CN110430578B - 基于移动终端数据实现小区方位角预测的方法 - Google Patents

Abstract

本发明涉及一种基于移动终端数据实现小区方位角预测的方法，采集一段时间内智能终端上报带有位置的无线环境数据集S1，其记录包含RSRP、TA、AOA等重要字段。然后根据AOA维度数据的统计分布，计算AOA的中心值AOAmid，再根据AOAmid提取数据集S1中AOA值等于AOAmid的记录形成数据集S2。接着过滤掉信号非直射记录，如通过建立TA与采样点到小区位置的实际距离模型，并根据TA距离模型删除TA异常的记录形成数据集S3。对数据集S3进行聚类，把数据聚类成K类，取平均信号RSRP最强类Ki，其类Ki数据中心点与小区位置的正北方向夹角即为所预测的小区方位角。该方法降低了操作成本，且其方位角预测精度高。

Description

基于移动终端数据实现小区方位角预测的方法

技术领域

本发明涉及小区方位角预测技术领域，具体涉及一种基于移动终端数据实现小区方位角预测的方法。

背景技术

移动通信网络结构是一种采用蜂窝式的实现，理论上，即以相同半径的圆形覆盖平面,当圆心处于正六边形网格的各正六边形中心时，所用圆的数量最少。在移动通信网络中，其圆心即是基站的位置，而每个基站一般分列为3个小区，每个小区有个固定的覆盖方位角和下倾角。

在网络规划时，小区的方位角和下倾角数据是经过网络仿真输出。建站完成后以及后期勘站运维阶段，由于覆盖的需要，小区的方位角时长发生改变，而人工勘站时，小区方位角一般是通过罗盘或是天线姿态测量仪收集，再由手工记录到运营商的资管系统中。因为人为因素的存在，导致目前资管系统中的小区方位角数据准确性不高，如某省运营商资管系统中小区方位角偏差20度以上的记录占比到达48.1％，严重影响网络的精准运维。经分析，目前运营商的小区方位角数据的获取主要靠运维人员手持罗盘或天线姿态测量仪采集，然后手工录入运营商资管系统，由于罗盘或天线姿态测量仪不够精准、天线发出的电磁波的干扰、使用的方法不正确、记录的错误、录入的错误以及人工的造假等导致资管系统中记录的小区方位角数据不够准确，而且每次勘测验证，需要开车到指定的位置，增加人力成本且操作复杂。

发明内容

本发明的目的在于克服现有技术中的缺陷，设计一种基于移动终端数据实现小区方位角预测的方法，该方法降低了操作成本，且其方位角预测精度高。

为实现上述目的，本发明所采用的技术方案是，

一种基于移动终端数据实现小区方位角预测的方法，包括

S10、采集设定时间段内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的记录包括信号电平RSRP、时延TA、AOA维度数据；根据AOA维度数据的统计分布，计算AOA的中心值AOAmid；

S20、提取无线环境数据集S1中的AOA维度数据值等于AOAmid的记录形成无线环境数据集S2；

S30、对无线环境数据集S2的TA值和采样点到小区位置的实际距离dis值指标建立回归模型进行训练，拟合TA值与采样点到小区位置的实际距离dis值之间的关系：

S40、根据训练好的回归模型预测TA值，对比查找异常的TA值，删除TA值异常的用户数据，形成数据集S3；

S50、使用聚类算法对数据集S3进行聚类，将数据聚类分成K类，每类计算电平RSRP的均值，选择电平RSRP均值最大的一类用户数据作为K_i类数据；

S60、计算K_i类数据的中心点，该中心点与小区位置的正北方向夹角即为预测的小区方位角。

进一步的，所述S10中的无线环境数据集S1中的数据包括OTT、MDT和MR数据中的一种或多种的组合。

进一步的，所述S10中的设定时间为连续30-60天。

在一些优选示例中，所述S30中建立回归模型的方法包括下述步骤：

S31、设一共有n条无线环境数据集S2的用户数据记录(即有n个样本)，使用指标：TA值、dis值，x＝{x1，x2...xn}为dis值，y＝{y1，y2...yn}为TA值；

S32、对TA值、dis值两个指标进行0-1标准化处理，并分别划分训练样本集和测试样本集：

其中min和max分别是这组数据中的最小值和最大值；

S33、用曼哈顿距离公式计算测试样本集数据与各个训练样本集数据之间的距离：

其中i和j分别代表i样本和j样本，p是指标的个数，本模型中p＝1，即为dis一个指标；

S34、将S33获得的各个距离按照从小到大排序，选择距离最小的K个样本，所述K为多次迭代选择最优的K；计算所述K个样本的TA平均值或加权平均值，所述TA平均值或加权平均值即为回归模型的TA预测值。

