CN111327377A - 场强预测方法、装置、设备及存储介质 - Google Patents
场强预测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111327377A CN111327377A CN201811531563.8A CN201811531563A CN111327377A CN 111327377 A CN111327377 A CN 111327377A CN 201811531563 A CN201811531563 A CN 201811531563A CN 111327377 A CN111327377 A CN 111327377A
- Authority
- CN
- China
- Prior art keywords
- scene
- prediction
- parameters
- model
- target scene
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 241000594592 Lanugo Species 0.000 claims description 3
- 238000005259 measurement Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 7
- 238000005070 sampling Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000010295 mobile communication Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
Images
Classifications
-
- 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
- H04B—TRANSMISSION
- H04B17/00—Monitoring; Testing
- H04B17/30—Monitoring; Testing of propagation channels
- H04B17/309—Measuring or estimating channel quality parameters
- H04B17/318—Received signal strength
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种场强预测方法、装置、设备及存储介质。其中，场强预测方法，包括：在数据全集中获取与目标场景统计量特征相似的参考场景；基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；使用所述预测模型对目标场景的其他参数进行预测。选取统计量特征相似的参考场景，基于目标场景的部分参数和参考场景的历史参数进行模型训练，并基于训练得到的预测模型对目标场景中的其他参数进行预测，通过基于目标场景的部分参数和参考场景的历史参数进行模型训练，对预测模型进行修正，从而得到更优的预测模型，使预测模型具有更高的场强预测精度，从而提高了场强预测的精度。
Description
技术领域
本发明涉及通信领域，尤其涉及一种场强预测方法、装置、设备及存储介质。
背景技术
移动通信覆盖区的场强预测问题，是利用典型的电波传播模型，对覆盖区内的场强分布、路径传播损耗进行计量和估算，目的是弥补场强实测之不足和节约用在实测方面所消耗的大量时间和费用，为移动通信系统工程设计提供科学依据。传统模型的建模步骤是先定义计算路损的变量和公式，再利用各种地形下的实测数据对公式参数进行修正。经典的场强预测模型包括修正平地模型Bullington模型，Egli模型，Okumura/Hata模型以及UIC方法等等，近年来也有直接使用实测数据修正基于统计的机器学习模型的参数的做法。而无论采用哪种模型，其修正参数时选择的统计数据普遍是针对地形地貌的：例如，针对城市地形和郊区地形采集到的数据分别计算两套模型参数，使用模型时再根据预测目标小区的地貌选择对应的参数以预测本小区的场强分布。
无线信号弱覆盖优化场景下，现有训练模型的方法在选择统计数据时，倾向于收集相同地貌下尽可能多的数据，这样得到的模型针对地形预测的普适性较好，但针对某小区的预测性能则不一定高。
发明内容
本发明实施例提供一种场强预测方法、装置、设备及存储介质，用以解决现有技术中存在的场强预测精度不高的问题。
第一方面，本发明实施例提供一种场强预测方法，包括：
在数据全集中获取与目标场景统计量特征相似的参考场景；
基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
使用所述预测模型对目标场景的其他参数进行预测。
作为本发明实施例的一种具体实现方式，所述在数据全集中获取与目标场景统计量特征相似的参考场景，包括：
计算所述数据全集中每个场景的统计量；
计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；
基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。
