CN111382755B - 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统 - Google Patents

一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统 Download PDF

Info

Publication number
CN111382755B
CN111382755B CN201811615998.0A CN201811615998A CN111382755B CN 111382755 B CN111382755 B CN 111382755B CN 201811615998 A CN201811615998 A CN 201811615998A CN 111382755 B CN111382755 B CN 111382755B
Authority
CN
China
Prior art keywords
network
data set
data
clustering
sampling point
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
Application number
CN201811615998.0A
Other languages
English (en)
Other versions
CN111382755A (zh
Inventor
郭鹏
郭宝
颜涛
苏翰
王文东
焦鹏飞
吕芳迪
姚坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Mobile Communications Group Co Ltd
China Mobile Group Shanxi Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Shanxi Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Mobile Communications Group Co Ltd, China Mobile Group Shanxi Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201811615998.0A priority Critical patent/CN111382755B/zh
Publication of CN111382755A publication Critical patent/CN111382755A/zh
Application granted granted Critical
Publication of CN111382755B publication Critical patent/CN111382755B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供了一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统，该方法包括：将路测数据、第一数据和任一网络中的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；根据分别设置的与任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与任一网络的数据集对应的最优权值，并根据任一网络的数据集对应的最优权值和任一网络的数据集，得到第二数据集；选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；根据差点地理位置聚类集合与第一共模小区的天馈值，计算小区的天线水平波瓣法线以及垂直波瓣法线与差点地理位置聚类集合的夹角。

