CN111355543B

CN111355543B - 一种场强预测方法

Info

Publication number: CN111355543B
Application number: CN201811563761.2A
Authority: CN
Inventors: 武继龙
Original assignee: ZTE Corp
Current assignee: ZTE Corp
Priority date: 2018-12-20
Filing date: 2018-12-20
Publication date: 2023-01-17
Anticipated expiration: 2038-12-20
Also published as: WO2020125349A1; EP3902313A1; EP3902313A4; CN111355543A

Abstract

本发明公开了一种场强预测方法，包括：从非目标区域的数据集合中选择第一数据组合，第一数据组合所对应的信号与目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则；进行目标区域的场强预测模型的训练，场强预测模型的训练样本包括第一数据集合。相对于现有技术，本发明从非目标区域的所有数据集合中选择的第一数据组合作为场强预测模块的训练样本，第一数据组合与第二数据组合具有一定程度的相关程度，因此，以该第一数据组合作为场强预测模型的训练样本，可以使得场强预测模型具有较高的精度，且该预测方法无需对环境的各种因素进行实地测量。

Description

一种场强预测方法

技术领域

本发明涉及通信技术领域，尤其涉及一种信号覆盖区的场强预测方法。

背景技术

在场强预测等相关技术领域内，环境因素是决定模型精确度的一个重要因素。目前，对于环境信息的使用主要有两种方式：第一，对环境各种因素进行实地的精细的人工测量；第二，忽略环境信息，使用非目标区域内所有的数据集合(全数据)作为训练样本进行建模。第一种方式可以充分利用环境信息，在场强预测的建模中能够达到较高的精度，但是，环境信息的测量需要大量的人力物力，以及非常高的时间成本，在快速建模需求中并不适用。第二种方式虽然能够满足快速建模需求，但是由于采用所有的已知数据集合作为训练样本进行建模，其所产生的模型精度较低，误差较大，在解决场强覆盖问题中可用性不高。

为此，急需一种不需要耗费大量的人力物力，又具有较高精度的场强预测方法。

发明内容

为了解决上述问题，本发明提供一种场强预测方法，包括：从非目标区域的数据集合中选择第一数据组合，所述第一数据组合所对应的信号与目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则；进行所述目标区域的场强预测模型的训练，所述场强预测模型的训练样本包括所述第一数据集合。

相对于现有技术中将非目标区域的所有数据集合用于目标区域建模，本发明从非目标区域的所有数据集合中选择的第一数据组合作为场强预测模块的训练样本，且该第一数据组合所对应的信号与第二组数据所对应的信号的波动规律一致程度符合预设规则，即本发明所选择的第一数据组合与第二数据组合具有一定程度的相关程度，因此，以该第一数据组合作为场强预测模型的训练样本，可以使得场强预测模型具有较高的精度，且该预测方法无需对环境的各种因素进行实地测量。

附图说明

此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1为本发明实施例1的场强预测过程；

图2为本发明实施例1的具体操作流程；

图3为本发明实施例2的场强预测方法的MAE与现有技术场强预测MAE的对比图；

图4为本发明实施例3的场强预测方法的MAE与现有技术场强预测MAE的对比图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

图1为本发明实施例1中的场强预测过程。该场强预测方法包括：

S13:从非目标区域的数据集合中选择第一数据组合，所述第一数据组合所对应的信号相对目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则；

S14：进行所述目标区域的场强预测模型的训练，所述场强预测模型的训练样本包括所述第一数据集合。

本发明实施例提供的场强预测方法，相对于现有技术中将非目标区域的所有数据集合用于目标区域建模，本发明从非目标区域的所有数据集合中选择的第一数据组合作为场强预测模块的训练样本，且该第一数据组合所对应的信号与第二组数据所对应的信号的波动规律一致程度符合预设规则，即本发明所选择的第一数据组合与第二数据组合具有一定程度的相关程度，也就是去除了非目标区域的数据集合中与第二数据组合的波动规律相差较多的数据，因此，以该第一数据组合作为场强预测模型的训练样本，可以使得场强预测模型具有较高的精度，且该预测方法无需对环境的各种因素进行实地测量。

具体的，非目标区域可以划分为多个子区域，目标区域也可以再分为多个子区域，但是通常目标区域可以是一个子区域。该目标区域可以是非目标区域中的一个子区域。例如，非目标区域为N个小区，每个小区为一个子区域，那么N个小区中的第k个小区可以作为目标区域，N和k均为正整数，且k的值大于0小于等于N。

