CN110536310B - 基于用户数据识别天线接反的方法 - Google Patents
基于用户数据识别天线接反的方法 Download PDFInfo
- Publication number
- CN110536310B CN110536310B CN201910805512.8A CN201910805512A CN110536310B CN 110536310 B CN110536310 B CN 110536310B CN 201910805512 A CN201910805512 A CN 201910805512A CN 110536310 B CN110536310 B CN 110536310B
- Authority
- CN
- China
- Prior art keywords
- cell
- azimuth angle
- cells
- prediction
- value
- 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
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
- H04W16/24—Cell structures
- H04W16/28—Cell structures using beam steering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/04—Arrangements for maintaining operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明涉及一种基于用户数据识别天线接反的方法,包括以下步骤:(1)数据收集:收集用户数据和工参数据;(2)数据处理:对步骤(1)收集的用户数据和工参数据通过多种算法结合处理并对方位角进行纠偏,计算每个小区预测方位角以及其预测方位角与工参方位角的差值N;通过工参数据筛选出在同一个基站上的小区,并且计算出在同一个基站上的小区之间的距离,筛选距离不超过L米的小区;(3)数据分析:首先判断该同一个基站上有几个小区,将同一基站上相距不超过L米的小区的预测的方位角与工参方位角的差值N与设定的阀值M和阀值S相比较,根据比较结果进行处理并判定小区天线是否接反。将多种算法结合在一起,保证了不同地区的数据预测的稳定性。
Description
技术领域
本发明涉及网络技术领域,尤其涉及一种基于用户数据识别天线接反的方法。
背景技术
近年来,随着网络的快速发展,LTE基站规模也在不断增大,但是大量网络优化工作带来频繁的天线调整和维护,这容易引发失误从而导致天线异常问题日益增多,而传统人工上天面检查方法需要耗费大量的人力物力。
目前4G网络发展迅速,对基站设备维护工作提出更高的要求。频繁的日常维护容易引起操作失误,导致现网出现大量基站天线接反等天线异常情况,继而可能导致性能指标恶化,客户感知影响差,网络质量竞争力下降的结果。
运营商长期以来通过人工的方式来核查天线是否异常,通常导致天线接反的原因有:基站小区PCI等参数配置有误;基站小区天馈线存在连接错误;基站小区光纤接头连接错误。目前查找接反小区有下列几种方法:一是逐个统计源小区与邻区的切换次数,并且在桌面地理信息系统软件(如:mapinfo等)上通过人工经验判断是否接反,但是这种方法没有目的性,需耗费很多精力并且效率低下。二是在拉网路测中发现,这种方法能很直观的查找到接反小区,但需耗费很多人力物力进行拉网路测。三是塔工巡检天馈时发现,这种方法能查出天线异常的概率低,并且对塔工经验要求高。本发明基于对移动通信网络大数据的采集和分析,运用多种算法,提供一种有效的发现天线覆盖异常的方法,从而找出天线接反的问题。
中国专利文献(申请号201610004970.8)公开了一种确定天线接反的方法及系统,根据服务小区基站和邻区基站的位置信息,确定所述服务小区基站与每个邻区基站连线的方位角向量;根据所述服务小区基站与邻区基站连线的方位角向量,确定所述服务小区的主覆盖方位角向量;若所述服务小区的主覆盖方位角与工程参数信息中所述服务小区的方位角向量的夹角大于第一阈值,则确定所述服务小区的天线接反。该发明的技术方案中所采用的算法得到数据仍存在很大的不准确和不稳定性等问题。
在预测小区方位角时,需要预测的数据准确而稳定,但是在实际运用中往往不好,因为一般的算法有一定的局限性和适用性,导致预测的数据不好;因此有必要开发一种联合算法以增加数据预测的稳定性和准确性。
发明内容
本发明要解决的技术问题是,提供一种基于用户数据识别天线接反的方法,将算法联合运用于实际中,增加了数据预测的稳定性和准确性。
