI、Cell 1st EARFCN、Cell 1st PCI、Cell1st RSRP、Cell 1st RSRQ等6个字段通过函数进行检查，若任意字段出现缺失值，则需进行相应处理，在一个实施例中可以直接删除相应MR信息。
数据去重是指对同一条MR信息导出重复的问题，通过函数检查导出MR信息是否存在重复问题。若存在，则需进行相应处理，在一个实施例中，可以直接删除重复MR行，保留唯一值。
在步骤4703，对数据进行变换。为便于后续预测模型的使用，提升预测的准确性，对上述清洗后的数据进行离散化和归一化，生成新的特征。
服务小区与邻区的频点号以及PCI无法直接表征邻区对服务小区的干扰情况，通过离散化后，用是否同频、是否模三干扰来表征，其值设为0或1。服务小区与邻区参考信号功率通过干扰矩阵的形式表征邻区对服务小区的干扰。在完成测试数据离散化和归一化后，再将MR数据与测试数据进行格式统一及MR数据清洗，便于后续开展预测。
在步骤4704，选取地铁测试数据特征。在测试数据清洗和数据变换完成后，需要选择典型特征结合机器学习算法进行模型训练。在一个实施例中，通过python语言中RandomForestRegressor.feature_importances_可以进行各特征相关性评估，如图13所示。经相关性评估后提取的典型特征为信道质量指示(WideBand CQI)、服务小区参考信号功率(Cell 1st RSRP)，服务小区参考信号质量(Cell 1st RSRQ)，第i个邻区对服务小区的干扰(Interference_i)、第i个邻区与服务小区是否同频(Frequency_i)，第i个邻区与服务小区是否模三相同(Mod3_i)。
在步骤4705，选择机器学习模型。在一个实施例中，基于python语言，可通过线性回归、神经网络、随机森林等算法建模预测。
在步骤4706，对机器学习模型训练。在上述数据及模型选择确定的基础上，加载测试数据，进行模型训练，建立SINR预测模型。
在步骤4707，进行模型评估。对于回归预测模型，通常采用的评估方法有R2决定系数、平均绝对误差、均方误差、中值绝对误差等，其中R2决定系数更能直观的体现模型预测的准确度，在一个实施例中，采用R2作为评估标准，其公式如下所示：
为拟合值；为均值；yi：为预测值；R2的取值区间为[0,1]，R2越趋近于1，说明预测准确率越高。
在步骤4708，通过计算R2值，评估模型是否仍存在参数调优空间。如有，则通过步骤4709进行模型调优。
在步骤4709，调整模型参数。在一个实施例中，可通过调整随机森林模型参数max_depth和n_estimators等以提升R2，后再次进行评估，直至模型达到最佳状态，输出最终SINR预测模型。
在一个实施例中，如表8所示，通过设置不同的max_depth和n_estimators进行模型调优后，R2值可达到0.9655。
模型训练 R<sup>2</sup> max_depth n_estimators
模型1 0.9483 23 180
模型2 0.96 300 180
模型3 0.9608 600 180
模型4 0.9615 600 360
模型5 0.9621 1200 480
模型6 0.9636 2400 600
模型7 0.9643 4800 600
模型8 0.9655 4800 1200
表8
在步骤47010，输出SINR预测模型。
在步骤47011，基于SINR预测模型进行SINR预测。其中，将待预测SINR值的MR数据(经格式变换及清洗)导入SINR预测模型，实现MR数据的SINR值填充。在一个实施例中，对地铁LTE网络数据进行计算，评估预测出的MR中SINR值误差情况统计如表9所示。
SINR预测误差区间 MR采样数分布 误差区间占比 累计误差区间占比
[-15,-10) 5 0.02％ 0.02％
[-10,-8) 16 0.08％ 0.10％
[-8,-6) 47 0.22％ 0.32％
[-6,-4) 211 1.01％ 1.33％
[-4,-2) 1272 6.06％ 7.39％
[-2,0) 8017 38.22％ 45.61％
[0,2) 9764 46.54％ 92.15％
[2,4) 1510 7.20％ 99.35％
[4,6) 121 0.58％ 99.93％
[6,8) 12 0.06％ 99.99％
[8,10) 2 0.01％ 100.00％
表9
在步骤480，基于有效地铁用户的MR数据预测的SINR数据以及MR数据中的RSRP确定地铁通信网络覆盖率。
在步骤490，地理化呈现地铁通信网络覆盖率。如图14所示，以栅格为单位计算各地铁双向LTE网络栅格覆盖指标，并结合GIS地图功能直观地理化呈现地铁双向LTE网络栅格覆盖情况。
在上述实施例中，基于地铁双向隧道轨迹、地铁双向隧道小区集合、地铁测试数据、MR数据等四类数据，通过有效地铁用户的识别及移动方向判断、MR经纬度回填及栅格计算、SINR预测等算法过程，实现地铁LTE网络覆盖率的预测和评估，为地铁场景LTE网络质量和用户感知优化工作奠定坚实基础，同时大大节约日常路测及数据分析处理的资源投入。另外，替代现有传统路测手段及MR分析方法，提升了覆盖率评估效率及准确性，并改善由于手动打点导致地理位置获取不便且不准确的问题，提升分析优化时效性。
图15为本公开预测地铁通信网络SINR的装置的一个实施例的结构示意图。该装置包括模型训练模块1510和预测模型模块1520。
模型训练模块1510被配置为基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，样本地铁通信网络测试数据中包括样本测量报告MR数据和样本MR数据对应的样本SINR数据。
在一个实施例中，将样本MR数据作为机器学习模型的输入参数，将样本SINR数据作为机器学习模型的标记值，对该机器学习模型进行训练得到SINR预测模型。其中，机器学习模型例如为线性回归模型、神经网络模型、随机森林模型等。