其中，第一数据组合和第二数据组合中的元素均可以包括基站的天线工参，简称为工参。实际应用中，对于出现无线信号弱覆盖问题的小区，可以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。天线工参通常有多个维度：发射功率、天线方向角、天线下倾角、天线高度等等。由于工参维度多，调整方向和大小范围大，现实中的发射功率多采用最大功率，而调整天线高度会导致信号覆盖强度急剧变化，因此，通常通过调整天线方向角来调整信号覆盖强度。

第一数据组合的元素还可以包括其他的信号数据，例如非目标区域内子区域与基站距离、相对位置、信号强度等等。同理，第二数据组合中的元素也可以包括非目标区域与基站距离、相对位置等等。

在S13之前还包括S11和S12。

S11：将数据集合按所述工参的数值变化划分成多组工参数据；

S12:将目标区域的第二数据组合按所述工参的数值变化划分成多组第二数据。

如上分析，由于实际应用中通常通过调整天线方向角来调整信号覆盖强度，因此，S11和S12中的工参可以为天线方向角。即S11中数据集合按相对基站的天线方向角的角度不同而划分成多组工参数据。S12中的第二数据组合也按相对基站的天线方向角的角度不同而划分成多组第二数据。

当然，S11和S12中的工参也可以包括但不限于发射功率、天线下倾角、天线高度等。具体的，S11和S12中工参可以为单一工参,工参数据单一的工参数据，单一工参数据是指其中的工参的参数或维度只有一个，例如只有天线方向角这一工参或只有天线高度这一工参。此外，S11和S12中的工参也可以包括至少两个参数，例如包括天线方向角和天线高度两个参数，可以将数据集合中天线方向角和天线高度均相同的数据分为一组工参数据，第二数据组合中天线方向角和天线高度均相同的数据分为一组第二数据。

如上所述，第一数据组合的元素还可以包括非目标区域内子区域与基站距离，进一步的，非目标区域的数据集合的元素也可以包括其他的信号数据，例如非目标区域内所有子区域与基站的距离。S11中还可以包括：每一组工参数据对应的信号数据依距离进行排序，以形成有序的信号数据，该工参数据为单一工参数据。

S13中，从S11中获得的多组工参数据选择目标工参数据，所有的目标工参数据即组成第一数据组合，该目标工参数据相对多组第二数据的相关程度符合预设规则，换言之，该目标工参数据对应的信号相对至少一组第二数据的信号的波动规律一致程度符合预设规则。

在S13中，可以基于相关系数，例如皮尔逊相关系数，计算第一数据组合所对应的信号相对第二数据组合所对应的信号的波动规律一致程度，具体的，可以是基于皮尔逊相关系数，计算目标工参数据相对第二数据的相关程度。

S13中，具体包括：衡量所述非目标区域的数据集合中所有的数据组合所对应的信号相对所述第二数据组合所对应的信号的波动规律一致程度，并按一致程度高低排序，将所述一致程度前若干名所对应的数据组合作为所述第一数据组合或者将所述一致程度在预设范围内所对应的数据组合作为所述第一数据组合。例如，将所述一致程度前10、或20名等所对应的数据组合作为所述第一数据组合，即从所有的数据集合中挖掘出与第二数据组合的一致程度较高的数据组合作为第一数据组合，排除一致程度较低的数据组合；又例如是将一致程度在0.8至1之间所对应的数据组合作为第一数据组合，一致程度的数值不超过1，当一致程度为1时表示两组数据组合的波动规律完全相同。

S14中，场强预测模型的训练样本还可以包括第二数据，即场强预测模型的训练样本包括第一数据组合和第二数据组合。除第二数据组合外，目标区域还可以包括第三数据组合，第三数据组合可以作为场强预测模型的测试样本，用于检验场强预测模型用于场强预测的效果。具体的，目标区域中的所有数据组合可以依据工参的数值变化划分成多组数据组合，多组数据组合中的1/3组别为第二数据组合(工参数值变化已知)，另外2/3组别为第三数据组合(可认为工参数值变化未知)，第三数据数据组合的数据量大于第二数据组合的数据量，使得测试样本的工参数值变化多于已知的工参数值变化，可以更加有效地验证场强预测模型的预测效果。例如，目标区域的所有数据组合内的工参数值包括6种(以天线方向角为例，10度，20度，30度，40度，50度，60度)；则可以选择天线方向角为10度和20度所对应的数据组合作为第二数据组合，其余的数据组合为第三数据组合。