为了解决上述技术问题,本发明采用的技术方案是:该基于用户数据识别天线接反的方法,包括以下步骤:
(1)数据收集:收集用户数据和工参数据;
(2)数据处理:对步骤(1)收集的用户数据和工参数据通过多种算法结合处理并对方位角进行纠偏,计算每个小区预测方位角以及其预测方位角与工参方位角的差值N;通过工参数据筛选出在同一个基站上的小区,并且计算出在同一个基站上的小区之间的距离,筛选距离不超过L米的小区;
(3)数据分析:首先判断该同一个基站上有几个小区,将同一基站上相距不超过L米的小区的预测的方位角与工参方位角的差值N与设定的阀值M和阀值S相比较,根据比较结果进行处理并判定小区天线是否接反。
作为本发明的优选技术方案,所述步骤(1)中的用户数据和工参数据包括:时间、用户使用的小区识别码、用户所在的经度、用户所在的纬度、参考信号接收功率RSRP、小区识别码、小区经度、小区纬度、方位角、小区名称和小区覆盖类型。
作为本发明的优选技术方案,所述步骤(2)中对用户数据和工参数据进行处理所采用的算法依次包括:预测模型算法、权重算法和最优权重算法;其中所述预测模型算法包括基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法进行计算分析;所述权重算法是对预测模型算法的多样性进行屏蔽,根据预测模型算法的预测结果,按照蒙特卡罗方法训练权重的标准对预测模法算法进行甄选组合,形成若干种权重算法;所述最优权重算法:根据验证集中权重算法的效果,选择最优的权重算法进行预测。一般需要将样本划分成训练集、测试集和验证集;本发明中训练集和验证集都是由用户数据和工参数据组成。
作为本发明的优选技术方案,所述步骤(3)的具体步骤包括:
S31若该基站上有三个小区,则看是否有其中一个小区的差值N是否小于或等于阀值S且另两个小区的差值N大于或等于阀值M,若是,则对调差值N大于或等于阀值M的两副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N1;若否,则判断该三个小区的差值N是否大于或者等于阀值M,若否,则判定为正常小区;若是,则调换三副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N2;
S311判定步骤S31中的差值N1是否小于或等于阀值S,若否,则判定为正常小区;若是,则判定该两个小区的天线接反;
S312判定步骤S31中的差值N2是否小于或等于阀值S,若否,则判定为正常小区;若是,则判定该三个小区的天线接反;
S32若该基站上有两个小区,则判定该两个小区的每个小区的预测方位角与工参方位角的差值N是否大于或等于阀值M,若否,则判定为正常小区;若是,则对调两副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N3;判定差值N3是否小于或等于阀值S,若否,则判定为正常小区,若是则判定该两个小区的天线接反;
S33对判定为天线接反的小区进行现场路测,工程调整处理。
作为本发明的优选技术方案,所述步骤(2)中的具体步骤为:
S21:先将工参数据表中小区经度和纬度为空的小区删除,选取小区覆盖类型为室外或宏站的小区,将步骤(1)中收集的用户数据和工参数据通过小区识别码进行匹配;然后对整合后的数据进行去重处理,统计每个小区下的用户数量,保留用户数量大于预定值的小区,根据小区的经纬度和用户数据的经纬度,计算用户数据到小区的距离,并且进行异常值检测删除距离大于L米的用户数据;再从正北方向统计计算用户数据到小区的角度;
S22:将用户数据和真实的勘站的工参数据作为训练集,分别采用基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法五种预测算法对所述训练集进行分别预测,得到五种预测结果,再采用蒙特卡罗方法训练出五种算法的权重,从而得到P份置信度最大的权重组合;
S23:采用最优权重算法根据验证集中权重算法的效果进行甄选,选取预测结果最好的权重组合,再通过加权平均计算出五种算法的预测结果作为最终的方位角预测值。
作为本发明的优选技术方案,所述步骤S22中的五种预测算法进行预测的具体步骤为:
S221采用基于采样点强度的预测算法的具体步骤为:求每个小区识别码下参考信号接收功率值最大的前n个采样点角度的均值作为方位角预测值,n为自然数;
S222采用基于采样点强度的分层统计预测算法的具体步骤为:每个小区识别码下,先将距离去重再计算n-1个不同的百分位数,按照从小到大排列,根据用户数据到小区的距离划分m环,m≥3,第一环:距离<=第一个百分位数;第二环:第一个百分位数<距离<=第二个百分位数;第三环:第二个百分位数<距离<=第三个百分位数;第四环:第三个百分位数<距离<=第四个百分位数;第n环:第n-1个百分位数<距离,删除最小环和最大环的数据,保留中间环数据;确定位于中间环中每环参考信号接收功率值最大的前n个采样点角度均值,最后求所述采样点均值的均值作为方位角预测值,n为自然数;