预测模型模块1520被配置为基于SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。
在一个实施例中，该装置还包括数据获取模块1530，被配置为获取样本地铁通信网络测试数据，其中，在获取样本地铁通信网络测试数据后，需要对样本地铁通信网络测试数据进行预处理，例如，对测试数据进行清洗、变换和特征提取等。
在另一个实施例中，数据获取模块1530还被配置为定时从LTE网络中的MR存储服务器下载地铁基站的MR数据，并对MR数据进行解压、解析导入数据库并完成MR数据清洗等。预测模型模块1520被配置为将处理好的MR数据输入至训练好的SINR预测模型，可以得到对应的SINR数据。
在上述实施例中，基于样本MR数据和该样本MR数据对应的样本SINR数据对机器学习模型进行训练，得到SINR预测模型，然后将地铁基站的MR数据输入至该SINR预测模型，能够实现SINR数据的预测，进而为实现地铁通信网络覆盖率评估奠定数据基础。
图16为本公开预测地铁通信网络SINR的装置的另一个实施例的结构示意图。该装置还包括用户标识计算模块1610，被配置为根据MR数据中的关键字段对地铁基站的MR数据进行分组；基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。
在另一个实施例中，该装置还包括有效地铁用户识别模块1620，判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，否则，确定该地铁用户为无效地铁用户。小区个数阈值例如设置为2。地铁用户是移动的，因此，该地铁用户的MR数据对应的服务小区应该对应多个，在该实施例中，识别出有效地铁用户后，可以仅对有效地铁用户对应MR数据进行SINR数据预测，提高数据预测效率和准确性。
在本公开的另一个实施例中，该装置还包括用户移动方向确定模块1630和MR数据经纬度确定模块1640。
用户移动方向确定模块1630被配置为根据有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定有效地铁用户所在地铁线路以及移动方向。
在一个实施例中，基于地铁双向隧道小区集合，根据有效地铁用户的MR数据中的时间戳信息和占用服务小区信息，确定有效地铁用户所在地铁线路号，以及有效地铁用户的MR数据对应的初始服务小区和最后服务小区的排序编号；若有效地铁用户在初始时刻所在地铁线路号与最后时刻所在地铁线路号相同，则根据初始服务小区和最后服务小区的排序编号确定有效地铁用户的移动方向。
MR数据经纬度确定模块1640被配置为根据有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定有效地铁用户的MR数据的经纬度信息。
在另一个实施例中，该装置还包括经纬度校正模块1650，被配置为根据地铁双向隧道轨迹校正有效地铁用户的MR数据的经纬度信息。若地铁线路有曲线段，在上述实施例中计算出的MR数据的经纬度信息与实际情况可能出现偏差，因此，需要对经纬度数据进行校正。地铁双向隧道轨迹是指地铁双向隧道实际行经路径通过栅格地理化处理后的数据集合，因此，可以将计算出的MR数据的经纬度信息与地铁双向隧道轨迹进行比较，如果MR经纬度数据与地铁双向隧道轨迹中的经纬度相等且线路名称和方向相同，则以该MR经纬度数据作为最终的MR经纬度数据，否则，根据地铁双向隧道轨迹校正MR数据的经纬度信息。
在本公开的另一个实施例中，该装置还包括地理化呈现模块1660，被配置为基于栅格经纬度参考基准值，确定每个MR数据对应的经纬度信息对应的栅格，获得栅格经纬度信息；根据栅格经纬度信息地理化呈现地铁通信网络覆盖率。
在上述实施例中，基于地铁双向隧道轨迹、地铁双向隧道小区集合、地铁测试数据、MR数据等四类数据，通过有效地铁用户的识别及移动方向判断、MR经纬度回填及栅格计算、SINR预测等算法过程，实现地铁LTE网络覆盖率的预测和评估，弥补了常规MR数据无SINR值的缺陷，达到地铁LTE网络准实时全面评估的目的；另外，实现了MR的地理化计算呈现，弥补了常规数据采集手动打点地理位置获取不便且不准确或者MR/MDT地理位置信息缺失的缺陷；方法实现简单，评估网络覆盖的信息完整有效。应用于实际，既节约了网络优化成本，又实现了准实时评估，可以快速的发现地铁网络中存在的问题，及时进行原因分析，提出解决方案，提升用户感知。
图17为本公开预测地铁通信网络SINR的装置的另一个实施例的结构示意图。该装置包括：存储器1710和处理器1720，其中，本公开涉及大数据处理领域，因此，存储器可以为存储器集群，处理器可以为处理器集群。存储器1710可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1-12所对应实施例中的指令。处理器1720耦接至存储器1710，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器1720用于执行存储器中存储的指令。
在一个实施例中，还可以如图18所示，该装置1800包括存储器1810和处理器1820。处理器1820通过BUS总线1830耦合至存储器1810。该装置1800还可以通过存储接口1840连接至外部存储装置1850以便调用外部数据，还可以通过网络接口1860连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，能够实现SINR数据的预测，进而为实现地铁通信网络覆盖率评估奠定数据基础。
在另一个实施例中，一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1-12所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (13)