作为本发明实施例的一种具体实现方式，所述计算所述数据全集中每个场景的统计量，包括：
设置统计指标；
基于所述统计指标计算所述数据全集中每个场景的统计量。
作为本发明实施例的一种具体实现方式，所述统计指标，包括：
测量点与基站之间距离的平均值；
或
测量点与基站的连线和天线朝向之间的夹角与场强的分布关系。
作为本发明实施例的一种具体实现方式，所述计算目标场景的统计量与所述参考场景统计量的距离中，所述距离，包括：
欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离。
作为本发明实施例的一种具体实现方式，所述基于所述排序选择统计量特征相似的参考场景中，具体为：
基于所述排序选择统计量特征相似的n个参考场景。
作为本发明实施例的一种具体实现方式，所述n的取值选则为：
在满足模型训练所需训练样本数的前提下，选取最小的n。
作为本发明实施例的一种具体实现方式，所述n等于10。
作为本发明实施例的一种具体实现方式，所述基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型，包括：
设定全连接神经网络作为预测模型；
以均方差为损失函数，将所述目标场景的部分参数和所述参考场景中相应的历史参数作为训练数据，应用ADAM优化方法训练所述预测模型，从而得到预测模型。
第二方面，一种场强预测装置，包括：
获取模块：用于在数据全集中获取与目标场景统计量特征相似的参考场景；
训练模块：用于基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
预测模块：用于使用所述预测模型对目标场景的其他参数进行预测。
第三方面，一种网络设备，所述网络设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现第一方面中任一所述的方法的步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现第一方面中任一所述的方法的步骤。
本发明实施例选取统计量特征相似的参考场景，基于目标场景的部分参数和参考场景的历史参数进行模型训练，并基于训练得到的预测模型对目标场景中的其他参数进行预测，通过基于目标场景的部分参数和参考场景的历史参数进行模型训练，对预测模型进行修正，从而得到更优的预测模型，使预测模型具有更高的场强预测精度，从而提高了场强预测的精度，达到了场强预测精度高的效果。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1为本发明实施例一所述的场强预测方法的流程图；
图2为本发明实施例一所述的所述在数据全集中获取与目标场景统计量特征相似的参考场景的流程图；
图3为本发明实施例二所述的场强预测装置的原理框图；
图4为本发明实施例二所述的获取模块的原理框图；
图5为本发明实施例二所述的统计量模块的原理框图；
图6为本发明实施例二所述的训练模块的原理框图；
图7为本发明实施例三所述的用所有小区数据全集训练模型的流程图；
图8为本发明实施例三所述的场强预测方法的流程图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
本发明实施例中的场景，如目标场景和参考场景等可以为小区、商场或工程等需要进行场强参数调整的场所。下文中具体以小区的实施例，但并没表示仅仅限定在小区使用。
本发明实施例的技术问题主要考虑以下应用：对于出现无线信号弱覆盖问题的小区，网优调试人员需要调整基站的天线工参以提升基站对本小区弱覆盖区域的信号覆盖强度。但天线工参通常有多个维度：如发射功率、天线方向角、天线下倾角、天线高度等，而天线工参的参数空间大，调整方向、大小都无法确定，在现实中的单个商用基站通常缺乏丰富工参的历史数据，又不允许随意多次地改变工参。因此预测调整工参后小区各栅格的场强强度就成了解决弱覆盖问题的重要环节之一。
上述应用和传统的场强预测场景的关键差异是，本发明实施例中目标小区某些工参的历史场强分布数据是已知的，因此，可以利用目标小区已知历史数据的某些指标的统计规律，同其他小区历史数据的统计规律比较，选出和目标小区统计规律最相似的多个小区，用这些具备丰富工参的、统计规律相似的小区数据训练场强预测模型，进而提升模型的预测精度。
本发明实施例涉及的是移动通信覆盖区的场强预测(field strength pre-diction for covered areas of mobile communications)领域，尤其涉及在训练预测模型时，如何从大量小区数据中选择信号场强分布相似的小区数据作为训练样本，从而提升模型预测性能的技术。
实施例一：
本发明实施例提供一种场强预测方法，如图1所示，包括以下具体步骤：
步骤S101：在数据全集中获取与目标场景统计量特征相似的参考场景；
数据全集由所有场景的实测数据组成，在一个具体实施例中，如选择某小区所有测量点与基站之间距离的平均值作为预定义的统计指标时，数据全集由75个小区的实测数据组成。即75个小区的实际测量的测量点与基站之间距离的平均值组成数据全集。目标场景和参考场景对应的目标小区和参考小区共同组成75个小区，即目标小区是75个小区中的一个。