当然，第三数据数据组合的数据量与第二数据组合的数据量也可以是其他比值，如多组数据组合中的1/4组别为第二数据组合(工参数值变化已知)，另外3/4组别为第三数据组合(可认为工参数值变化未知)。此外，多组数据组合中也可以是第三数据数据组合的数据量小于或等于第二数据组合的数据量。

可见，场强预测模型中训练样本包括第一数据组合和第二数据组合，测试样本包括第三数据组合。为了避免冗余和预测精度低的问题，场强预测模型中训练样本的数据量与测试样本的数据量的比值在5至15之间，例如8、10或12等等。具体的，第一数据组合和第二数据组合的数据量之和与第三数据组合数据量的比值在5至15之间。

本发明实施例的场强预测模型可以是深度学习领域的模型，如全连接神经网络模型，也可以是机器学习领域的模型，如Xgboost模型。

S14之后，还可以包括S16：基于所述场强预测模型，对所述目标区域进行场强预测。目标区域的相关数据输入场强预测模型，该场强预测模型计算后得出目标区域的预测场强值。

在S14和S16之间，还可以包括S15：验证所述场强预测模型的有效性，当所述场强预测模型有效时，进入S16,否则中止或终止。可以利用上述测试样本输入场强预测模块模型得到目标区域的场强预测值，并将该场强预测值与场强真实值通过平均绝对误差(MeanAbsolute Error，MAE)的方法比对，得到场强预测值与场强真实值的差值为A。现有技术中使用非目标区域内所有的数据集合作为训练样本进行建模，其得到的场强预测值与场强真实值的差值为B。通过比较A和B,可以评估本发明实施例的场强预测模型的有效性。

图2为本发明实施例1中的场强预测方法的具体操作流程。首先获得非目标区域的全集数据，即所有数据集合；将全集数据预处理为所需的数据形式，具体的，可以依据工参数值变化划分成需要的数据形式；从处理后的数据中找出每组数据对应波动规律，即获取每组数据的波动规律；从处理后的数据选择与目标区域对应的数据为标准训练数据，从所有处理后的数据中选择与标准训练数据波动规律较为一致的数据组合，将标准训练数据与该数据组合融合成为训练样本，进而使得模型训练的样本具有较高的相关性，以利于训练出精度较高的模型；选择模型，使用训练样本进行训练；选择评估方法，对模型测试结果进行评估。

下文将以小区作为目标为例，通过对实施例二和实施例三的介绍，说明本申请实施例提供的方案在实际中的具体应用过程。可以理解，实施例二和实施例三是对实施例一提供的方案的具体说明，而不应视为对该方案应用场景等进行限制。

实施例2

本发明实施例在67个不包含任何地形地貌信息的小区数据，67个小区数据组成的全数据集中，使用全链接神经网络，作为场强预测的基础模型。验证方案方法对模型性能提升大小。

具体实施步骤如下：

S21：将67个小区中每个小区数据，根据本小区数据中所包含的工参数值变化，划分成多组单一工参数据。其中，工参可以包括发射功率、天线方向角、天线下倾角、天线高度等等，S21中，工参数据变化可以具体为天线方向角角度变化。

S22：将S21中的每一组单一工参数据中信号数据，根据与基站的距离从小到大的顺序进行排序，形成一组有序的信号数据。假设S21中得到M组单一工参数据，则形成M组有序的信号数据。

S23：从67个小区中选择编号为4的小区作为目标小区，假设目标小区包括的工参数值变化为X个，可以将目标小区包含的工参数值变化中的1/3X，作为已知工参数值变化，其所对应的数据做为标准训练数据(相当于实施例1中的第二数据组合)，其他2/3X工参数值变化作为未知工参变化，其所对应数据做为测试数据(相当于实施例1中的第三数据组合)。选择1/3X作为已知工参数值变化，是为了使测试数据的工参数值变化多于已知数据工参数值变化，可以较好地验证本实施例的有效性。