Description

一种基于adaboost加权和三阶聚类的共模天馈优化方法及 系统
技术领域
本发明涉及通信技术领域，尤其涉及一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统。
背景技术
现有的多制式网络天馈优化方法，主要分为两类：
(1)独立天馈优化方法：尽管多制式独立天馈具有针对每一制式网络调整的灵活性，但是随着无线通信网络的演进与发展，其受制于铁塔成本和天面资源。从网络上来看，GSM\3G\TDD\FDD\NB等多张网络普遍使用同一站址资源；从铁塔建设来看，成立中国铁塔大力推动共建共享，移动\电信\联通共同使用同一站址资源、同一铁塔，因此同一站址资源需供给不同运营商的多张网络天面资源。目前已大量出现铁塔平台不足、天面资源不足的问题。多张网络共模建设是节省铁塔资源、天面资源的大势所趋。
(2)共天馈优化方法：传统的共天馈方式，为演进前后的4G与3G网络共天馈，因其具有相同的覆盖范围和业务类型，在优化时，可以不考虑3G，仅针对4G网络进行优化，即可确保网络覆盖连续、网络质量良好。这种情况下的共天馈优化等同于独立天馈优化。而当FDD与NB-IoT共天馈时，FDD不仅与NB-IoT覆盖范围不同；同时FDD网络主要用户为4G用户，其业务主要为语音VOLTE和数据业务(上网、视频等)，而NB-IoT主要用户为物联网终端，其业务主要为电力抄表、燃气抄表等物联网业务。FDD和NB-IoT网络分别有完全不同的覆盖目标群体，小区覆盖范围和需求完全不一致。因此不具备传统共天馈的优化条件，如以单一制式为主进行优化调整，必然影响另一制式的覆盖范围、网络质量以及用户感知。
在目前的移动通信领域中，鲜有不同网络制式、不同覆盖目标的共天馈情况。因此也就鲜有不同网络制式共天馈的优化方法。
发明内容
本发明实施例提供了一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统，其目的是为了形成多制式不同网络不同覆盖需求下的共模天馈评估及优化方法。
第一方面，本发明实施例提供了一种基于adaboost加权和三阶聚类的共模天馈优化方法，方法包括：将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，第一数据包括RSRP和SINR；根据分别设置的与任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与任一网络的数据集对应的最优权值，并根据任一网络的数据集对应的最优权值和任一网络的数据集，得到第二数据集；选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；根据差点地理位置聚类集合与共模小区的天馈值，计算共模小区的天线水平波瓣法线以及垂直波瓣法线与差点地理位置聚类集合的夹角，根据夹角调整天线。
第二方面，本发明实施例提供了一种基于adaboost加权和三阶聚类的共模天馈优化系统，系统包括：采集模块，用于采集任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息；处理模块，用于将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，第一数据包括RSRP和SINR；设置模块，用于分别设置的与任一网络的数据集对应的初始权值；算法模块，用于根据分别设置的与任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与任一网络的数据集对应的最优权值，并根据任一网络的数据集对应的最优权值和任一网络的数据集，得到第二数据集；处理模块，还用于选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；调整模块，还用于根据差点地理位置聚类集合与共模小区的天馈值，计算共模小区的天线水平波瓣法线以及垂直波瓣法线与差点地理位置聚类集合的夹角，根据夹角调整天线。
本发明实施例提供了一种基于adaboost加权和三阶聚类的共模天馈优化设备，包括：至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序指令，当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的基于adaboost加权和三阶聚类的共模天馈优化方法及系统，通过将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；再采用采用AdaBoost给任一网络设置最优的权值，进而得到二阶聚类后的第二数据集，再根据三阶差点聚类确定调整方案，最终进行天馈优化。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例中所需要使用的附图作简单地介绍，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示出了根据本发明一些实施例提供的基于adaboost加权和三阶聚类的共模天馈优化方法的流程图。
图2图1中NB-IOT的导频信号结构示意图。
图3示出了根据本发明一些实施例提供的另一种基于adaboost加权和三阶聚类的共模天馈优化方法的示意图。