步骤S102：基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
目标场景中影响场强的参数有多个，将目标场景中的部分参数的统计数据作为历史数据和参考场景中的相应历史参数进行模型训练，在一个具体实施例中，目标场景在采样期间共有15次工参变化，可以取前5种工参下的统计数据当做已知的目标场景的历史数据，并将参考场景中5种工参下的历史数据进行模型训练。
步骤S103：使用所述预测模型对目标场景的其他参数进行预测。
目标场景中影响场强的参数有多个，步骤S102中选取了部分作为历史数据进行了模型训练，基于得到的预测模型对目标场景剩下的其他参数进行预测，在一个具体实施例中，目标场景在采样期间共有15次工参变化，前5种工参下的统计数据当做已知的目标场景的历史数据，然后使用预测模型对剩下的10次工参进行预测。
在本发明的一个可选实施例中：如图2所示，步骤S101所述在数据全集中获取与目标场景统计量特征相似的参考场景，包括：
步骤S201：计算所述数据全集中每个场景的统计量；
步骤S202：计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；
步骤S203：基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。
在设置统计指标后，及选定统计方式后，通过聚合数据计算每个场景的统计量。
计算目标场景的统计量与其余所有参考场景统计量的距离。常用的定义相似程度的距离包括欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离等，在当前场景中可以认为各小区的统计量是多维空间中的一个点，因此最常用的欧式距离就足以满足衡量需要，故可选的本发明实施案例中采用的均为欧氏距离。
基于所述距离对参考场景进行排序，得的距离排序，根据需要选择统计量特性最相似的参考场景。可选的，基于所述排序选择统计量特征相似的参考场景中，具体为：基于所述排序选择统计量特征相似的n个参考场景。可选的，实际操作中确定n的取值的原则是：在满足模型训练所需训练样本数的前提下，应抽取尽可能少的参考场景(最小的n)作为相似参考场景，以期令模型学习到最佳的规律。可选的考虑到设定的神经网络参数规模和数据集大小，可以取n＝10，即最相似的前10个参考场景作为相似参考场景。
作为本发明实施例的一种具体实现方式，步骤S201所述计算所述数据全集中每个场景的统计量，包括：设置统计指标；基于所述统计指标计算所述数据全集中每个场景的统计量。
可选的所述统计指标，包括：测量点与基站之间距离的平均值；或测量点与基站的连线和天线朝向之间的夹角与场强的分布关系中的至少一种。
在本发明的一个可选实施例中，步骤S102基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型，包括：
设定全连接神经网络作为预测模型；
以均方差为损失函数，将所述目标场景的部分参数和所述参考场景中相应的历史参数作为训练数据，应用ADAM优化方法训练所述预测模型，从而得到预测模型。
实施例二：
本发明实施例提供一种场强预测装置，如图3所示，包括：
获取模块301：用于在数据全集中获取与目标场景统计量特征相似的参考场景；
训练模块302：用于基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
预测模块303：用于使用所述预测模型对目标场景的其他参数进行预测。
在本发明的一个可选实施例中，如图4所示，所述获取模块301，包括：
统计量模块401：用于计算所述数据全集中每个场景的统计量；
距离计算模块402：用于计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；
排序模块403：用于基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。
在本发明的一个可选实施例中，如图5所示，统计量模块401，包括：
指标设置模块501：用于设置统计指标；
计算模块502：用于基于所述统计指标计算所述数据全集中每个场景的统计量。
在本发明的一个可选实施例中，所述统计指标，包括：
测量点与基站之间距离的平均值；
或
测量点与基站的连线和天线朝向之间的夹角与场强的分布关系。
在本发明的一个可选实施例中，所述距离计算模块402中，所述距离，包括：
欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离。
在本发明的一个可选实施例中，所述排序模块403，具体：
用于基于所述排序选择统计量特征相似的n个参考场景。
在本发明的一个可选实施例中，所述n的取值选则为：
在满足模型训练所需训练样本数的前提下，选取最小的n。
在本发明的一个可选实施例中，所述n等于10。
在本发明的一个可选实施例中，如图6所示，所述训练模块302，包括：
模型设定模块601：用于设定全连接神经网络作为预测模型；
模型训练模块602：用于以均方差为损失函数，将所述目标场景的部分参数和所述参考场景中相应的历史参数作为训练数据，应用ADAM优化方法训练所述预测模型，从而得到预测模型。