S24：对S23中的标准训练数据，按所包含的每一组单一工参数据，分别计算S22形成的每一组有序信号数据，得到单一工参数据的有序信号数据间的皮尔逊系数，并生成一个皮尔逊系数值表。具体的，例如M等于100，X等于60，则将100组有序的数据信号中的每一组有序的数据信号分别相对20组标准训练数据依次进行皮尔逊系数，经过2000次的计算后得到皮尔逊系数值表。

参表1，为部分小区中不同工参数据，两两之间皮尔逊系数值表，其中a_b表示编号为a的小区内的第b个公参变化)。

表1

S25：根据S24生成的皮尔逊值表，选择标准训练数据中，每组单一工参数据，波动规律最一致的前10个非目标小区单一工参数据。波动规律最一致的前10个非目标小区单一工参数据与标准训练数据融合后一起作为模型的训练集合,训练一个全链接的神经网络模型。其中，波动规律最一致的数量大小，是为了使训练集合的数据量与测试集合的数据量比值在[5,15]这个区间内，以避免冗余或非有效数据造成预测精度降低。

S26：使用S25训练的神经网络模型，对S23的测试数据进行预测，以平均绝对误差(Mean Absolute Error，MAE)作为模型预测性能的评估标准。本发明实施例得到的编号为4的小区的MAE为4.53dB，如果采用现有技术中，即采用其余66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5.96dB。可见，本发明实施例的预测MAE相比可降低1.43dB。

S27：选择67个小区中不同的小区作为测试集，重复S23到S26，本发明实施例的场强预测方法在13个测试小区预测场强与真实场强的平均MAE比现有技术中忽略环境信息使用全数据的方法降低了1.77dB。

图3为本发明实施例中13个测试小区预测场强与真实场强的MAE与现有技术中忽略环境信息使用全数据的方法的MAE的对照。图3中白色框为本发明实施例13个测试小区预测场强与真实场强的MAE，黑色框为现有技术中使用全数据的方法的MAE。

表2为与图3对应的13个测试小区预测场强与真实场强的MAE数值与现有技术中使用全数据方法的MAE数值，其中，本发明实施例的场强预测方法在13个测试小区预测场强与真实场强的平均MAE比现有技术中忽略环境信息使用全数据的方法降低了1.77dB。

表2

实施例3

本实施例与实施例2的区别在于将模型从全链接神经网络转化为Xgboost模型，作为场强预测的基础模型。本实例具体步骤中S31到S34的步骤与实施例2中S21到S24的步骤完全一致，S35到S37的区别在于基础模型的改变。

具体实施步骤如下：

S31：将67个小区中每个小区数据，根据本小区数据中所包含的工参数值变化，划分成多组单一工参数据。其中，工参可以包括发射功率、天线方向角、天线下倾角、天线高度等等，S31中，工参数据变化可以具体为天线方向角角度变化。

S32：将S31中的每一组单一工参数据中信号数据，根据与基站的距离从小到大的顺序进行排序，形成一组有序的信号数据。假设S21中得到M组单一工参数据，则形成M组有序的信号数据。

S33：从67个小区中选择编号为4的小区作为目标小区，假设目标小区包括的工参数值变化为X个，可以将目标小区包含的工参数值变化中的1/3X，作为已知工参数值变化，其所对应的数据做为标准训练数据(相当于实施例1中的第二数据组合)，其他2/3X工参数值变化作为未知工参变化，其所对应数据做为测试数据(相当于实施例1中的第三数据组合)。选择1/3X作为已知工参数值变化，是为了使测试数据的工参数值变化多于已知数据工参数值变化，可以较好地验证本实施例的有效性。

S34：对S33中的标准训练数据，按所包含的每一组单一工参数据，分别计算S32形成的每一组有序信号数据，得到单一工参数据的有序信号数据间的皮尔逊系数，并生成一个皮尔逊系数值表。具体的，例如M等于100，X等于60，则将100组有序的数据信号中的每一组有序的数据信号分别相对20组标准训练数据依次进行皮尔逊系数，经过2000次的计算后得到皮尔逊系数值表。

参上述表1，为部分小区中不同工参数据，两两之间皮尔逊系数值表，其中a_b表示编号为a的小区内的第b个公参变化)。

S35：根据S24生成的皮尔逊值表，选择标准训练数据中，每组单一工参数据，波动规律最一致的前10个非目标小区单一工参数据。波动规律最一致的前10个非目标小区单一工参数据与标准训练数据融合后一起作为模型的训练集合,训练一个Xgboost模型。其中，波动规律最一致的数量大小，是为了使训练集合的数据量与测试集合的数据量比值在[5,15]这个区间内，以避免冗余或非有效数据造成预测精度降低。

