CN110287271A - 一种无线基站与区域型地理地物关联矩阵的建立方法 - Google Patents

Abstract

本发明属于数据分析技术领域，具体涉及一种无线基站与区域型地理地物关联矩阵的建立方法。包括以下步骤：S1提取训练数据TrainData；S2从电子地图中提取地物信息，并进行分类，建立PoiData；S3对TrainData进行数据预处理，去除影响准确性的数据；S4通过地理关系关联TrainData和PoiData；S5建立基于训练数据的关系矩阵R_{cp_train}；S6对基站小区进行Voronoi Diagram划分，建立覆盖区域；S7根据过覆盖系数对覆盖区域进行扩展；S8计算训练矩阵的伴随可信矩阵B_region；S9建立小区‑地物的关系矩阵R_region；S10采用周期性滑动窗口法对关系矩阵R_region进行更新。本发明为准确判断手机用户的停留地点之后将为手机用户提供社会化地理信息提供基础数据，为公共安全、防灾减灾、智慧城市、市场营销等基于人员位置的应用提供基础模型。

Description

一种无线基站与区域型地理地物关联矩阵的建立方法

技术领域

本发明属于数据分析技术领域，具体涉及一种无线基站与区域型地理地物关联矩阵的建立方法。

背景技术

在应用运营商大数据的过程中，经常需要把基站信息映射到具体的地理地物，为进一步分析手机用户的社会化位置属性提供数据基础。

随着近距离无线通信和移动网络技术的不断发展，基于位置的服务(location-based service，LBS)越来越受到人们的重视。全球定位系统(global positioningsystem，GPS)在室外已经可以提供位置信息，但是在室内环境下由于建筑物的遮挡、楼层密度较大等特点而无法正常工作。在这种情况下，出现了利用红外线、WiFi、Zigbee等载波技术的室内定位方案，但是都没有达到非常好的效果。WiFi技术由于其能耗较大，且容易受到信号的干扰，信号覆盖的范围也仅局限于90m以内的空间，所以该技术的优势并不明显；Zigbee技术尽管具有低功耗、低成本、通信效率高等优点，但是其定位结果不稳定，系统可靠性不强。

申请号为201811550838.2的《一种区块特征指纹识别的方法》提出了一种区块特征指纹识别的方法。包括以下步骤：S1：获取通信运营商提供的基站工程参数和地图服务商提供的地理实体实际位置坐标点集合；S2：根据基站工程参数计算基站的覆盖面；S3：根据基站的覆盖面和空间区块实际位置坐标点集合计算地理实体与基站的匹配关系，形成地理实体特征指纹。本发明通过基站工程参数结合地理实体实际位置坐标点集合，将每一个地理区块实体与基站的位置关系进行匹配，形成地理实体特征指纹。然而该方法存在以下缺点：1、无线射频的覆盖是复杂的，有折射、散射和衍射等影响因素，采用几何的方法计算覆盖面积重叠，不能准确地计算无线基站和地理地物实体的关系；2、该方法没有采用VoronoiDiagram配合天线增益对基站的覆盖区域进行划分和重新赋形，不能对楼宇、公园等区域型地理地物建立无线基站和地理地物实体的关系。

发明内容

本发明要解决的技术问题在于克服现有技术的不足，提供一种无线基站与区域型地理地物关联矩阵的建立方法，采用的是基于手机用户上报的精准的GPS和基站编号，将GPS精确关联到地理实体，建立GPS-小区-地理地物的关系，通过海量数据可以建立比较准确的无线基站＝地理地物的关系概率矩阵。

本发明解决上述技术问题的技术方案如下：一种无线基站与区域型地理地物关联矩阵的建立方法，具体包括以下步骤：

S1、从移动运营商大数据中提取训练数据TrainData；

S2、从电子地图中提取地物信息，并进行分类，建立PoiData；

S3、对TrainData进行数据预处理，去除影响准确性的数据；

S4、通过地理关系关联TrainData和PoiData；

S5、建立基于训练数据的关系矩阵R_{cp_train}；

S6、对基站小区利用Delaunay三角剖分算法进行Voronoi Diagram划分，建立覆盖区域；

S7、根据过覆盖系数对覆盖区域进行扩展；

S8、计算训练矩阵的伴随可信矩阵B_region；

S9、建立小区-地物的关系矩阵R_region；

S10、采用周期性滑动窗口法对关系矩阵R_region进行更新。

进一步地，所述步骤S2中的分类具体为：区域型室内地物或区域型室外地物；所述区域型室内地物为公园、水域、绿地、体育场、露天市场等；所述区域型室外地物为写字楼、住宅楼、商场、展览馆、电影院、剧院、图书馆等。