图4示出了根据本发明一些实施例提供的另一种基于adaboost加权和三阶聚类的共模天馈优化系统的示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例，为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本发明，并不被配置为限定本发明。对于本领域技术人员来说，本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
图1示出了根据本发明一些实施例提供的基于adaboost加权和三阶聚类的共模天馈优化方法的流程图。如图1所示，该基于adaboost加权和三阶聚类的共模天馈优化方法可以包括：
步骤S1：将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，第一数据包括RSRP和SINR。
本发明实施例的目的是提出一种多制式基于adaboost加权和三阶聚类的共模天馈优化方法。
为了方便叙述，下文中以分别采集FDD 900、GSM和NB-IoT中的每一采样点的数据进行采集(如图3所示)描述。需要说明的是，本发明实施例中提到的FDD、GSM、NB-IoT只是一个示例，其他制式系统也可以纳入本发明实施例的保护范畴内。
下面通过GSM、NB-IoT、FDD 900多制式网络分别介绍怎么得到对应的数据集。
(1)FDD一阶聚类结果：数据集MFDD900。
通过MDT(Minimization of Drive-tests)来测量第一数据，其中，MDT是3GPP R10阶段在LTE和3G系统中引入的一种自动化路测技术。MDT除了能采集到测量结果对应的精确位置(经纬度)信息外，还能支持空闲态终端测量数据采集，支持发生RLF等异常事件期间的相关测量数据采集，并支持更多测量项的测量上报。
通过采集FDD 900的MDT测量报告数据，获取MDT数据中携带的采样点的经纬度信息以及参考信号介绍功率(Reference Signal Receiving Power，RSRP)、信号与干扰加噪声比(Signal to Interference plus Noise Ratio，SINR)信息。通过将RSRP、SINR和路测数据融合并根据金纬度心系进行，例如，50×50的栅格聚类，将原始采样点信息转化为栅格库形式的数据集MFDD900(如图3所示)。
MFDD900＝[FDD(long,lat),FDD(RSRP,SINR)]
其中，FDD(long,lat)是一阶聚类后的FDD900栅格库的中心经纬度。FDD(RSRP,SINR)是栅格库的首强频点均值。
(2)GSM一阶聚类结果：数据集MGSM
在GSM网络中，通过MR(Measurement Report)，即测量报告来获得第一数据。对于GSM系统来说，MR是网络侧获得终端无线信息的主要手段，主要包含两个部分：上行信号信息以及下行信号信息。其中下行信号信息由网络终端测量采集，通过Um口的MeasurementReport信令上报给网络；下行测量报告中应该包含：服务小区的电平强度、质量，手机当前的发射功率，DTX使用状况，最强的六个邻区的信号强度和BSIC等；上行测量信息中应该包含：手机上行的电平强度、质量，BTS当前的发射功率，DTX使用状况，TA值。
GSM的MR测量原理及流程包括：第一步，开启邻区电平测量；配置邻区电平测量门限；第三步，登记全/半速率信道接收电平测量；第四步，输出MR测量数据。
由于GSM的MR数据无经纬度信息，在进行GSM的MR数据一阶聚合前，需通过TA和区域覆盖相似算法对GSM的MR采样点进行地理化配置处理，增加经纬度信息。数据处理后，将GSM的MR采样点的GSM的路测数据进行一阶聚类。将两种数据融合并根据位置信息进行50×50的栅格聚类(如图3所示)，将原始采样点信息转化为栅格库形式的数据集MGSM。
MGSM＝[GSM(long,lat),GSM(Rxlev,C/I)]
其中，GSM(long,lat)是一阶聚类后的栅格库的中心经纬度。GSM(Rxlev,C/I)是栅格库的首强频点均值。
(3)NB-IoT一阶聚类结果：数据集MNB
NB-IoT的下行频域物理层结构为OFDMA，占用200KHz带宽(两边各留10KHz保护带，实际占用180KHz，即1个RB)，子载波带宽15KHz，下行时域物理层结构为1个无线帧为10个子帧，1个子帧为2个时隙，1个时隙为7个符号。其下行时域、频域结构与LTE网络相同。
NB下行物理信道中的导频信号重用了LTE的CRS，同时为了提高覆盖，新增NB-RS，即NB-IoT的CRS包括两部分，一部分是原LTE的CRS，另一部分是新增的NB-RS。NB-IoT的导频信号结构如图2所示：
与LTE相同的下行时域、频域结构，使得NB-IoT网络导频信号强度，可以在半盲同步的基础下，小概率的被支持FDD900M频段的终端所测量。
在开启MDT异频系统测量时，通过配置NB-IoT测量频点，可以获取少量NB-IoT网络的盲测值，最终可通过该盲测值和共站FDD采样点，形成NB-IoT网络的MDT拟算结果。
获取NB-IoT的拟算结果后，将NB-IoT的MDT拟算结果和NB-IoT的扫频路测数据进行一阶聚类。将两种数据融合并根据位置信息进行50×50的栅格聚类(如图3所示)，将原始采样点信息转化为栅格库信息MNB。
MNB＝[NB(long,lat),NB(RSRP,SINR)]