进一步的，所述S40中异常的TA值具体为：TA值乘以78大于其采样点与基站的实际距离。

更进一步的，所述S50具体包括下述步骤：

S51、设定一共有n条用户数据记录，即有n个样本，x＝{x1，x2...xn}，每个样本包含5个指标，指标：RSRP、TA、AOA、用户经度、用户纬度；

S52、随机选取K个样本作为初始中心点Sm，m＝1，2，3...K；

S53、采用欧几里得距离公式分别计算所有样本到K个样本中心点的距离：

其中i和j分别代表第i个样本和第j个样本，p是指标的个数，本模型中p＝5；

S54、根据S53计算的距离判断，如果样本离中心点最近，那么这个样本属于点群，如果到多个中心点的距离相等，则可划分到任意组中；

S55、按距离对所有样本分完组之后，重新计算每类中样本各个指标的平均值，作为新的中心点；

S56、分配每个样本到最近的新的中心点；

S57、重复步骤S55和S56直到所有的样本不在被分配或是达到最大的迭代次数。

进一步的，所述S57中的最大的迭代次数为30。

本发明方法基于移动终端上报的带有位置的无线网络数据，通过数据清理以及建立数学模型，再采用机器学习的方式实现无线通信网络中小区方位角预测与研判的方法；该方法可以实现城区小区方位角偏差20度内预测精度达到90％，郊区小区方位角偏差35度内预测精度达到95％。本发明方法可以实现运营商资管系统中小区方位角数据的实时性纠偏，保证小区方位角数据的相对准确，是一种成本低的小区方位角自动获取的方案，其大大降低了因小区方位角勘测带来的误差和人员车辆费用，为运营商的网络运维提供了一种行之有效的降本技术方案。

附图说明

图1为本发明方法的流程示意图。

具体实施方式

下面结合附图和实施例，对本发明一种基于移动终端数据实现小区方位角预测的方法的具体实施方式作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

本发明一种基于移动终端数据实现小区方位角预测的方法首先采集一段时间内智能终端上报带有位置的无线环境数据集S1，其记录包含RSRP、TA、AOA等重要字段。然后根据AOA维度数据的统计分布，计算AOA的中心值AOAmid，再根据AOAmid提取数据集S1中AOA值等于AOAmid的记录形成数据集S2。接着过滤掉信号非直射记录，如通过建立TA与采样点到小区位置的实际距离模型，并根据TA距离模型删除TA异常(如因电磁波反射、折射、漫反射引起的)的记录形成数据集S3。对数据集S3进行聚类，把数据聚类成K类，如k＝1，2，3…n，取平均信号RSRP最强类Ki，其类Ki数据中心点与小区位置的正北方向夹角即为所预测的小区方位角。

在一个具体的实施例中，如图1所示，本发明基于移动终端数据实现小区方位角预测的方法，包括

S10、采集设定时间段内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的记录包括信号电平RSRP、时延TA、AOA维度数据；根据AOA维度数据的统计分布，计算AOA维度数据的中心值AOA_mid；

其中，无线环境数据集S1中的数据包括OTT、MDT和MR数据中的一种或多种的组合；上述设定时间段可根据实际情况进行设定，如设为连续30-60天。上述计算AOA维度数据的中心值AOA_mid可采用扇形弧度的中点计算方法。

S20、提取无线环境数据集S1中的AOA维度数据值等于AOA_mid的记录形成无线环境数据集S2；

S30、对无线环境数据集S2的TA值和采样点到小区位置的实际距离dis值指标建立回归模型进行训练，拟合TA值与采样点到小区位置的实际距离dis值之间的关系；

S31、设一共有n条无线环境数据集S2的用户数据记录(即有n个样本)，使用指标：TA值、dis值，x＝{x1，x2...xn}为dis值，y＝{y1，y2...yn}为TA值；

S32、对TA值、dis值两个指标进行0-1标准化处理，分别划分训练样本集和测试样本集：

其中min和max分别是这组数据中的最小值和最大值；

S33、用曼哈顿距离公式计算测试样本集数据与各个训练样本集数据之间的距离：

其中i和j分别代表i样本和j样本，p是指标的个数，本模型中p＝1；

S34、将距离按照从小到大排序，选择距离最小的K个样本，所述K为多次迭代选择最优的K；计算所述K个样本的TA平均值或加权平均值，所述TA平均值或加权平均值即为回归模型的TA预测值。

S40、根据训练好的回归模型预测TA值，对比查找异常的TA值，删除TA值异常的用户数据；

在该步骤中，TA值乘以78大于其采样点与基站的实际距离。

S50、使用聚类算法对步骤S40处理后的用户数据进行聚类，将数据聚类分成K类，每类计算电平RSRP的均值，选择电平RSRP均值最大的一类用户数据作为K_i类数据；