S223采用基于采样点强度和密度结合的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,N∈[1,360],360/N取整数;统计每个小区识别码下的采样点总数,取出360/N个扇形区域中采样点个数大于总采样点d%的扇区,d∈[1,99],计算符合条件的所述扇区中RSRP值最大的前n个采样点RSRP的均值,n为自然数,取出RSRP均值最大的扇形区域t个,t的范围为[1,360/N]之间的整数,计算这t个扇区角度的均值作为方位角预测值;
S224基于采样点强度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,求每个扇区下RSRP值最大的前n个采样点的RSRP均值,最后取RSRP均值最大的扇区角度为方位角预测值;
S225基于采样点密度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,统计每个扇区中点的个数,取点的个数最多的扇区角度作为方位角预测值。
作为本发明的优选技术方案,所述步骤S22中采用蒙特卡罗训练权重的方法的具体步骤为:随机从所述训练集中抽取一半的数据进行训练,共随机选取P次,即有P份训练样本;每份样本都随机生成Q个权重组合,Q为自然数,针对每个权重组合,统计训练模型输出的预测方位角与勘站方位角的偏差在R°以内个数占比作为该权重组合的置信度,R的范围为[0,360),针对每份从训练样本,确定置信度最大的权重组合,从而获得P份置信度最大的权重组合。
作为本发明的优选技术方案,所述步骤S23的具体步骤为:
S231通过步骤S22获得P份置信度最大的权重组合,选取最终P份权重的均值或中位数作为最终的权重,分别运用P份权重的均值和中位数对验证集进行预测,选取预测结果最好的权重组合;
S232通过加权平均计算五种预测算法的预测结果作为最终的方位角预测值。
作为本发明的优选技术方案,所述步骤S22中采用公式(1)和公式(2)针对每份训练样本确定置信度最大的权重组合;
Z=∠(angelpredict,angeltrue) 公式(1)
其中,公式(1)中的Z为实际预测误差,angelpredict为预测方位角,angletrue为勘站方位角;公式(2)中cost表示权重组合对应的误差系数,M为训练样本中总勘站小区数量,K为设定的角度误差阈值;基于上述公式(1)和公式(2)可知,权重组合的置信度为1-cost。
作为本发明的优选技术方案,所述步骤S31中若该三个小区的差值N均大于或者等于阀值M,采用两种方式组合进行调换三副天线的工参方位角;
第一方式为:将第一小区的工参方位角给第二小区,第二小区的工参方位角给第三小区,第三小区的工参方位角给第一小区;
第二方式为:将第二小区的工参方位角给第一小区,第三小区的工参方位角给第二小区,第一小区的工参方位角给第三小区;
然后再将工参方位角与预测方位角进行对比,若发现某个调整方式后三个小区的差值N2小于或等于阀值S,则认为这三个小区接反。
采用上述技术方案,将五种预测算法联合在一起,规避了单独算法的一些缺点,利用赋予多种预测模型权重的方法,将多种算法有机地组合在一起,将预测效果较好的算法赋予高权重,而将相对不好的算法赋予低的权重,这样保证了数据预测的准确性,也保证了对于不同地区的数据预测的稳定性,再通过预测的方位角可以快速有效地识别天线接反的小区。
附图说明
下面结合附图进一步描述本发明的技术方案:
图1是本发明的基于用户数据识别天线接反的方法的天线异常识别的流程图;
图2是本发明的基于用户数据识别天线接反的方法中的方位角预测流程图;
图3是本发明的基于用户数据识别天线接反的方法的逻辑图;
图4是本发明的基于用户数据识别天线接反的方法的小区天线接反的实际效果图。
具体实施方式
为了加深对本发明的理解,下面将结合附图和实施例对本发明做进一步详细描述,该实施例仅用于解释本发明,并不对本发明的保护范围构成限定。
实施例1:如图1~3所示,该基于用户数据识别天线接反的方法,包括以下步骤:
(1)数据收集:收集30天OTT(Over The Top)数据,所谓OTT数据是指通过通信行业的OTT业务所收集的数据;包括:时间、用户使用的小区识别码、用户所在的经度、用户所在的纬度、参考信号接收功率RSRP、小区识别码、小区经度、小区纬度、方位角、小区名称和小区覆盖类型;