进一步地，所述步骤S3中的对数据进行预处理具体为：当出现定位失败的时候确定定位不准确的类型，若为手机在室内地物内而定位在外部则不需要进行预处理，若为手机在外部而定位在室内地物内则采用异常点过滤方法进行过滤；所述异常点过滤方法具体为：对于每一个定位点序列[p1,p2,p3…pn]，对应于时间序列[t1,t2,t3…tn]，对前后5个定位点分别计算距离和速度，满足距离大于距离门限并且速度大于速度门限的条件的定位点为异常点，对这些异常点进行过滤；所述距离门限为50m，所述速度门限为100km/h。

进一步地，所述步骤S4中TrainData和PoiData的的关联方法具体为：如果TrainData中的经纬度落在该PoiData对应的MultiPolygon中，则这个TrainData记录可以关联这个区域型PoiData。

进一步地，所述步骤S5中关系矩阵R_{cp_train}的具体建立方法为：

对所有TrainData进行计算，然后对地理地物进行合并则得到以下的数据

其中，Cnt为满足关联条件的训练数据的数量，

把Cnt_train按行进行归一化得到小区-地物的关系矩阵R_{cp_train}：

进一步地，所述步骤S8中训练矩阵的伴随可信矩阵B_region的计算方法具体为：假设经过该地物的用户数user_cnt超过N1，并且平均每用户产生的样本数avg_sample_cnt超过N2，则认为该样本空间具有统计意义，则训练矩阵的可信度最高，获得最大的加权10x；其中，x取值1，N1取值100，N2取值1000；

当样本空间低于上述空间时，可信度的计算方法如下：

对训练矩阵中的每一个元素进行可信度计算，即得到可信度矩阵B_region

B_region＝[b_i，j]_m*n。

进一步地，所述步骤S9的建立小区-地物的关系矩阵具体为：

S9-1、利用小区天线增益图对覆盖区域进行天线增益赋形；

S9-2、通过小区无线覆盖区域与地物覆盖区域的重叠覆盖面积之比来计算小区对区域型地物的覆盖概率；

S9-3、建立基于覆盖的小区-区域型地物的关系矩阵R_{region_cov}；

S9-4、根据R_{cp_train}、R_{region_cov}、B_region三个矩阵联合计算，最终的合并公式为：

R′_region＝R_{cp_train}.*B_region+R_{region_cov}

对R′_region按行进行归一化得到最终的R_region

进一步地，所述步骤S9-1的天线增益赋形的计算方法具体为：以小区位置为中心c，对360度水平空间以x度为单位，取c与几何覆盖区域的连线cd1,将cd1的长度沿径向方向往外扩展天线增益倍，也就是cd1*(1+天线增益)，得到扩展点D1，依次得到扩展点D2…Dn，其中，n＝360/x；

最终D1D2…Dn组成的多边形记为天线增益赋形后的多边形。

进一步地，所述步骤S9-2中小区对区域型地物的覆盖概率计算方法为：

其中，

cell_type通过基站工程参数获得；

cross_area表示赋形后的小区覆盖与地物的重叠覆盖面积，这个面积可以通过将两个多边形三角化，计算三角形重叠覆盖面积之后再求和的方法计算；

cell_area表示赋形后的小区重叠覆盖面积，这个面积可以通过将多边形三角化，计算三角形面积之后再求和的方法计算。

进一步地，所述步骤S10中周期性滑动窗口法具体为：

以T为周期，以nT为数据滑动计算窗口的更新方式对关系矩阵R_region进行更新，其中，T＝1个月，n＝3，表示关系矩阵每个月将重新计算一次，每次计算所采用的数据为过去3个月的数据。