1.一种预测地铁通信网络信号与干扰加噪声比SINR的方法，包括：
基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型；其中，所述样本地铁通信网络测试数据中包括样本测量报告MR数据和所述样本MR数据对应的样本SINR数据；
基于所述SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。
2.根据权利要求1所述的方法，还包括：
根据MR数据中的关键字段对所述地铁基站的MR数据进行分组；
基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。
3.根据权利要求2所述的方法，还包括：
判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，以便基于所述有效地铁用户的MR数据预测对应的SINR数据。
4.根据权利要求3所述的方法，还包括：
根据所述有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定所述有效地铁用户所在地铁线路以及移动方向；
根据所述有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定所述有效地铁用户的MR数据的经纬度信息。
5.根据权利要求4所述的方法，还包括：
根据地铁双向隧道轨迹校正所述有效地铁用户的MR数据的经纬度信息。
6.根据权利要求4所述的方法，其中，确定所述有效地铁用户所在地铁线路以及移动方向包括：
基于地铁双向隧道小区集合，根据所述有效地铁用户的MR数据中的时间戳信息和占用服务小区信息，确定所述有效地铁用户所在地铁线路号，以及所述有效地铁用户的MR数据对应的初始服务小区和最后服务小区的排序编号；
若所述有效地铁用户在初始时刻所在地铁线路号与最后时刻所在地铁线路号相同，则根据初始服务小区和最后服务小区的排序编号确定所述有效地铁用户的移动方向。
7.一种预测地铁通信网络信号与干扰加噪声比SINR的装置，包括：
模型训练模块，被配置为基于样本地铁通信网络测试数据建立并训练机器学习模型，得到SINR预测模型，其中，所述样本地铁通信网络测试数据中包括样本测量报告MR数据和所述样本MR数据对应的样本SINR数据；
预测模型模块，被配置为基于所述SINR预测模型，根据地铁基站的MR数据预测对应的SINR数据。
8.根据权利要求7所述的装置，还包括：
用户标识计算模块，被配置为根据MR数据中的关键字段对所述地铁基站的MR数据进行分组；基于MR数据中的时间戳信息，将每组内MR数据中的相邻两次上报时间的差值小于等于时间阈值的MR数据作为同一地铁用户的数据，以便对MR数据设置用户标识。
9.根据权利要求8所述的装置，还包括：
有效地铁用户识别模块，被配置为判断属于同一地铁用户的MR数据对应的服务小区的个数是否大于小区个数阈值，若大于，则确定该地铁用户为有效地铁用户，以便基于所述有效地铁用户的MR数据预测对应的SINR数据。
10.根据权利要求9所述的装置，还包括：
用户移动方向确定模块，被配置为根据所述有效地铁用户的MR数据中的时间戳信息、占用服务小区信息和地铁双向隧道小区集合确定所述有效地铁用户所在地铁线路以及移动方向；
MR数据经纬度确定模块，被配置为根据所述有效地铁用户的MR数据中的时间戳信息、小区驻留时长、有效地铁用户移动方向和地铁双向隧道小区集合中服务小区的覆盖范围，确定所述有效地铁用户的MR数据的经纬度信息。
11.根据权利要求10所述的装置，还包括：
经纬度校正模块，被配置为根据地铁双向隧道轨迹校正所述有效地铁用户的MR数据的经纬度信息。
12.一种预测地铁通信网络信号与干扰加噪声比SINR的装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至6任一项所述的方法。
13.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现权利要求1至6任一项所述的方法。
CN201910584365.6A 2019-07-01 2019-07-01 预测地铁通信网络sinr的方法和装置 Active CN110266412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910584365.6A CN110266412B (zh) 2019-07-01 2019-07-01 预测地铁通信网络sinr的方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910584365.6A CN110266412B (zh) 2019-07-01 2019-07-01 预测地铁通信网络sinr的方法和装置