S51、设定一共有n条用户数据记录，即有n个样本，x＝{x1，x2...xn}，每个样本包含5个指标，指标：RSRP、TA、AOA、用户经度、用户纬度；

S52、随机选取K个样本作为初始中心点Sm，m＝1，2，3...K；

S53、采用欧几里得距离公式分别计算所有样本到K个样本中心点的距离：

其中i和j分别代表第i个样本和第j个样本，p是指标的个数，本模型中p＝5；

S54、根据计算的距离判断，如果样本离中心点最近，那么这个样本属于点群，如果到多个中心点的距离相等，则可划分到任意组中；

S55、按距离对所有样本分完组之后，重新计算每类中样本各个指标的平均值，作为新的中心点；

S56、分配每个样本到最近的新的中心点；

S57、重复步骤S55和S56直到所有的样本不在被分配或是达到最大的迭代次数，在一些优选示例中，迭代次数为20-30。

S60、计算K_i类数据的中心点，该中心点与小区位置的正北方向夹角即为预测的小区方位角。

在示例中，计算K_i类数据的中心点通过所有采样点经度、维度的平均值进行确定。

本发明在某城市小区内设置65个测试点进行测试，在测试点分别设置智能终端进行带位置无线环境数据上报，通过本发明方法计算对应测试点的小区方位角；并测试点的小区方位角与实际的小区方位角进行比较，本发明方法实现城区小区方位角偏差20度内预测精度达到90％。

在某郊区小区内设置68个测试点进行测试，在测试点分别设置智能终端进行带位置无线环境数据上报，通过本发明方法计算对应测试点的小区方位角；并测试点的小区方位角与实际的小区方位角进行比较，郊区小区方位角偏差35度内预测精度达到95％。

以上所述的实施方式，并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等，均应包含在该技术方案的保护范围之内。

Claims (7)

1.一种基于移动终端数据实现小区方位角预测的方法，包括

S10、采集设定时间段内智能终端上报的带有位置的无线环境数据集S1，所述无线环境数据集S1的记录包括信号电平RSRP、时延TA、AOA维度数据；根据AOA维度数据的统计分布，计算AOA维度数据的中心值AOA_mid；

S20、提取无线环境数据集S1中的AOA维度数据值等于AOA_mid的记录形成无线环境数据集S2；

S30、对无线环境数据集S2的TA值和采样点到小区位置的实际距离dis值指标建立回归模型进行训练，拟合TA值与采样点到小区位置的实际距离dis值之间的关系；

S40、根据训练好的回归模型预测TA值，对比查找异常的TA值，删除TA值异常的用户数据，形成数据集S3；

S50、使用聚类算法对数据集S3进行聚类，将数据聚类分成K类，每类计算电平RSRP的均值，选择电平RSRP均值最大的一类用户数据作为K_i类数据；

S60、计算K_i类数据的中心点，该中心点与小区位置的正北方向夹角即为预测的小区方位角。

2.如权利要求1所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S10中的无线环境数据集S1中的数据包括OTT、MDT和MR数据中的一种或多种的组合。

3.如权利要求1所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S10中的设定时间为连续30-60天。

4.如权利要求1所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S30中建立回归模型的方法包括下述步骤：

S31、设一共有n条无线环境数据集S2的用户数据记录，即有n个样本，使用指标：TA值、dis值，x＝{x₁，x₂...x_n}为dis值，y＝{y₁，y₂...y_n}为TA值；

S32、对TA值、dis值两个指标进行0-1标准化处理，并分别划分为训练样本集和测试样本集：

其中min和max分别是对应组数据中的最小值和最大值；

S33、用曼哈顿距离公式计算测试样本集数据与各个训练样本集数据之间的距离：

其中i和j分别代表i样本和j样本，p是指标的个数，本模型中p＝1；

S34、将S33获得的各个距离按照从小到大排序，选择距离最小的K个样本，所述K为多次迭代选择最优的K；计算所述K个样本的TA平均值或加权平均值，所述TA平均值或加权平均值即为回归模型的TA预测值。

5.如权利要求1所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S40中异常的TA值具体为：TA值乘以78大于采样点与基站的实际距离。

6.如权利要求1所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S50具体包括下述步骤：

S51、设定一共有n条用户数据记录，即有n个样本，x＝{x₁，x₂...x_n}为dis值，每个样本包含5个指标，指标：RSRP、TA、AOA、用户经度、用户纬度；

S52、随机选取K个样本作为初始中心点S_m，m＝1，2，3...K；

S53、采用欧几里得距离公式分别计算所有样本到K个样本中心点的距离：

其中i和j分别代表第i个样本和第j个样本，p是指标的个数，本模型中p＝5；

S54、根据S53计算的距离判断，如果样本离中心点最近，那么这个样本属于点群，如果到多个中心点的距离相等，则可划分到任意组中；

S55、按距离对所有样本分完组之后，重新计算每类中样本各个指标的平均值，作为新的中心点；

S56、分配每个样本到最近的新的中心点；

S57、重复步骤S55和S56直到所有的样本不在被分配或是达到最大的迭代次数。

7.权利要求6所述的基于移动终端数据实现小区方位角预测的方法，其特征在于，所述S57中的最大的迭代次数为30。

Images