本发明采用的是基于手机用户上报的精准的GPS和基站编号，将GPS精确关联到地理实体，建立GPS-小区-地理地物的关系，通过海量数据可以建立比较准确的基站＝地理地物的关系概率矩阵。

本发明还将地理地物进行分类，对不同的地物应用不同的计算方法。

并发明还提出了一种概率加权合并的方法，把训练得到的关系矩阵与根据基站和地理实体计算出来的关系矩阵进行合并，从而得到一个更加准确的关系矩阵。

在计算重叠覆盖面积方面，本发明利用Voronoi Diagram建立基站的几何覆盖多边形，并根据无线网络重叠覆盖的特征，对多边形的几何辐射距离进行重叠覆盖系数的扩展，并根据天线360度水平增益图对几何多边形进行天线增益赋形，从而计算每个无线小区的覆盖面。

本发明的有益效果是：本发明提出了一种综合利用移动通信网络中的信令数据、APP数据、基站工程参数、天线增益模型以及电子地图中的地物数据联合使用方法。对一定历史时长的数据进行提取，采用相对准确的手机上报的GPS数据建立基站和地理地物的基本关系。在没有GPS数据或GSP数据不足的地方采用无线覆盖仿真模型，建立基站和地理地物的关系。并提出了一个融合方法，把上述两个关系矩阵融合成统一的关系矩阵。本发明为准确判断手机用户的停留地点之后将为手机用户提供社会化地理信息提供基础数据，为公共安全、防灾减灾、智慧城市、市场营销等基于人员位置的应用提供基础模型。

附图说明

为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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为本发明具体实施例的步骤S6中利用Voronoi Diagram建立基站的几何覆盖多边形图；

图2为本发明具体实施例的步骤S7中利用过覆盖系数对几何覆盖多边形图进行过覆盖扩展的示意图；

图3为本发明具体实施例的步骤S9中利用小区天线增益图对覆盖区域进行天线增益赋形的示意图；

图4为本发明具体实施例的步骤S10中采用周期性滑动窗口法关系矩阵对R_region进行更新的示意图。

具体实施方式

下面利用具体实施例对本发明/发明作进一步阐述。在此需要说明的是，对于这些实施例方式的说明用于帮助理解本发明/发明，但并不构成对本发明/发明的限定。本文公开的特定结构和功能细节仅用于描述本发明/发明的示例实施例。然而，可用很多备选的形式来体现本发明/发明，并且不应当理解为本发明/发明限制在本文阐述的实施例中。

需要注意的是，除非另有说明，本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。

在本申请的描述中，需要理解的是，术语“中心”、“纵向”、“横向”、“长度”、“宽度”、“厚度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”、“顺时针”、“逆时针”、“轴向”、“径向”、“周向”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本文使用的术语仅用于描述特定实施例，并且不意在限制本发明/发明的示例实施例。如本文所使用的，单数形式“一”、“一个”以及“该”意在包括复数形式，除非上下文明确指示相反意思。还应当理解术语“包括”、“包括了”、“包含”、和/或“包含了”当在本文中使用时,指定所声明的特征、整数、步骤、操作、单元和/或组件的存在性,并且不排除一个或多个其他特征、数量、步骤、操作、单元、组件和/或他们的组合存在性或增加。

在下面的描述中提供了特定的细节,以便于对示例实施例的完全理解。然而,本领域普通技术人员应当理解可以在没有这些特定细节的情况下实现示例实施例。在其他实施例中，可以不以非必要的细节来示出众所周知的过程、结构和技术，以避免使得示例实施例不清楚。

实施例

本发明所提供的一种无线基站与区域型地理地物关联矩阵的建立方法，具体步骤为：

S1、从移动运营商大数据中提取训练数据TrainData；

利用移动运营商管道数据，从移动运营商2G/3G/4G网络的A/Iu/S1-MME等控制面接口可以采集到信令数据，通过数据转换可以得到位置类数据即每个用户发生通信事件所在的基站的位置、时间、时长。