Publications (2)

Publication Number Publication Date
CN110266412A true CN110266412A (zh) 2019-09-20
CN110266412B CN110266412B (zh) 2021-06-18

Family

ID=67923491

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910584365.6A Active CN110266412B (zh) 2019-07-01 2019-07-01 预测地铁通信网络sinr的方法和装置

Country Status (1)

Country Link
CN (1) CN110266412B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111342917A (zh) * 2020-02-27 2020-06-26 咪咕文化科技有限公司 信干噪比评估方法及多媒体广播组播方法、电子设备
CN113141570A (zh) * 2020-01-17 2021-07-20 中国移动通信集团陕西有限公司 地下场景定位方法、装置、计算设备及计算机存储介质
WO2022001758A1 (zh) * 2020-06-30 2022-01-06 荣耀终端有限公司 一种数据采集方法和系统
CN113965291A (zh) * 2020-07-20 2022-01-21 中兴通讯股份有限公司 通信控制方法、基站、终端及存储介质
CN114745289A (zh) * 2022-04-19 2022-07-12 中国联合网络通信集团有限公司 网络性能数据的预测方法、装置、存储介质及设备
CN115297506A (zh) * 2022-10-10 2022-11-04 中通服建设有限公司 一种基于大数据的地铁线路网络智能测评方法和系统
CN113965291B (zh) * 2020-07-20 2024-05-17 中兴通讯股份有限公司 通信控制方法、基站、终端及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103873395A (zh) * 2014-03-18 2014-06-18 北京交通大学 一种基于轨道交通无线环境图的智能移动通信方法
US20140269955A1 (en) * 2013-03-15 2014-09-18 Hughes Network Systems, Llc System and method for estimating an amplifier operating point using measurements at a receiver
CN105142177A (zh) * 2015-08-05 2015-12-09 西安电子科技大学 复数神经网络信道预测方法
US20170142665A1 (en) * 2015-11-13 2017-05-18 Apple Inc. Radio Link Monitoring for Link-Budget-Limited Devices
CN108156626A (zh) * 2017-12-21 2018-06-12 重庆玖舆博泓科技有限公司 轨道交通无线网络质量评估方法、装置及介质
CN108307427A (zh) * 2018-02-09 2018-07-20 北京天元创新科技有限公司 一种lte网络覆盖分析、预测方法及系统
CN108513251A (zh) * 2018-02-13 2018-09-07 北京天元创新科技有限公司 一种基于mr数据的定位方法及系统
CN109005504A (zh) * 2018-08-15 2018-12-14 广东宜通世纪科技股份有限公司 无线信息的定位方法、装置、终端设备及存储介质
CN109362092A (zh) * 2018-12-07 2019-02-19 中国移动通信集团福建有限公司 网络参数调整方法、装置、设备及介质