实施例三：
本实施例选择某小区所有测量点与基站之间距离的平均值作为预定义的统计指标，该统计量可反映小区的主要覆盖区与天线的距离特征，以此作为小区相似度的衡量标准可以找出与目标小区信号主覆盖区域距离最相似的小区，以期提升模型的预测精度。具体实施步骤如下:
第一步：数据全集由75个小区的实测数据组成，对数据全集中的每一个小区，统计所有采样点与本小区天线距离的平均值。
第二步：计算各小区距离平均值之间的欧氏距离，部分小区的欧氏距离如表1，表1中的横竖的0至5均表示小区的编号。
| 0 | 1 | 2 | 3 | 4 | 5 | |
| 0 | 0 | 1.195982 | 1.125023 | 1.146587 | 0.931234 | 1.044926 |
| 1 | 1.195982 | 0 | 0.949973 | 0.975913 | 1.415562 | 1.307575 |
| 2 | 1.125023 | 0.949973 | 0 | 0.741264 | 1.277728 | 1.180536 |
| 3 | 1.146587 | 0.975913 | 0.741264 | 0 | 1.182811 | 1.302641 |
| 4 | 0.931234 | 1.415562 | 1.277728 | 1.182811 | 0 | 1.22037 |
| 5 | 1.044926 | 1.307575 | 1.180536 | 1.302641 | 1.22037 | 0 |
表1：各小区MR点平均值欧氏距离表。
第三步：以编号74的小区作为预测小区，将其他小区按照表1的距离由小到大排序，选前10个小区作为本小区的最相似小区
第四步：编号74的小区在采样期间共有15次工参变化，可以取前5种工参下的统计数据当做已知的本小区历史数据，和第三步选出的最相似小区数据一起作为训练数据；同时定义一个全连接神经网络作为场强预测模型，以MSE(均方差)为损失函数，应用ADAM优化方法训练此模型。
第五步：利用训练好的模型预测编号74的小区后10种工参下的场强分布，以MAE(平均绝对误差)作为模型预测性能的评估标准，得到的MAE为6.71dB；如果采用其余74个小区作为训练数据训练模型，同样的实验条件下预测MAE为7.97dB；本发明实施例采用的场强预测方法的预测MAE与现有技术中选取74个小区作为训练数据训练模型得到的MAE相比可降低1.26dB。
第六步：选择不同的小区作为测试集，重复第二步至第五步，本强预测方法在15个测试小区预测场强与真实场强的平均MAE比使用全数据的方法降低了0.8dB。
本发明实施例，用选出的最相似小区的历史数据和目标小区的历史数据，训练场强预测模型，并计算模型预测目标小区未知工参场强分布的性能指标；同时，用所有小区数据全集训练模型，并执行同样步骤，对比两种训练数据选择方式对模型预测性能的影响。用所有小区数据全集训练模型流程如图7所示，采用本发明实施例的场强预测方法流程如图8所示。图8中粗线框内的内容为图8所示的场强预测方法与图7所示的数据全集训练模型主要区别。
本发明实施例的改进点，是在数据全集中找出某些指标的统计规律与目标小区尽可能相似的多个小区作为修正模型的统计数据。使用相似小区数据样本训练得到的模型，相比用全数据集训练得到的模型，会具有更高的场强预测精度。
实施结果显示，以测量点与基站之间的距离均值作为预定义的统计方法，对于提升场强预测模型的预测精度有正向增益。
实施例四：
本实施例选择某小区所有MR点与基站连线和天线朝向之间的夹角(以下简称夹角)与场强的分布关系作为预定义的统计指标，该统计量可反映小区各个覆盖扇区的场强强度——以此作为小区相似度的衡量标准可以找出与目标小区各扇区覆盖强度最相似的小区，以期提升模型的预测精度。具体实施步骤如下:
第一步：数据全集由75个小区的实测数据组成，对数据全集中的每一个小区，以10度为区间，统计每个夹角区间内所有测量点的平均场强强度，进而可获得此小区的一个36维向量
第二步：计算各小区向量间的欧氏距离，得到表2，表2中的横竖的0至5均表示小区的编号。
| 0 | 1 | 2 | 3 | 4 | 5 | |
| 0 | 0 | 1.195982 | 1.125023 | 1.146587 | 0.931234 | 1.044926 |
| 1 | 1.195982 | 0 | 0.949973 | 0.975913 | 1.415562 | 1.307575 |
| 2 | 1.125023 | 0.949973 | 0 | 0.741264 | 1.277728 | 1.180536 |
| 3 | 1.146587 | 0.975913 | 0.741264 | 0 | 1.182811 | 1.302641 |
| 4 | 0.931234 | 1.415562 | 1.277728 | 1.182811 | 0 | 1.22037 |
| 5 | 1.044926 | 1.307575 | 1.180536 | 1.302641 | 1.22037 | 0 |
表2各小区夹角-场强向量欧氏距离表。
第三步：以编号74的小区作为预测小区，将其他小区按照表2的距离由小到大排序，选前10个小区作为本小区的最相似小区。