(2)数据处理:对步骤(1)收集的用户数据和工参数据通过多种算法结合处理并对方位角进行纠偏,计算每个小区预测方位角以及其预测方位角与工参方位角的差值N;通过工参数据筛选出在同一个基站上的小区,并且计算出在同一个基站上的小区之间的距离,筛选距离不超过50米的小区;
所述步骤(2)中对用户数据和工参数据进行处理所采用的算法依次包括:预测模型算法、权重算法和最优权重算法;其中所述预测模型算法包括基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法进行计算分析;所述权重算法是对预测模型算法的多样性进行屏蔽,根据预测模型算法的预测结果,按照蒙特卡罗方法训练权重的标准对预测模法算法进行甄选组合,形成若干种权重算法;所述最优权重算法:根据验证集中权重算法的效果,选择最优的权重算法进行预测;
所述步骤(2)中的具体步骤为:
S21:先将工参数据表中小区经度和纬度为空的小区删除,选取小区覆盖类型为室外的小区,将步骤(1)中收集的用户数据和工参数据通过小区识别码进行匹配;然后对整合后的数据进行去重处理,统计每个小区下的用户数量,保留用户数量大于预定值500的小区,根据小区的经纬度和用户数据的经纬度,计算用户数据到小区的距离,并且进行异常值检测删除距离大于L米的用户数据;再从正北方向统计计算用户数据到小区的角度;
S22:将用户数据和真实的勘站的工参数据作为训练集,分别采用基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法五种预测算法对所述训练集进行分别预测,得到五种预测结果,再采用蒙特卡罗方法训练出五种算法的权重,从而得到P份置信度最大的权重组合;
所述步骤S22中的五种预测算法进行预测的具体步骤为:
S221采用基于采样点强度的预测算法的具体步骤为:求每个小区识别码下参考信号接收功率值最大的前10个采样点角度的均值作为方位角预测值;
S222采用基于采样点强度的分层统计预测算法的具体步骤为:每个小区识别码下,先将距离去重再计算20%、40%、60%、80%的分位数;按照从小到大排列,根据用户数据到小区的距离划分5环,第一环:根据OTT采样点到小区的距离划分五环,第一环:距离<=20%的分位数。第二环:20%<距离<=40%的分位数。第三环:40%<距离<=60%的分位数。第四环:60%<距离<=80%的分位数。第五环:80%<距离;删除第一、二环的数据,只保留中间的二、三、四环数据,再求二、三、四环中每环RSRP值最大的前五个采样点角度均值;最后求二、三、四环对应的所述采样点角度均值的均值,作为基于该算法二预测出的方位角预测值;
S223采用基于采样点强度和密度结合的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度分成72份(即5度一个扇区),统计每个ci下的采样点总数,取出72个扇形区域中采样点个数大于4%总采样点的扇区,计算这些扇区中RSRP值最大的前五个采样点RSRP均值,取出RSRP均值最大的扇形区域2个,计算这两个扇区角度的均值作为基于该算法三预测出的方位角预测值;
S224基于采样点强度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度分成72份(即5度一个扇区),求每个扇区下RSRP值最大的前10个采样点的RSRP均值,最后取RSRP均值最大的扇区角度作为基于算法四预测出的方位角预测值;
S225基于采样点密度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度分成72份(即5度一个扇区),统计每个扇区中点的个数,取点的个数最多的扇区角度作为基于该算法五预测出的方位角预测值;
所述步骤S22中采用蒙特卡罗训练权重的方法的具体步骤为:随机从训练集中抽取一半的数据进行训练,共随机选取50次,即有50份训练样本。每份样本都随机生成一万个权重组合(为了检验迭代次数是否对预测结果有影响,此处随机生成1000、3000、5000、7000、9000、10000、11000、13000、20000个权重组合,选取了结果最好的一万个权重组合),评估每个组合的标准是预测方位角与勘站方位角的偏差在20度以内的个数占比,该个数占比作为权重组合的置信度,对于每份训练样本,最终输出占比最大的权重组合,即输出置信度最大的权重组合,从而获得50份置信度最大的权重组合;
所述步骤S22中采用公式(1)和公式(2)针对每份训练样本确定置信度最大的权重组合;
Z=∠(angelpredict,angeltrue) 公式(1)
其中,公式(1)中的Z为实际预测误差,angelpredict为预测方位角,angletrue为勘站方位角;公式(2)中cost表示权重组合对应的误差系数,M为训练样本中总勘站小区数量,K为设定的角度误差阈值;基于上述公式(1)和公式(2)可知,权重组合的置信度为1-cost;