其中，NB(long,lat)是一阶聚类后的栅格库的中心经纬度。NB(RSRP，SINR)是栅格库的首强频点均值。
步骤S2：根据分别设置的与任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与任一网络的数据集对应的最优权值，并根据任一网络的数据集对应的最优权值和任一网络的数据集，得到第二数据集(如图3所示)。
在本发明实施例中采用Adaboost是一种机器学习中的迭代算法，来分别预测并给出MFDD900、MGSM、MNB最优的权值；Adaboost的核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器通过权值集合起来，构成一个更强的最终分类器(强分类器)。例如，将步骤S1中一阶聚合后的三组数据集MFDD900、MGSM、MNB分别用来评估多系统共模的覆盖是比较片面的，在三系统共模的情况下，其错误率甚至超过66％。adaBoost算法正是用于这些弱分类器的组合(MFDD900、MGSM、MNB组合)，最终来完成分类预测(即二阶聚合结果M)的机器学习算法。步骤S2具体包括：
第一步：设置弱分类器A为MFDD900×W1,弱分类器B为MGSM×W2，弱分类器C为MNB×W3，二阶聚合结果M为强分类器。
第二步：分别设置弱分类器A、弱分类器B和弱分类器C对应的正确条件，该正确条件分别用于判定设置的W1、W2和W3是否正确。
在本发明实施例中，各分类器的正确条件是结合现网大数据运算梳理和实际考量的，当MFDD900、MGSM、MNB分别与各系统的RSRP/SINR误差越小，则越正确，因此设置如下：
弱分类器A的正确条件为：M-MFDD900∈(-5,5)；
弱分类器B的正确条件为：M-MGSM∈(-5,5)；
弱分类器C的正确条件为：M-MNB∈(-5,5)；
当上述三个正确条件均正确时，则判断强分类器M分类正确，此时，则二阶聚类后的数据集M＝MFDD900×W1+MGSM×W2+MNB×W3。
当上述三个正确条件不是都正确的时，强分类器会基于这些训练的弱分类器的分类错误率，分配不同的决定系数(即权值)，错误率低的分类器获得更高的决定系数(即权值)，从而在对数据进行预测时起关键作用。
为了方便描述，假设，弱分类器A的正确条件、弱分类器B的正确条件和弱分类器C的正确条件都不正确，下面需要分别计算MFDD900、MGSM、MNB错误率，具体包括：
首先分别计算MFDD900、MGSM、MNB数据集中的第t个样本的错误分类率：
Figure BDA0001925834710000081
其中，err(Xi)是分类器数据集中被错误分类的统计量：若Xi被错误分类，则err(Xi)＝1；若Xi被正确分类，则err(Xi)＝0。
Figure BDA0001925834710000082
为MFDD900、MGSM、MNB数据集样本Xi在第t轮分类过程中的权重。
接着，根据与MFDD900、MGSM、MNB数据集对应的错误分类率，调整MFDD900、MGSM、MNB数据集对应的初始权值为最优的权值。
对于组合分类器最终的分类结果，每个分类器有一个“表决权”，对每个分类器的“表决权”赋予一个权重(即二阶聚类权值)。分类器的错误率越低，则准确率越高，则它的表决权的权重越大。由此可得三阶聚合权重Wt为：
Figure BDA0001925834710000083
其中，Mt的错误分类率影响数据集样本的权重更新。如果Xi在第t轮正确分类，则正确分类的权重变化为：
Figure BDA0001925834710000084
当所有正确分类权重被更新，就对数据集中所有的权重规范化。为了规范化权重，将它乘以旧权重之和，除以新权重之和，即：
Figure BDA0001925834710000085
以上过程，实现错误分类的权重增加，正确分类的数据集样本权重减少。
步骤S3：选择所述第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将所述第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合(如图3所示)。
具体包括：筛选二阶聚类结果M中RSRP/SINR低于门限值P的采样点，按照M数据集中的经纬度信息进行地理位置上的差点聚类，生成差点地理位置聚类集合Mi。
步骤S4：根据差点地理位置聚类集合与共模小区的天馈值，计算共模小区的天线水平波瓣法线以及垂直波瓣法线与差点地理位置聚类集合的夹角，根据夹角调整天线(如图3所示)。
采集每个差点地理位置聚类集合Mi与周边最近的共模小区天馈值(一般为三个小区，假设为共模第一小区做)，计算该小区天线水平波瓣法线以及垂直波瓣法线与集合Mi的夹角ai，此夹角ai即为该小区天馈需调整的方位角以及下倾角的数值；检验多个集合Mi对应同一个主相关小区A，如果计算出需调整的方位角
Figure BDA0001925834710000091
则计算ai的平均值，如果计算出需调整的方位角
Figure BDA0001925834710000092
则选择
Figure BDA0001925834710000093
的值作为对应主相关小区需调整的值，而其余集合Mi则选择对应第二近的小区重新计算需调整的方位角与下倾角。