第四步：编号74的小区在采样期间共有15次工参变化，可以取前5种工参下的统计数据当做已知的本小区历史数据，和第三步选出的最相似小区数据一起作为训练数据；同时定义一个全连接神经网络作为场强预测模型，以MSE(均方差)为损失函数，应用ADAM优化方法训练此模型。
第五步：利用训练好的模型预测小区后10种工参下的场强分布，以MAE(平均绝对误差)作为模型预测性能的评估标准，本发明实施例的方法得到的MAE为6.13dB；如果采用其余74个小区作为训练数据训练模型，同样的实验条件下预测MAE为7.97dB；本发明实施例方法的预测性能相比可提升1.84dB。
第六步：选择不同的小区作为测试集，重复第二步至第五步，本发明实施例的方法在15个测试小区预测场强与真实场强的平均MAE比使用全数据的方法降低了0.97dB。
实施结果显示，以夹角-场强的分布关系作为预定义的统计方法，对于提升场强预测模型的预测精度有正向增益。
实施例五：
本发明第五实施例，提供一种网络设备，可以作为实体装置来理解，包括处理器以及存储有所述处理器可执行指令的存储器，当所述指令被处理器执行时，执行实施一中任一所述的方法的步骤。
上述方法步骤的具体实施例过程可参见第一实施例和第二实施例，本实施例在此不再重复赘述。
处理器可以是通用处理器，例如中央处理器(Central Processing Unit，CPU)，还可以是数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)，或者是被配置成实施本发明实施例的一个或多个集成电路。其中，存储器用于存储所述处理器的可执行指令；存储器，用于存储程序代码，并将该程序代码传输给处理器。存储器可以包括易失性存储器(Volatile Memory)，例如随机存取存储器(Random Access Memory，RAM)；也可以包括非易失性存储器(Non-VolatileMemory)，例如只读存储器(Read-Only Memory，ROM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，HDD)或固态硬盘(Solid-State Drive，SSD)；还可以包括上述种类的存储器的组合。
实施例六：
本发明第六实施例，提供一种提供计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现实施例一中任一所述的方法的步骤。
上述方法步骤的具体实施例过程可参见第一实施例和第二实施例，本实施例在此不再重复赘述。其中，计算机可读存储介质包括但不限于为：ROM、RAM、磁盘或光盘等。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
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上述实施例方法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，但很多情况下前者是更佳的实施方式。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(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。
Claims (12)
1.一种场强预测方法，其特征在于，包括：
在数据全集中获取与目标场景统计量特征相似的参考场景；
基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
使用所述预测模型对目标场景的其他参数进行预测。
2.如权利要求1所述的场强预测方法，其特征在于，所述在数据全集中获取与目标场景统计量特征相似的参考场景，包括：
计算所述数据全集中每个场景的统计量；
计算目标场景的统计量与所述参考场景统计量的距离，所述参考场景为数据全集中除目标场景外的场景；
基于所述距离对参考场景进行排序，基于所述排序选择统计量特征相似的参考场景。
3.如权利要求2所述的场强预测方法，其特征在于，所述计算所述数据全集中每个场景的统计量，包括：
设置统计指标；
基于所述统计指标计算所述数据全集中每个场景的统计量。
4.如权利要求3所述的场强预测方法，其特征在于，所述统计指标，包括：
测量点与基站之间距离的平均值；
或
测量点与基站的连线和天线朝向之间的夹角与场强的分布关系。
5.如权利要求2所述的场强预测方法，其特征在于，所述计算目标场景的统计量与所述参考场景统计量的距离中，所述距离，包括：
欧氏距离、绝对值距离、切比雪夫距离、马氏距离或兰氏距离。
6.如权利要求2所述的场强预测方法，其特征在于，所述基于所述排序选择统计量特征相似的参考场景中，具体为：
基于所述排序选择统计量特征相似的n个参考场景。
7.如权利要求6所述的场强预测方法，其特征在于：所述n的取值选则为：
在满足模型训练所需训练样本数的前提下，选取最小的n。
8.如权利要求6或7所述的场强预测方法，其特征在于：
所述n等于10。
9.如权利要求1所述的场强预测方法，其特征在于：所述基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型，包括：