S23:采用最优权重算法根据验证集中权重算法的效果进行甄选,选取预测结果最好的权重组合,再通过加权平均计算出五种算法的预测结果作为最终的方位角预测值;
S231通过步骤S22获得50份置信度最大的权重组合,取最终50份权重的均值或者中位数作为最终的权重,分别运用50份权重的均值和中位数对验证集进行预测,选取预测结果最好的权重组合;
S232通过加权平均计算五种预测算法的预测结果作为最终的方位角预测值。
(3)数据分析:首先判断该同一个基站上有几个小区,将同一基站上相距不超过50米的小区的预测的方位角与工参方位角的差值N与设定的阀值60度和阀值30度相比较,根据比较结果进行处理并判定小区天线是否接反。
S31若该基站上有三个小区,其中一个小区的预测方位角与工参方位角的差值不超过阀值30度且其他两个小区的预测方位角与工参方位角的差值都大于阀值60度,对调预测方位角与工参方位角的差值大于阀值60度的两个小区的工参方位角,然后再跟预测方位角进行对比,若对调后两个小区的预测偏差不超过阀值30度,则认为这两个小区的天线接反;若一个基站上有三个小区且三个小区的预测方位角与工参方位角的差值都大于阀值60度,将第一小区工参方位角给第二小区,第二小区工参方位角给第三小区,第三小区的工参方位角给第一小区或第二小区的工参方位角给第一小区,第三小区的工参方位角给第二小区,第一小区的工参方位角给第三小区,以这两种方式分别组合,然后再跟预测方位角进行对比,若发现某个调整方式的三个小区的预测偏差不超过阀值30度,则认为这三个小区接反;
S32若该基站上有两个小区,且两个天线的预测方位角与工参方位角的差值都大于阀值60度,对调两副天线的工参方位角,然后再跟预测方位角进行对比,若对调后两个小区的预测偏差不超过阀值30度,则认为这两个小区的天线接反;
S33对判定为天线接反的小区进行现场路测,工程调整处理。
采用上述方法,得到的识别接反的效果图如图4,图4中(a)和(b)黑色加粗线条标注的扇形区域和白色加粗线条标注的扇形区域表示两个相邻小区,小区周边的黑灰白色的各小圆圈表示采样点;参见图4中的(a)图可知,利用本发明提供的上述预测模型,基于采样点的数据,预测出第一个小区(黑色加粗线条标注的扇形区域)的方位角预测值为300度,而实际勘测第一个小区的方位角为187度;参见图4中的(b)图可知,基于采样点的数据,预测出第二个小区(白色加粗线条标注的扇形区域)的预测方位角为120度,而实际勘测第二个小区的方位角为293度,可见,这两个相邻小区的预测误差很大,通过对调两个小区的勘站方位角重新计算预测偏差,发现两个小区的预测偏差都很小,如此,给维护人员提供参考数据,维护人员现场核查发现这两个小区的天线疑为人为接反,该方法能够快速有效的识别天线接反的问题。
对于本领域的普通技术人员而言,具体实施例只是对本发明进行了示例性描述,显然本发明具体实现并不受上述方式的限制,只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进,或未经改进将本发明的构思和技术方案直接应用于其它场合的,均在本发明的保护范围之内。
Claims (6)
1.一种基于用户数据识别天线接反的方法,其特征在于,包括以下步骤:
(1)数据收集:收集用户数据和工参数据;
(2)数据处理:对步骤(1)收集的用户数据和工参数据通过多种算法结合处理并对方位角进行纠偏,计算每个小区预测方位角以及其预测方位角与工参方位角的差值N;通过工参数据筛选出在同一个基站上的小区,并且计算出在同一个基站上的小区之间的距离,筛选距离不超过L米的小区;
(3)数据分析:首先判断该同一个基站上有几个小区,将同一基站上相距不超过L米的小区的预测的方位角与工参方位角的差值N与设定的阀值M和阀值S相比较,根据比较结果进行处理并判定小区天线是否接反;
所述步骤(1)中的用户数据和工参数据包括:时间、用户使用的小区识别码、用户所在的经度、用户所在的纬度、参考信号接收功率RSRP、小区识别码、小区经度、小区纬度、方位角、小区名称和小区覆盖类型;
所述步骤(2)中对用户数据和工参数据进行处理所采用的算法依次包括:预测模型算法、权重算法和最优权重算法;其中所述预测模型算法包括基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法进行计算分析;所述权重算法是对预测模型算法的多样性进行屏蔽,根据预测模型算法的预测结果,按照蒙特卡罗方法训练权重的标准对预测模法算法进行甄选组合,形成若干种权重算法;所述最优权重算法:根据验证集中权重算法的效果,选择最优的权重算法进行预测;
