CN111385805B - 射频指纹信息库生成、栅格定位方法及装置 - Google Patents

射频指纹信息库生成、栅格定位方法及装置 Download PDF

Info

Publication number
CN111385805B
CN111385805B CN201811643624.XA CN201811643624A CN111385805B CN 111385805 B CN111385805 B CN 111385805B CN 201811643624 A CN201811643624 A CN 201811643624A CN 111385805 B CN111385805 B CN 111385805B
Authority
CN
China
Prior art keywords
grids
grid
initial
clustering
data information
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
CN201811643624.XA
Other languages
English (en)
Other versions
CN111385805A (zh
Inventor
李德新
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.)
ZTE Corp
Original Assignee
ZTE Corp
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 ZTE Corp filed Critical ZTE Corp
Priority to CN201811643624.XA priority Critical patent/CN111385805B/zh
Priority to PCT/CN2019/128062 priority patent/WO2020135450A1/zh
Publication of CN111385805A publication Critical patent/CN111385805A/zh
Application granted granted Critical
Publication of CN111385805B publication Critical patent/CN111385805B/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
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/35—Clustering; Classification
    • 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
    • H04B17/327—Received signal code power [RSCP]
    • 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
    • H04W16/18—Network planning tools
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports

Abstract

本发明提供了一种射频指纹信息库生成、栅格定位方法及装置。所述射频指纹信息库生成方法包括：获取基于测量报告MR划分的多个初始栅格；根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；基于所述多个聚类栅格生成射频指纹信息库。通过本发明，解决了相关技术中因栅格数量多导致射频指纹信息库的储存开销过大的问题，能够有效减小射频指纹信息库的存储开销。