从移动运营商2G/3G/4G网络的Gb/IuPS/Gn/S1-u等用户面接口可以采集到上网数据流，通过数据转换可以得到用户的上网流量数据。随着移动互联网的发展，大量基于LBS的APP会上报经纬度，通过解码这些经纬度可以得到用户的GPS位置，利用各个百度、高德等地图服务商的坐标转换服务可以把这些经纬度转换为标准的GPS。

通过移动采集数据的控制面和用户面关联方法，比如TMSI，M-TMSI，GTP-ID,APID等方式，经过数据整理，最终可以得到以下记录集。这个记录集即为关系矩阵的训练数据，如下所示：

TrainData＝{(user_id，time_start，time_end，cell_id，gps_x，gps_y)}

其中，user_id表示用户ID；time_start表示用户发生通信事件的所在基站的起始时间；time_end表示用户发生通信事件的所在基站的结束时间；cell_id表示手机ID；gps_x和gps_y分别表示用户发生通信事件的经纬度。

S2、从电子地图中提取地物信息，并进行分类，建立PoiData；

通过GIS系统获取地区的地理地物，从地物中提取出公园、绿地、水域、写字楼、住宅楼等地物信息。把地物进行分类，分为：区域型室内地物或区域型室外地物。不同的地物会采用不同的关系计算方法。

具体的分类如下表1所示：

表1

把地物信息整理为以下格式的数据：

PoiData＝{(Poi_name,Poi_type,Poi_class,MultiPolygon)}

其中：Poi_name表示地物名称，比如：xx大厦；Poi_type表示地物类型，比如楼宇；Poi_class表示地物的分类，如区域型室内地物；MultiPolygon表示区域的多边形集合。

S3、对TrainData进行数据预处理，去除影响准确性的数据；

需要注意的是，当用户进入到室内环境的时候，GPS卫星信号弱，将出现定位失败，大部分LBS APP会自动根据上一步准确的GPS位置来代替定位失败的位置，另外，有一部分LBS会采用Wifi辅助定位等辅助定位技术，从而取得比较准确的室内定位。为解决由于定位失败带来的潜在的数据不准确，需要联合TrainData和PoiData对数据进行预处理。

具体的数据定位不准确的分析如下表2所示：

表2

场景二的异常处理规则为：对于每一个定位点序列[p1,p2,p3…pn]，对应与时间序列[t1,t2,t3…tn]对前后5个定位点分别计算距离和速度，满足距离大于距离门限并且速度大于速度门限的条件的定位点为异常点，对这些异常点进行过滤。针对城市环境，距离门限可以取50米，速度门限可以取100公里/小时。

S4、通过地理关系关联TrainData和PoiData；

TrainData和PoiData的的关联方法为：如果TrainData中的经纬度落在该PoiData对应的MultiPolygon中，则这个TrainData记录可以关联这个区域型PoiData。

S5、建立基于训练数据的关系矩阵R_{cp_train}；

对所有TrainData进行计算，然后对地理地物进行合并则得到以下的数据

Cnt为满足关联条件的训练数据的数量。

把Cnt_train按行进行归一化得到小区-地物的关系矩阵R_{cp_train}：

S6、对基站小区进行Voronoi Diagram划分，建立覆盖区域；

利用基站的位置、天线方向角等参数，利用Delaunay三角剖分算法建立VoronoiDiagram图，对整体区域进行多边形划分，建立每一个小区的覆盖区域，如图1所示。

S7、根据过覆盖系数对覆盖区域进行扩展；

Voronoi Diagram得到的区域划分是互斥型划分，地图上任意一个点只能属于一个区域，由于无线网络往往是重叠覆盖的，所以需要利用过覆盖系数对步骤6得到的覆盖图进行扩展。根据经验，过覆盖系数可以选择为1～3，具体如图2所示。

S8、计算训练矩阵的伴随可信矩阵B_region；

由于不是每一个地物都有充足的训练数据，甚至有可能出现训练数据为0的情况，这个时候需要采用覆盖模型对训练模型进行补充和修正。一般来说基于真实数据的训练模型的可信度要大于覆盖模型。因此对两个矩阵合并的时候，要进行权重的设置，由于不同数据量将产生不同的可信度不一样，所以针对不同的可信度需要采用不同的权重分配。由于不同的小区有不同的训练数据特征，因此需要对每一个小区对应的每一种地物分别计算融合权重。这个基于不同小区不同地区的融合权重就是伴随可信矩阵。综合考虑以上因素建立针对训练矩阵的伴随可信矩阵B。对于区域型地物，我们把这个矩阵记为B_region。