所述步骤(3)的具体步骤包括:
S31若该基站上有三个小区,则看是否有其中一个小区的差值N是否小于或等于阀值S且另两个小区的差值N大于或等于阀值M,若是,则对调差值N大于或等于阀值M的两副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N1;若否,则判断该三个小区的差值N是否大于或者等于阀值M,若否,则判定为正常小区;若是,则调换三副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N2;
S311判定步骤S31中的差值N1是否小于或等于阀值S,若否,则判定为正常小区;若是,则判定该两个小区的天线接反;
S312判定步骤S31中的差值N2是否小于或等于阀值S,若否,则判定为正常小区;若是,则判定该三个小区的天线接反;
S32若该基站上有两个小区,则判定该两个小区的每个小区的预测方位角与工参方位角的差值N是否大于或等于阀值M,若否,则判定为正常小区;若是,则对调两副天线的工参方位角,并计算对调后的每个小区预测方位角与工参方位角的差值记为N3;判定差值N3是否小于或等于阀值S,若否,则判定为正常小区,若是则判定该两个小区的天线接反;
S33对判定为天线接反的小区进行现场路测,工程调整处理;
所述步骤(2)中的具体步骤为:
S21:先将工参数据表中小区经度和纬度为空的小区删除,选取小区覆盖类型为室外或宏站的小区,将步骤(1)中收集的用户数据和工参数据通过小区识别码进行匹配;然后对整合后的数据进行去重处理,统计每个小区下的用户数量,保留用户数量大于预定值的小区,根据小区的经纬度和用户数据的经纬度,计算用户数据到小区的距离,并且进行异常值检测删除距离大于L米的用户数据;再从正北方向统计计算用户数据到小区的角度;
S22:将用户数据和真实的勘站的工参数据作为训练集,分别采用基于采样点强度预测算法、基于采样点密度分扇区的预测算法、基于采样点强度和密度结合的预测算法、基于采样点强度的分层统计预测算法和基于采样点强度分扇区的预测算法五种预测算法对所述训练集进行分别预测,得到五种预测结果,再采用蒙特卡罗方法训练出五种算法的权重,从而得到P份置信度最大的权重组合;
S23:采用最优权重算法根据验证集中权重算法的效果进行甄选,选取预测结果最好的权重组合,再通过加权平均计算出五种算法的预测结果作为最终的方位角预测值。
2.根据权利要求1所述的基于用户数据识别天线接反的方法,其特征在于,所述步骤S22中的五种预测算法进行预测的具体步骤为:
S221采用基于采样点强度的预测算法的具体步骤为:求每个小区识别码下参考信号接收功率值最大的前n个采样点角度的均值作为方位角预测值,n为自然数;
S222采用基于采样点强度的分层统计预测算法的具体步骤为:每个小区识别码下,先将距离去重再计算n-1个不同的百分位数,按照从小到大排列,根据用户数据到小区的距离划分m环,m≥3,第一环:距离<=第一个百分位数;第二环:第一个百分位数<距离<=第二个百分位数;第三环:第二个百分位数<距离<=第三个百分位数;第四环:第三个百分位数<距离<=第四个百分位数;第n环:第n-1个百分位数<距离,删除最小环和最大环的数据,保留中间环数据;确定位于中间环中每环参考信号接收功率值最大的前n个采样点角度均值,最后求所述采样点均值的均值作为方位角预测值,n为自然数;
S223采用基于采样点强度和密度结合的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,N∈[1,360],360/N取整数;统计每个小区识别码下的采样点总数,取出360/N个扇形区域中采样点个数大于总采样点d%的扇区,d∈[1,99],计算符合条件的所述扇区中RSRP值最大的前n个采样点RSRP的均值,n为自然数,取出RSRP均值最大的扇形区域t个,t的范围为[1,360/N]之间的整数,计算这t个扇区角度的均值作为方位角预测值;
S224基于采样点强度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,求每个扇区下RSRP值最大的前n个采样点的RSRP均值,最后取RSRP均值最大的扇区角度为方位角预测值;
S225基于采样点密度分扇区的预测算法的具体步骤为:在每个小区识别码下,将采样点按照到小区的角度每N度划分一个扇区分成360/N份,统计每个扇区中点的个数,取点的个数最多的扇区角度作为方位角预测值。
3.根据权利要求1所述的基于用户数据识别天线接反的方法,其特征在于,所述步骤S22中采用蒙特卡罗训练权重的方法的具体步骤为:随机从所述训练集中抽取一半的数据进行训练,共随机选取P次,即有P份训练样本;每份样本都随机生成Q个权重组合,Q为自然数,针对每个权重组合,统计训练模型输出的预测方位角与勘站方位角的偏差在R°以内个数占比作为该权重组合的置信度,R的范围为[0,360),针对每份从训练样本,确定置信度最大的权重组合,从而获得P份置信度最大的权重组合。