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140269955A1 (en) * 2013-03-15 2014-09-18 Hughes Network Systems, Llc System and method for estimating an amplifier operating point using measurements at a receiver
CN103873395A (zh) * 2014-03-18 2014-06-18 北京交通大学 一种基于轨道交通无线环境图的智能移动通信方法
CN105142177A (zh) * 2015-08-05 2015-12-09 西安电子科技大学 复数神经网络信道预测方法
US20170142665A1 (en) * 2015-11-13 2017-05-18 Apple Inc. Radio Link Monitoring for Link-Budget-Limited Devices
CN108156626A (zh) * 2017-12-21 2018-06-12 重庆玖舆博泓科技有限公司 轨道交通无线网络质量评估方法、装置及介质
CN108307427A (zh) * 2018-02-09 2018-07-20 北京天元创新科技有限公司 一种lte网络覆盖分析、预测方法及系统
CN108513251A (zh) * 2018-02-13 2018-09-07 北京天元创新科技有限公司 一种基于mr数据的定位方法及系统
CN109005504A (zh) * 2018-08-15 2018-12-14 广东宜通世纪科技股份有限公司 无线信息的定位方法、装置、终端设备及存储介质
CN109362092A (zh) * 2018-12-07 2019-02-19 中国移动通信集团福建有限公司 网络参数调整方法、装置、设备及介质

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113141570A (zh) * 2020-01-17 2021-07-20 中国移动通信集团陕西有限公司 地下场景定位方法、装置、计算设备及计算机存储介质
CN113141570B (zh) * 2020-01-17 2023-04-28 中国移动通信集团陕西有限公司 地下场景定位方法、装置、计算设备及计算机存储介质
CN111342917A (zh) * 2020-02-27 2020-06-26 咪咕文化科技有限公司 信干噪比评估方法及多媒体广播组播方法、电子设备
WO2022001758A1 (zh) * 2020-06-30 2022-01-06 荣耀终端有限公司 一种数据采集方法和系统
CN113965291A (zh) * 2020-07-20 2022-01-21 中兴通讯股份有限公司 通信控制方法、基站、终端及存储介质
CN113965291B (zh) * 2020-07-20 2024-05-17 中兴通讯股份有限公司 通信控制方法、基站、终端及存储介质
CN114745289A (zh) * 2022-04-19 2022-07-12 中国联合网络通信集团有限公司 网络性能数据的预测方法、装置、存储介质及设备
CN115297506A (zh) * 2022-10-10 2022-11-04 中通服建设有限公司 一种基于大数据的地铁线路网络智能测评方法和系统

Also Published As

Publication number Publication date
CN110266412B (zh) 2021-06-18

Similar Documents

Publication Publication Date Title
CN110266412A (zh) 预测地铁通信网络sinr的方法和装置
CN108156626B (zh) 轨道交通无线网络质量评估方法、装置及介质
CN106804046B (zh) 基于测量报告的移动台定位方法及装置
CN104239556B (zh) 基于密度聚类的自适应轨迹预测方法
CN108513251A (zh) 一种基于mr数据的定位方法及系统
CN111901750B (zh) 一种定位方法、装置、电子设备以及存储介质
WO2020119372A1 (zh) 场强预测方法、装置、设备及存储介质
CA2325075A1 (en) Apparatus and method for geostatistical analysis of wireless signal propagation
CN106874187A (zh) 代码覆盖率收集方法和装置
CN107958031A (zh) 基于融合数据的居民出行od分布提取方法
US20220191818A1 (en) Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus
CN108632832B (zh) 网络覆盖分析方法及系统
CN104904287A (zh) 用于定位无线设备的系统和方法
CN114173356A (zh) 网络质量的检测方法、装置、设备及存储介质
CN106658701A (zh) 一种定位方法及装置
CN110727752B (zh) 位置指纹库处理方法、设备及计算机可读存储介质
CN108259097A (zh) 基于mr数据的修正无线传播模型的方法及装置
CN105187139B (zh) 一种基于群智感知的室外无线信号接收强度地图构建方法
CN109995549B (zh) 一种评估流量价值的方法及装置
CN113973336B (zh) 一种网络中干扰小区的确定方法、装置、设备和存储介质
CN112995893A (zh) 一种指纹定位方法、系统、服务器和存储介质
CN108513306B (zh) 基于测试大数据的网络覆盖预测方法
CN109739866B (zh) 一种包含指纹库的自动更新和优化装置及方法
CN104504900B (zh) 基于emd算法的个体出行手机切换序列道路匹配方法
CN108419247A (zh) 一种无线通信基站小区相关性计算方法、电子设备及存储介质

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