设定全连接神经网络作为预测模型；
以均方差为损失函数，将所述目标场景的部分参数和所述参考场景中相应的历史参数作为训练数据，应用ADAM优化方法训练所述预测模型，从而得到预测模型。
10.一种场强预测装置，其特征在于，包括：
获取模块：用于在数据全集中获取与目标场景统计量特征相似的参考场景；
训练模块：用于基于目标场景的部分参数与所述参考场景中相应的历史参数进行模型训练，从而得到预测模型；
预测模块：用于使用所述预测模型对目标场景的其他参数进行预测。
11.一种网络设备，其特征在于，所述网络设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序被所述处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
12.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至9中任一项所述的方法的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531563.8A CN111327377B (zh) | 2018-12-14 | 2018-12-14 | 场强预测方法、装置、设备及存储介质 |
| EP19894992.7A EP3896873A4 (en) | 2018-12-14 | 2019-11-13 | METHOD AND DEVICE FOR FIELD STRENGTH PREDICTION AND DEVICE AND STORAGE MEDIUM |
| PCT/CN2019/118086 WO2020119372A1 (zh) | 2018-12-14 | 2019-11-13 | 场强预测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811531563.8A CN111327377B (zh) | 2018-12-14 | 2018-12-14 | 场强预测方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111327377A true CN111327377A (zh) | 2020-06-23 |
| CN111327377B CN111327377B (zh) | 2022-08-19 |
Family
ID=71075411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811531563.8A Active CN111327377B (zh) | 2018-12-14 | 2018-12-14 | 场强预测方法、装置、设备及存储介质 |
Country Status (3)
| Country | Link |
|---|---|
| EP (1) | EP3896873A4 (zh) |
| CN (1) | CN111327377B (zh) |
| WO (1) | WO2020119372A1 (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112469048A (zh) * | 2020-11-30 | 2021-03-09 | 国网湖南省电力有限公司 | 基于实测修正的电力无线专网系统覆盖状态获取方法、系统、电子设备及可读存储介质 |
| CN112801358A (zh) * | 2021-01-21 | 2021-05-14 | 上海东普信息科技有限公司 | 基于模型融合的件量预测方法、装置、设备及存储介质 |
| CN113393037A (zh) * | 2021-06-16 | 2021-09-14 | 潍坊科技学院 | 一种区域地质灾害趋势预测方法及系统 |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111355543B (zh) * | 2018-12-20 | 2023-01-17 | 中兴通讯股份有限公司 | 一种场强预测方法 |
| EP4238343A1 (en) * | 2020-10-30 | 2023-09-06 | Telefonaktiebolaget LM Ericsson (publ) | Cell similarity indicator based on coverage area morphology |
| CN112528534B (zh) * | 2020-11-19 | 2024-05-28 | 南方电网科学研究院有限责任公司 | 直流分压器的表面最大电场强度的获取方法、系统及装置 |
| CN112633567B (zh) * | 2020-12-16 | 2024-10-18 | 深圳前海微众银行股份有限公司 | 一种等待时长的预测方法、设备及存储介质 |
| CN113859264B (zh) * | 2021-09-17 | 2023-12-22 | 阿波罗智联(北京)科技有限公司 | 车辆控制方法、装置、电子设备及存储介质 |
| CN115272994B (zh) * | 2021-09-29 | 2023-07-25 | 上海仙途智能科技有限公司 | 自动驾驶预测模型训练方法、装置、终端及介质 |