4.根据权利要求3所述的基于用户数据识别天线接反的方法,其特征在于,所述步骤S23的具体步骤为:
S231通过步骤S22获得P份置信度最大的权重组合,选取最终P份权重的均值或中位数作为最终的权重,分别运用P份权重的均值和中位数对验证集进行预测,选取预测结果最好的权重组合;
S232通过加权平均计算五种预测算法的预测结果作为最终的方位角预测值。
6.根据权利要求1所述的基于用户数据识别天线接反的方法,其特征在于,所述步骤S31中若该三个小区的差值N均大于或者等于阀值M,采用两种方式组合进行调换三副天线的工参方位角;
第一方式为:将第一小区的工参方位角给第二小区,第二小区的工参方位角给第三小区,第三小区的工参方位角给第一小区;
第二方式为:将第二小区的工参方位角给第一小区,第三小区的工参方位角给第二小区,第一小区的工参方位角给第三小区;
然后再将工参方位角与预测方位角进行对比,若发现某个调整方式后三个小区的差值N2小于或等于阀值S,则认为这三个小区接反。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805512.8A CN110536310B (zh) | 2019-08-29 | 2019-08-29 | 基于用户数据识别天线接反的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910805512.8A CN110536310B (zh) | 2019-08-29 | 2019-08-29 | 基于用户数据识别天线接反的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110536310A CN110536310A (zh) | 2019-12-03 |
CN110536310B true CN110536310B (zh) | 2022-03-15 |
Family
ID=68664878
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910805512.8A Active CN110536310B (zh) | 2019-08-29 | 2019-08-29 | 基于用户数据识别天线接反的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110536310B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110839251B (zh) * | 2019-11-27 | 2022-09-13 | 南京华苏科技有限公司 | 基于用户数据识别天线前后抑制比异常的方法 |
WO2021123923A1 (en) * | 2019-12-20 | 2021-06-24 | Telefonaktiebolaget Lm Ericsson (Publ) | Swapped section detection and azimuth prediction |
CN113315590B (zh) * | 2020-02-26 | 2022-07-22 | 上海华为技术有限公司 | 一种线序检测方法以及多天线网络设备 |
CN113805109B (zh) * | 2021-09-16 | 2022-11-11 | 广州文远知行科技有限公司 | 车载天线检测方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102404766A (zh) * | 2011-11-15 | 2012-04-04 | 上海百林通信网络科技有限公司 | 一种基于测量上报数据定位工参问题和干扰问题的方法 |
CN106941685A (zh) * | 2016-01-05 | 2017-07-11 | 中国移动通信集团山东有限公司 | 一种确定天线接反的方法及系统 |
CN108235241A (zh) * | 2018-01-05 | 2018-06-29 | 北京胜普多邦通信技术有限公司 | 一种基于mdt判断lte小区方位角偏差和接反的方法 |