另外，结合图1描述的本发明实施例的基于adaboost加权和三阶聚类的共模天馈优化方法可以由基于adaboost加权和三阶聚类的共模天馈优化系统来实现。图4示出了本发明实施例提供的基于adaboost加权和三阶聚类的共模天馈优化系统的结构示意图。
参见图4，该工模天馈优化系统包括：采集模块401、处理模块402、设置模块403、算法模块404和调整模块405。
采集模块401，用于采集任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息；处理模块402，用于将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，第一数据包括RSRP和SINR；设置模块403，用于分别设置的与任一网络的数据集对应的初始权值；算法模块404，用于根据分别设置的与任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与任一网络的数据集对应的最优权值，并根据任一网络的数据集对应的最优权值和任一网络的数据集，得到第二数据集；处理模块402，还用于选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；调整模块405，还用于根据差点地理位置聚类集合与共模小区的天馈值，计算共模小区的天线水平波瓣法线以及垂直波瓣法线与差点地理位置聚类集合的夹角，根据夹角调整天线。
可选的，算法模块404，具体用于：分别设置与任一网络的数据集对应的初始权值，以及分别设置与任一网络对应的判定条件；其中，判定条件用于判断任一网络的数据集对应的初始权值是否设置正确；当初始权值均正确时，则任一网络的数据集对应的初始权值为最优的权值；当初始权值不全正确时，调整任一网络的数据集对应的初始权值为最优的权值。
可选的，算法模块404，具体用于：计算任一网络的数据集中的第t个样本的错误分类率；根据与任一网络的数据集对应的错误分类率，调整任一网络的数据集对应的初始权值为最优的权值。
可选的，错误分类率为：
Figure BDA0001925834710000101
其中，err(Xi)是任一网络的数据集中被错误分类的统计量：若Xi被错误分类，则err(Xi)＝1；若Xi被正确分类，则err(Xi)＝0。
Figure BDA0001925834710000102
为任一网络的数据集样本Xi在第t轮分类过程中的权重。
可选的，所述最优的权值为：
Figure BDA0001925834710000103
可选的，调整模块405，还用于：
当夹角
Figure BDA0001925834710000111
则将计算夹角的平均值；
当夹角
Figure BDA0001925834710000112
则将
Figure BDA0001925834710000113
指作为对应第一共模小区需调整的夹角。
可选的，采集模块401具体用于：根据MDT获取第一网络中的每一采样点的第一数据；其中，第一数据包括每一采样点的位置信息、RSRP和SINR；或，根据MR获取第二网络中的采样点的第一数据，以及通过TA和区域覆盖算法，设置每一采样点的位置信息；或，根据NB-IoT网络的盲测值和共站FDD采样点，得到第一数据；其中，第一数据包括每一采样点的位置信息、RSRP和SINR信息。
另外，结合上述实施例中的基于adaboost加权和三阶聚类的共模天馈优化方法，本发明实施例可提供一种计算机可读存储介质来实现。该计算机可读存储介质上存储有计算机程序指令；该计算机程序指令被处理器执行时实现上述实施例中的任意一种基于adaboost加权和三阶聚类的共模天馈优化方法。
需要明确的是，本发明并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见，这里省略了对已知方法的详细描述。在上述实施例中，描述和示出了若干具体的步骤作为示例。但是，本发明的方法过程并不限于所描述和示出的具体步骤，本领域的技术人员可以在领会本发明的精神后，作出各种改变、修改和添加，或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时，其可以例如是电子电路、专用集成电路(ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时，本发明的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中，或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RF)链路，等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是，本发明中提及的示例性实施例，基于一系列的步骤或者装置描述一些方法或系统。但是，本发明不局限于上述步骤的顺序，也就是说，可以按照实施例中提及的顺序执行步骤，也可以不同于实施例中的顺序，或者若干步骤同时执行。
以上所述，仅为本发明的具体实施方式，所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、模块和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。应理解，本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。