| CN114004398A (zh) * | 2021-10-28 | 2022-02-01 | 新智我来网络科技有限公司 | 基于联合学习的电力负荷预测模型建立方法和装置 |
| CN114897205A (zh) * | 2022-03-07 | 2022-08-12 | 中国民航工程咨询有限公司 | 一种目标机场特征值预测方法和计算机设备 |
| CN115314412B (zh) * | 2022-06-22 | 2023-09-05 | 北京邮电大学 | 一种面向运维的类型自适应的指标预测预警方法及装置 |
| CN115865237B (zh) * | 2022-12-07 | 2024-09-27 | 中国人民解放军陆军工程大学 | 一种基于卫星图像数据的深度学习场强预测方法及系统 |
| CN115796396B (zh) * | 2023-01-16 | 2023-04-18 | 江苏新恒基特种装备股份有限公司 | 一种通过相关参数对锻材损耗预测的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测系统 |
| CN104660349A (zh) * | 2014-10-27 | 2015-05-27 | 山东润谱通信工程有限公司 | 一种扩展的COST-231-Walfisch-Ikegami传播模型预测室外三维空间场强的方法 |
| CN106921989A (zh) * | 2015-12-25 | 2017-07-04 | 中国移动通信集团北京有限公司 | 一种通信网络场强分布确定方法及装置 |
| CN104217216B (zh) * | 2014-09-01 | 2017-10-17 | 华为技术有限公司 | 生成检测模型的方法和设备、用于检测目标的方法和设备 |
| US20180113967A1 (en) * | 2016-10-26 | 2018-04-26 | Northwestern University | System and Method for Predicting Fatigue Strength of Alloys |
| CN108183754A (zh) * | 2018-01-05 | 2018-06-19 | 湘潭大学 | 一种gsm基站电磁辐射预测方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102651071B (zh) * | 2012-04-06 | 2014-04-09 | 天津大学 | 基于支持向量机的机舱内部路径损耗预测方法 |
| CN103354644B (zh) * | 2013-07-31 | 2016-08-17 | 广东省电信规划设计院有限公司 | 基站选址方法和系统 |
| RU2666629C2 (ru) * | 2014-04-25 | 2018-09-11 | Нек Корпорейшн | Устройство и способ управления беспроводной связью в системе управления беспроводной связью и устройство беспроводной связи |
| US10334490B2 (en) * | 2015-03-10 | 2019-06-25 | Deutsche Telekom Ag | Overall network performance and/or overall quality of service of a mobile communication network by assigning a physical cell identifier information to a plurality of radio cells |
-
2018
- 2018-12-14 CN CN201811531563.8A patent/CN111327377B/zh active Active
-
2019
- 2019-11-13 EP EP19894992.7A patent/EP3896873A4/en active Pending
- 2019-11-13 WO PCT/CN2019/118086 patent/WO2020119372A1/zh unknown
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103746750A (zh) * | 2013-08-23 | 2014-04-23 | 西华大学 | 无线电监测电磁态势预测系统 |
| CN104217216B (zh) * | 2014-09-01 | 2017-10-17 | 华为技术有限公司 | 生成检测模型的方法和设备、用于检测目标的方法和设备 |
| CN104660349A (zh) * | 2014-10-27 | 2015-05-27 | 山东润谱通信工程有限公司 | 一种扩展的COST-231-Walfisch-Ikegami传播模型预测室外三维空间场强的方法 |