根据数据分析经验，假设经过该地物的用户数user_cnt超过N1，并且平均每用户产生的样本数avg_sample_cnt超过N2，则认为该样本空间具有统计意义。则训练矩阵的可信度最高，获得最大的加权10x。x可以取1，N1可以取100，N2可以取1000。

当样本空间低于上述空间时，可信度的计算方法如下：

对训练矩阵中的每一个元素进行可信度计算，即得到可信度矩阵B_region

B_region＝[b_i，j]_m*n

S9、建立小区-地物关系矩阵R_region；

S9-1、利用小区天线增益图对覆盖区域进行天线增益赋形；

对于全向天线，天线对信号的增益在水平360度都是一致的，对于定向天线，天线对信号的增益在水平360度范围内是不同的，并且差异很大，为了更好地模拟天线的增益效果，在保持几何覆盖区域的基本区域外，对覆盖区域进行天线增益的赋形，也就是利用天线增益图修正几何覆盖图，具体如图3所示。

计算方法为：以小区位置为中心c，对360度水平空间以x度为单位(x可以取1～10)，取c与几何覆盖区域的连线cd1,将cd1的长度沿径向方向往外扩展天线增益倍，也就是cd1*(1+天线增益)，得到扩展点D1。注意，此处的天线增益为归一化的增益。依次得到D2…Dn，n＝360/x。

最终D1D2…Dn组成的多边形记为天线增益赋形后的多边形。

S9-2、计算小区对区域型地物的覆盖概率；

小区对区域型地物的覆盖概率通过小区无线覆盖区域与地物覆盖区域的重叠覆盖面积之比来计算。

移动运营商为了加强大中型楼宇的通信容量和无线覆盖质量，往往对大中型楼宇进行室内覆盖，为了防止无线信号干扰，往往将室内覆盖的覆盖半径配为50米以内。所以室内覆盖下的用户在室内的概率是很高的，可以认为接近100％。

因此，整体上采用下面的公式进行计算：

其中:

cell_type通过基站工程参数获得。

cross_area表示赋形后的小区覆盖与地物的重叠覆盖面积，这个面积可以通过将两个多边形三角化，计算三角形重叠覆盖面积之后再求和的方法计算。

cell_area表示赋形后的小区重叠覆盖面积，这个面积可以通过将多边形三角化，计算三角形面积之后再求和的方法计算。

S9-3、建立基于覆盖的小区-区域型地物的关系矩阵

按照步骤S8-2的计算方法，遍历所有的小区和区域型地物，即可得到基于覆盖的小区-区域型地物的关系矩阵:

S9-4、根据R_{cp_train}、R_{region_cov}、B_region三个矩阵联合计算，最终的合并公式为：

R′_region＝R_{cp_train}.*B_region+R_{region_cov}

对R′_region按行进行归一化得到最终的R_region

S10、采用周期性滑动窗口法对关系矩阵R_region进行更新；

由于小区的工程参数和无线环境是经常变化的，地理地物也随着城市的变迁不断地变化，因此需要对R_region矩阵进行不断的更新。本发明综合考虑无线环境的变化频率和城市建设的速度，提出以T为周期，以nT为数据滑动计算窗口的更新方式。如图4所示，比如T＝1个月，n＝3，则表示关系矩阵每个月将重新计算一次，每次计算所采用的数据为过去3个月的数据。

最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各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，或者对其中部分或者全部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范围。

Claims (10)