Claims (13)

1.一种基于adaboost加权和三阶聚类的共模天馈优化方法，其特征在于，所述方法包括：
将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，所述第一数据包括RSRP和SINR；
根据分别设置的与所述任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与所述任一网络的数据集对应的最优权值，并根据所述任一网络的数据集对应的最优权值和所述任一网络的数据集，得到第二数据集；
选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将所述第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；
根据所述差点地理位置聚类集合与共模第一小区的天馈值，计算所述第一小区的天线水平波瓣法线以及垂直波瓣法线与所述差点地理位置聚类集合的夹角，根据夹角调整所述天线。
2.根据权利要求1所述的方法，其特征在于，所述根据分别设置的与所述任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与所述任一网络的数据集对应的最优权值，包括：
分别设置与所述任一网络的数据集对应的初始权值，以及分别设置与任一网络对应的正确条件；其中，所述正确条件用于判断任一网络的数据集对应的初始权值是否正确；
当初始权值均正确时，则所述任一网络的数据集对应的初始权值为最优的权值；
当初始权值不全正确时，调整所述任一网络的数据集对应的初始权值为最优的权值。
3.根据权利要求2所述的方法，其特征在于，所述调整所述任一网络的数据集对应的初始权值为最优的权值，包括：
计算所述任一网络的数据集中的第t个样本的错误分类率；
根据与所述任一网络的数据集对应的错误分类率，调整所述任一网络的数据集对应的初始权值为最优的权值。
4.根据权利要求3所述的方法，其特征在于，所述错误分类率为：
Figure FDA0001925834700000021
其中，err(Xi)是任一网络的数据集中被错误分类的统计量：若Xi被错误分类，则err(Xi)＝1；若Xi被正确分类，则err(Xi)＝0，
Figure FDA0001925834700000026
为任一网络的数据集样本Xi在第t轮分类过程中的权重。
5.根据权利要求3所述的方法，其特征在于，所述最优的权值为：
Figure FDA0001925834700000022
6.根据权利要求1所述的方法，其特征在于，所述计算所述第一小区的天线水平波瓣法线以及垂直波瓣法线与所述差点地理位置聚类集合的夹角，还包括：
当所述夹角
Figure FDA0001925834700000023
则将计算夹角的平均值；
当所述夹角
Figure FDA0001925834700000024
则将
Figure FDA0001925834700000025
指作为对应第一共模小区需调整的夹角。
7.根据权利要求1所述的方法，其特征在于，将任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集，包括：
根据MDT获取第一网络中的每一采样点的第一数据；其中，所述第一数据包括每一采样点的位置信息、RSRP和SINR；或，
根据MR获取第二网络中的采样点的第一数据，以及通过TA和区域覆盖算法，设置每一采样点的位置信息；或，
根据NB-IoT网络的盲测值和共站FDD采样点，得到第一数据；其中，所述第一数据包括每一采样点的位置信息、RSRP和SINR信息。
8.一种基于adaboost加权和三阶聚类的共模天馈优化系统，其特征在于，所述系统包括：
采集模块，用于采集任一网络中的路测数据、任一网络中的每一采样点的第一数据和任一网络中的每一采样点的位置信息；
处理模块，用于将所述任一网络中的路测数据、所述任一网络中的每一采样点的第一数据和所述任一网络中的每一采样点的位置信息进行融合，并将融合后的数据进行栅格聚类，得到任一网络的数据集；其中，所述第一数据包括RSRP和SINR；
设置模块，用于分别设置的与所述任一网络的数据集对应的初始权值；
算法模块，用于根据分别设置的与所述任一网络的数据集对应的初始权值，采用AdaBoost算法，分别确定与所述任一网络的数据集对应的最优权值，并根据所述任一网络的数据集对应的最优权值和所述任一网络的数据集，得到第二数据集；
处理模块，还用于选择第二数据集中RSRP或SINR小于预设门限值的第二采样点，并将所述第二采样点中的每一采样点与位置信息聚类，生成差点地理位置聚类集合；
调整模块，还用于根据所述差点地理位置聚类集合与共模第一小区的天馈值，计算所述第一小区的天线水平波瓣法线以及垂直波瓣法线与所述差点地理位置聚类集合的夹角，根据夹角调整所述天线。
9.根据权利要求8所述的系统，其特征在于，所述算法模块，具体用于：分别设置与所述任一网络的数据集对应的初始权值，以及分别设置与任一网络对应的正确条件；其中，所述正确条件用于判断任一网络的数据集对应的初始权值是否正确；当初始权值均正确时，则所述任一网络的数据集对应的初始权值为最优的权值；当初始权值不全正确时，调整所述任一网络的数据集对应的初始权值为最优的权值。
10.根据权利要求9所述的系统，其特征在于，所述算法模块，具体用于：计算所述任一网络的数据集中的第t个样本的错误分类率；根据与所述任一网络的数据集对应的错误分类率，调整所述任一网络的数据集对应的初始权值为最优的权值。
11.根据权利要求10所述的系统，其特征在于，所述错误分类率为：
Figure FDA0001925834700000041
其中，err(Xi)是任一网络的数据集中被错误分类的统计量：若Xi被错误分类，则err(Xi)＝1；若Xi被正确分类，则err(Xi)＝0，
Figure FDA0001925834700000042
为任一网络的数据集样本Xi在第t轮分类过程中的权重。
12.根据权利要求10所述的系统，其特征在于，所述最优的权值为：
Figure FDA0001925834700000043
13.根据权利要求8所述的系统，其特征在于，所述调整模块，还用于：
当所述夹角
Figure FDA0001925834700000044
则将计算夹角的平均值；
当所述夹角
Figure FDA0001925834700000045
则将
Figure FDA0001925834700000046
指作为对应第一共模小区需调整的夹角。
CN201811615998.0A 2018-12-27 2018-12-27 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统 Active CN111382755B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811615998.0A CN111382755B (zh) 2018-12-27 2018-12-27 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811615998.0A CN111382755B (zh) 2018-12-27 2018-12-27 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统