CN109151866A (zh) * | 2018-11-27 | 2019-01-04 | 南京华苏科技有限公司 | 基于用户数据实现天线方位角纠偏的方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120263056A1 (en) * | 2011-04-15 | 2012-10-18 | David Smith | Apparatus, methods, and articles of manufacture for wireless communications |
-
2019
- 2019-08-29 CN CN201910805512.8A patent/CN110536310B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102404766A (zh) * | 2011-11-15 | 2012-04-04 | 上海百林通信网络科技有限公司 | 一种基于测量上报数据定位工参问题和干扰问题的方法 |
CN106941685A (zh) * | 2016-01-05 | 2017-07-11 | 中国移动通信集团山东有限公司 | 一种确定天线接反的方法及系统 |
CN108235241A (zh) * | 2018-01-05 | 2018-06-29 | 北京胜普多邦通信技术有限公司 | 一种基于mdt判断lte小区方位角偏差和接反的方法 |
CN109151866A (zh) * | 2018-11-27 | 2019-01-04 | 南京华苏科技有限公司 | 基于用户数据实现天线方位角纠偏的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110536310A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110536310B (zh) | 基于用户数据识别天线接反的方法 | |
WO2020107712A1 (zh) | 基于用户数据实现天线方位角纠偏的方法 | |
CN110430578B (zh) | 基于移动终端数据实现小区方位角预测的方法 | |
CN105828365A (zh) | 一种基于mr数据的lte小区重叠覆盖分析方法 | |
CN111405585B (zh) | 一种基于卷积神经网络的邻区关系预测方法 | |
CN110418285A (zh) | 一种无线电地图的建立方法及装置 | |
CN108375363B (zh) | 天线方位角偏转核查方法、装置、设备及介质 | |
CN109302714A (zh) | 基于用户数据实现基站位置研判及越区覆盖识别的方法 | |
CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
CN113573321B (zh) | 小区的网络相关性确定方法、装置、介质及电子设备 | |
CN114422955B (zh) | 5g室内弱覆盖区域的定位方法及装置、设备、存储介质 | |
CN105282784A (zh) | 基于测量报告数据系统定位优化tdd-lte网络重叠覆盖的方法 | |
Sandeep et al. | Wireless network visualization and indoor empirical propagation model for a campus wi-fi network | |
CN110913407B (zh) | 重叠覆盖的分析方法及装置 | |
CN106792741B (zh) | 一种判断基站扇区间天馈接反的方法和系统 | |
CN109600792B (zh) | 一种lte mr数据的定位方法 | |
CN111148111A (zh) | 天线参数的调整方法、装置、设备及计算机存储介质 | |
CN108513306B (zh) | 基于测试大数据的网络覆盖预测方法 | |
CN103052099A (zh) | 一种小区背向覆盖的识别方法 | |
CN106941685B (zh) | 一种确定天线接反的方法及系统 | |
CN105828342B (zh) | 一种确认邻区关系的方法及装置 | |
CN109005552B (zh) | 基于lte mr数据精确评估无线网络的方法 | |
CN115018014B (zh) | 基于多源信息的机器学习辅助的通信场景分类方法 | |
CN115334528A (zh) | 基站入网质检方法、系统、设备及存储介质 | |
Jabbar et al. | Field measurement and empirical models for radio signal propagation prediction in baghdad |
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 |