1.一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：具体包括以下步骤：

S1、从移动运营商大数据中提取训练数据TrainData；

S2、从电子地图中提取地物信息，并进行分类，建立PoiData；

S3、对TrainData进行数据预处理，去除影响准确性的数据；

S4、通过地理关系关联TrainData和PoiData；

S5、建立基于训练数据的关系矩阵R_{cp_train}；

S6、对基站小区进行Voronoi Diagram划分，建立覆盖区域；

S7、根据过覆盖系数对覆盖区域进行扩展；

S8、计算训练矩阵的伴随可信矩阵B_region；

S9、建立小区-地物的关系矩阵R_region；

S10、采用周期性滑动窗口法对关系矩阵R_region进行更新。

2.根据权利要求1所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S2中的分类具体为：区域型室内地物或区域型室外地物。

3.根据权利要求2所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S3中的对数据进行预处理具体为：当出现定位失败的时候确定定位不准确的类型，若为手机在室内地物内而定位在外部则不需要进行预处理，若为手机在外部而定位在室内地物内则采用异常点过滤方法进行过滤；所述异常点过滤方法具体为：对于每一个定位点序列[p1,p2,p3…pn]，对应于时间序列[t1,t2,t3…tn]，对前后5个定位点分别计算距离和速度，满足距离大于距离门限并且速度大于速度门限的条件的定位点为异常点，对这些异常点进行过滤；所述距离门限为50m，所述速度门限为100km/h。

4.根据权利要求2所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S4中TrainData和PoiData的的关联方法具体为：如果TrainData中的经纬度落在该PoiData对应的MultiPolygon中，则这个TrainData记录可以关联这个区域型PoiData。

5.根据权利要求4所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S5中关系矩阵R_{cp_train}的具体建立方法为：

对所有TrainData进行计算，然后对地理地物进行合并则得到以下的数据

其中，Cnt为满足关联条件的训练数据的数量，

把Cnt_train按行进行归一化得到小区-地物的关系矩阵R_{cp_train}：

6.根据权利要求5所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S8中训练矩阵的伴随可信矩阵B_region的计算方法具体为：假设经过该地物的用户数user_cnt超过N1，并且平均每用户产生的样本数avg_sample_cnt超过N2，则认为该样本空间具有统计意义，则训练矩阵的可信度最高，获得最大的加权10x；其中，x取值1，N1取值100，N2取值1000；

当样本空间低于上述空间时，可信度的计算方法如下：

对训练矩阵中的每一个元素进行可信度计算，即得到可信度矩阵B_region

B_region＝[b_i，j]_m*n。

7.根据权利要求6所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S9的建立小区-地物的关系矩阵具体为：

S9-1、利用小区天线增益图对覆盖区域进行天线增益赋形；

S9-2、计算小区对区域型地物的覆盖概率；

S9-3、建立基于覆盖的小区-区域型地物的关系矩阵R_{region_cov}；

S9-4、根据R_{cp_train}、R_{region_cov}、B_region三个矩阵联合计算，最终的合并公式为：

R′_region＝R_{cp_train}.*B_region+R_{region_cov}

对R′_region按行进行归一化得到最终的R_region

8.根据权利要求7所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S9-1的天线增益赋形的计算方法具体为：以小区位置为中心c，对360度水平空间以x度为单位，取c与几何覆盖区域的连线cd1,将cd1的长度沿径向方向往外扩展天线增益倍，也就是cd1*(1+天线增益)，得到扩展点D1，依次得到扩展点D2…Dn，其中，n＝360/x；

最终D1D2…Dn组成的多边形记为天线增益赋形后的多边形。

9.根据权利要求7所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S9-2中小区对区域型地物的覆盖概率计算方法为：

其中，

cell_type通过基站工程参数获得；

cross_area表示赋形后的小区覆盖与地物的重叠覆盖面积，这个面积可以通过将两个多边形三角化，计算三角形重叠覆盖面积之后再求和的方法计算；

cell_area表示赋形后的小区重叠覆盖面积，这个面积可以通过将多边形三角化，计算三角形面积之后再求和的方法计算。

10.根据权利要求9所述的一种无线基站与区域型地理地物关联矩阵的建立方法，其特征在于：所述步骤S10中周期性滑动窗口法具体为：

以T为周期，以nT为数据滑动计算窗口的更新方式对关系矩阵R_region进行更新，其中，T＝1个月，n＝3，表示关系矩阵每个月将重新计算一次，每次计算所采用的数据为过去3个月的数据。