Publications (2)

Publication Number Publication Date
CN111382755A CN111382755A (zh) 2020-07-07
CN111382755B true CN111382755B (zh) 2023-05-02

Family

ID=71216535

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811615998.0A Active CN111382755B (zh) 2018-12-27 2018-12-27 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统

Country Status (1)

Country Link
CN (1) CN111382755B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114095854B (zh) * 2020-07-30 2023-08-04 中国移动通信集团广东有限公司 基于最小化路测mdt数据的室分网络干扰源定位方法和电子设备
CN113140109B (zh) * 2021-04-23 2022-08-05 上海阿尔卡特网络支援系统有限公司 一种路测数据处理方法、装置、计算机设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165435A1 (zh) * 2015-09-07 2016-10-20 中兴通讯股份有限公司 一种无线网络越区覆盖检测方法、装置及通信系统
US9538401B1 (en) * 2015-12-18 2017-01-03 Verizon Patent And Licensing Inc. Cellular network cell clustering and prediction based on network traffic patterns
WO2017173839A1 (zh) * 2016-04-06 2017-10-12 中兴通讯股份有限公司 开启小区测量的确定方法、装置、系统及存储介质

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9113371B2 (en) * 2010-07-01 2015-08-18 The Hong Kong University Of Science And Technology Cross-layer optimization for next-generation WiFi systems
US9955488B2 (en) * 2016-03-31 2018-04-24 Verizon Patent And Licensing Inc. Modeling network performance and service quality in wireless networks

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165435A1 (zh) * 2015-09-07 2016-10-20 中兴通讯股份有限公司 一种无线网络越区覆盖检测方法、装置及通信系统
US9538401B1 (en) * 2015-12-18 2017-01-03 Verizon Patent And Licensing Inc. Cellular network cell clustering and prediction based on network traffic patterns
WO2017173839A1 (zh) * 2016-04-06 2017-10-12 中兴通讯股份有限公司 开启小区测量的确定方法、装置、系统及存储介质

Also Published As

Publication number Publication date
CN111382755A (zh) 2020-07-07

Similar Documents

Publication Publication Date Title
US12052583B2 (en) Radio mapping architecture for applying machine learning techniques to wireless radio access networks
US10305561B2 (en) Communication method and apparatus using beamforming
EP3890361B1 (en) Cell longitude and latitude prediction method and device, server, base station, and storage medium
US8248997B2 (en) Apparatus and method for positioning a wireless user equipment
US6882845B2 (en) Autonomous zone forming communication device and autonomous zone forming method
US10827361B2 (en) Method in a radio communication network
CN109845302B (zh) 用于自动识别和优化过冲小区的系统和方法
CN109804674B (zh) 用于从覆盖区域减轻覆盖盲区的系统和方法
US20220256358A1 (en) KPI-Based Tilt Range Selection
EP3824657A1 (en) System and method for 3d propagation modelling for planning of a radio network
CN106792752A (zh) 基站信号覆盖自优化方法和系统
US10945299B2 (en) Overshoot analysis based on user equipment metrics
CN114520997B (zh) 定位5g网络干扰源的方法、装置、设备及存储介质
KR20160054899A (ko) 무선 통신 시스템에서 안테나 파라미터를 최적화하기 위한 장치 및 방법
CN111382755B (zh) 一种基于adaboost加权和三阶聚类的共模天馈优化方法及系统
CN112514451A (zh) 自动优化服务基站的小区参数
EP1733567A1 (en) System, unit and method of frequency re-planning
US11606732B1 (en) Coverage improvement for 5G new radio wireless communication network, such as for over-shooting cells
CN107395313B (zh) 一种减少小区间干扰的方法及装置
CN105357698B (zh) Ue用户密度分布检测方法与系统
CN102457912B (zh) 负载指示信息的发送方法及装置
US20230071942A1 (en) Cellular network indoor traffic auto-detection
EP2485516B1 (en) Radio coverage in mobile telecommunications systems
EP3700253B1 (en) Predicting geographical distribution of mobile communication network quality
US11800382B1 (en) Coverage improvement for 5G new radio wireless communication network

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