S36：:使用S35训练的Xgboost模型，对S33中的测试集合进行预测，以MAE作为模型预测性能的评估标准。本发明实施例得到的编号为4的小区的MAE为2.37dB，如果采用现有技术中，即采用其余66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5.54dB。可见，本发明实施例的的预测MAE相比可降低2.17dB。

S27：选择67个小区中不同的小区作为测试集，重复S23到S26，本发明实施例的场强预测方法在13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2.41dB。

图4为本发明实施例中13个测试小区预测场强与真实场强的MAE与现有技术中忽略环境信息使用全数据的方法的MAE的对照。图4中白色框为本发明实施例13个测试小区预测场强与真实场强的MAE，黑色框为现有技术中使用全数据的方法的MAE。

表3

表3为与图4对应的13个测试小区预测场强与真实场强的MAE数值与现有技术中使用全数据方法的MAE数值，其中，本发明实施例的场强预测方法在13个测试小区预测场强与真实场强的平均MAE比现有技术中忽略环境信息使用全数据的方法降低了2.41dB。

以上的具体实例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims

1.一种场强预测方法，其特征在于，包括：

从非目标区域的数据集合中选择第一数据组合，所述第一数据组合所对应的信号相对目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则，所述目标区域为待进行场强预测的小区；

进行所述目标区域的场强预测模型的训练，所述场强预测模型的训练样本包括所述第一数据组合；

第一数据组合中和所述第二数据组合中的元素均包括工参，所述工参包括基站的天线方向角；

在所述非目标区域的数据集合中选择第一数据组合之前，还包括：将数据集合按所述工参的数值变化划分成多组工参数据，将目标区域的第二数据组合按所述工参的数值变化划分成多组第二数据；

在所述从非目标区域的数据集合中选择第一数据组合，所述第一数据组合所对应的信号相对目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则中，包括：从所述多组工参数据中选择至少一组目标工参数据，所有所述目标工参数据组成所述第一数据组合，所述目标工参数据相对至少一组所述第二数据的相关程度符合预设规则。

2.根据权利要求1所述的场强预测方法，其特征在于，基于皮尔逊相关系数，计算所述目标工参数据相对所述第二数据的相关程度，或计算所述第一数据组合所对应的信号相对所述第二数据组合所对应的信号的波动规律一致程度。

3.根据权利要求1至2任一项所述的场强预测方法，其特征在于，在所述从非目标区域的数据集合中选择第一数据组合，所述第一数据组合所对应的信号相对目标区域的第二数据组合所对应的信号的波动规律一致程度符合预设规则，包括：

衡量所述非目标区域的数据集合中所有的数据组合所对应的信号相对所述第二数据组合所对应的信号的波动规律一致程度，并按一致程度高低排序，将所述一致程度前若干名所对应的数据组合作为所述第一数据组合或者将所述一致程度在预设范围内所对应的数据组合作为所述第一数据组合。

4.根据权利要求1所述的场强预测方法，其特征在于，所述场强预测模型的训练样本还包括所述第二数据组合，所述目标区域还包括第二数据组合之外的第三数据组合，所述第三数据组合为所述场强预测模型的测试样本。

5.根据权利要求4所述的场强预测方法，其特征在于，所述场强预测模型的训练样本数据量与测试样本的数据量比值在5至15之间。

6.根据权利要求1所述的场强预测方法，其特征在于，所述目标区域场强预测模型为全连接神经网络或Xgboost模型。

7.根据权利要求1所述的场强预测方法，其特征在于，所述数据集合的元素还包括非目标区域的子区域至基站的距离，在所述将数据集合按所述工参的数值变化划分成多组工参数据中，还包括将每一组所述工参数据的信号数据依所述距离进行排序，所述工参数据为单一工参数据。

8.根据权利要求1所述的场强预测方法，其特征在于，所述目标区域与所述非目标区域相互独立；或者，所述目标区域为所述非目标区域的子区域。

9.根据权利要求1所述的场强预测方法，其特征在于，在所述进行所述目标区域的场强预测模型的训练之后，还包括：基于所述场强预测模型，对所述目标区域进行场强预测。