| CN106921989A (zh) * | 2015-12-25 | 2017-07-04 | 中国移动通信集团北京有限公司 | 一种通信网络场强分布确定方法及装置 |
| US20180113967A1 (en) * | 2016-10-26 | 2018-04-26 | Northwestern University | System and Method for Predicting Fatigue Strength of Alloys |
| CN108183754A (zh) * | 2018-01-05 | 2018-06-19 | 湘潭大学 | 一种gsm基站电磁辐射预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 关捷 等: "基于GRNN的GSM-R场强覆盖预测算法", 《铁道标准设计》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112469048A (zh) * | 2020-11-30 | 2021-03-09 | 国网湖南省电力有限公司 | 基于实测修正的电力无线专网系统覆盖状态获取方法、系统、电子设备及可读存储介质 |
| CN112801358A (zh) * | 2021-01-21 | 2021-05-14 | 上海东普信息科技有限公司 | 基于模型融合的件量预测方法、装置、设备及存储介质 |
| CN113393037A (zh) * | 2021-06-16 | 2021-09-14 | 潍坊科技学院 | 一种区域地质灾害趋势预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| EP3896873A1 (en) | 2021-10-20 |
| CN111327377B (zh) | 2022-08-19 |
| EP3896873A4 (en) | 2022-09-28 |
| WO2020119372A1 (zh) | 2020-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111327377B (zh) | 场强预测方法、装置、设备及存储介质 | |
| US11218986B2 (en) | Positioning method and server, and terminal | |
| US8385908B2 (en) | Modifying mobile network signal propagation predictions | |
| CN108712714B (zh) | 一种室内wlan指纹定位中ap的选择方法及装置 | |
| CN106488555B (zh) | 一种室内定位方法及装置 | |
| CN106993296A (zh) | 终端的性能评估方法及装置 | |
| CN110913407A (zh) | 重叠覆盖的分析方法及装置 | |
| CN105848177B (zh) | 一种获取天线姿态信息的方法及系统 | |
| CN108271183B (zh) | 一种基于原始测量报告的邻区优化方法及装置 | |
| CN111491255A (zh) | 一种回填经纬度定位扩量方法、系统及存储介质 | |
| CN108519579B (zh) | 基于区间重叠度分析优选AP的WiFi指纹定位方法 | |
| CN107590346B (zh) | 基于空间多重相关解集算法的降尺度校正模型 | |
| CN111343664A (zh) | 用户定位方法、装置、设备及介质 | |
| CN117540677A (zh) | 功率放大器模型的获取方法、装置及功率放大器模型 | |
| CN111629321A (zh) | 基于离群点剥离的中值卡尔曼滤波的定位方法 | |
| CN113988670A (zh) | 综合性企业信用风险预警方法及系统 | |
| CN110661648B (zh) | 基于自学习推理矩阵确定无线网络问题根因的方法和装置 | |
| CN114422947A (zh) | 5g测量报告的定位方法及装置、设备、存储介质、程序 | |
| Chaudhry et al. | On improving imputation accuracy of LTE spectrum measurements data | |
| CN106941659B (zh) | 一种定位方法及装置 | |
| CN110851941B (zh) | 一种网优数据矩阵的快速生成方法 | |
| CN116470975B (zh) | 一种基于svr的自适应传播预测模型的建模方法 | |
| WO2022156743A1 (zh) | 特征构建方法和装置、模型训练方法和装置、设备、介质 | |
| CN117858007B (zh) | 融合强化和联合学习的无线多基站定位网络优化方法 | |
| WO2023072050A1 (zh) | 干扰源定位方法、装置、计算机可读介质 |
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 |