Description

射频指纹信息库生成、栅格定位方法及装置
技术领域
本发明涉及通信领域，具体而言，涉及一种射频指纹信息库生成、栅格定位方法及装置。
背景技术
射频指纹信息库是通过测量得到用户设备(User Equipment，UE)当前所处环境下多个同频小区的信号情况，基于某种划分方式得到具有统计意义的栅格。并对于相同栅格内的测量信息，进行统计性分析，用于辅助形成相应的算法决策。
然而，相关技术中的逻辑栅格构建方法往往基于参考信号接收功率(ReferenceSignal Received Power，RSRP)分段参考规则划分，生成栅格数量非常多，形成射频指纹信息库带来的储存开销过大，极大限制了指纹信息库的应用。
发明内容
本发明实施例提供了一种射频指纹信息库生成、栅格定位方法及装置，以至少解决相关技术中因栅格数量多导致射频指纹信息库的储存开销过大的问题。
根据本发明的一个实施例，提供了一种射频指纹信息库生成方法，包括：获取基于测量报告(Measurement Report，简称为MR)划分的多个初始栅格；根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；基于所述多个聚类栅格生成射频指纹信息库。
根据本发明的另一个实施例，提供了一种栅格定位方法，包括：获取待执行栅格定位的MR；确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
根据本发明的另一个实施例，提供了一种射频指纹信息库生成装置，包括：初始栅格获取模块，设置为获取基于MR划分的多个初始栅格；合并模块，设置为根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；生成模块，设置为基于所述多个聚类栅格生成射频指纹信息库。
根据本发明的另一个实施例，提供了一种栅格定位装置，包括：MR获取模块，设置为获取待执行栅格定位的MR；目标初始栅格确定模块，设置为确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；聚类栅格确定模块，设置为根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项射频指纹信息库生成方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种网络侧设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项射频指纹信息库生成方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项栅格定位方法实施例中的步骤。
根据本发明的又一个实施例，还提供了一种网络侧设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述任一项栅格定位方法实施例中的步骤。
通过本发明，由于在基于MR划分的多个初始栅格的基础上，依据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，实现了栅格数量的减少，从而使得在这样的聚类栅格的基础上生成的射频指纹信息库所需的数据库开销减小了，解决了相关技术中因栅格数量多导致射频指纹信息库的储存开销过大的问题。
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，构成本申请的一部分，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是本发明实施例的一种网络侧设备的硬件结构框图；
图2是根据本发明实施例1的射频指纹信息库生成方法的流程图；
图3是根据本发明实施例1的射频指纹信息库生成装置的结构框图；
图4是根据本发明实施例1的射频指纹信息库生成装置的优选结构框图；
图5是根据本发明实施例2的栅格定位方法的流程图；
图6是根据本发明实施例2的栅格定位装置的结构框图；
图7是根据本发明实施例3的射频指纹信息库生成和栅格定位的整体方案的示意图；
图8是根据本发明实施例3的方案第一步中MR输入信息映射到欧式空间示意图；
图9是根据本发明实施例3的构建动态逻辑栅格的划分结果示意图；
图10是根据本发明实施例3的构建动态逻辑栅格的二次聚类算法流程图；
图11是根据本发明实施例3的动态栅格分布不确定性的示意图；
图12是根据本发明实施例3的动态栅格范围大小不确定性的示意图；
图13是根据本发明实施例3的某一待定位UE测量定位到动态逻辑栅格过程的整体流程图；
图14是根据本发明实施例3的栅格合并前后索引映射表、动态栅格信息表结构示意图；
图15是根据本发明实施例4的构建射频指纹信息库，指导负荷均衡策略的整体流程图；
图16是根据本发明实施例5的移动性场景下辅助异频切换，构建携带切换结果信息的射频指纹库流程图。
具体实施方式
相关技术中，栅格的划分是通过测量得到UE当前所处环境下多个同频小区的信号情况，然后根据获得小区标识和参考信号接收功率(Reference Signal Received Power，RSRP)的不同进行固定的分段划分。对应形成逻辑栅格射频指纹信息库形式如表1所示。逻辑栅格RSRP质量分段参考规则表2所示。
表1：射频指纹信息库示例
Figure BDA0001931560760000041
表2：逻辑栅格RSRP质量分段参考规则
Figure BDA0001931560760000042
Figure BDA0001931560760000051
上述逻辑栅格构建方法基于RSRP分段参考规则划分，生成栅格数量多，形成射频指纹信息库带来的储存开销过大，极大限制了指纹信息库的应用。
此外，RSRP分段参考规则属于对RSRP的固定划分，过于武断没有具体考虑实际RSRP分布的特点，导致可用的栅格占比不高。
针对以上问题，本发明实施例提出了一种射频指纹信息库生成及栅格定位的方案，以解决栅格数量过大带来的储存开销问题，在某些优选实施例中，在大幅度减小栅格数量带来的存储开销的同时，还可以提高可用栅格占比。
下文中将参考附图并结合实施例来详细说明本发明。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。
本申请实施例所提供的方法实施例可以在网络侧设备或者类似的运算装置中执行。图1是本发明实施例的一种网络侧设备的硬件结构框图。如图1所示，网络侧设备10可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器MCU或可编程逻辑器件FPGA等的处理装置)和用于存储数据的存储器104，可选地，上述网络侧设备10还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述网络侧设备10的结构造成限定。例如，网络侧设备10还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的射频指纹信息库生成方法及栅格定位方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至网络侧设备10。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
实施例1
图2是根据本发明实施例1的射频指纹信息库生成方法的流程图，如图2所示，该流程包括如下操作：
S202，获取基于MR划分的多个初始栅格；
S204，根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；
S206，基于所述多个聚类栅格生成射频指纹信息库。
可选地，上述步骤的执行主体可以为网络侧设备等，但不限于此。
通过上述步骤，由于在基于MR划分的多个初始栅格的基础上，依据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，实现了栅格数量的减少，从而使得在这样的聚类栅格的基础上生成的射频指纹信息库所需的数据库开销减小了，解决了相关技术中因栅格数量多导致射频指纹信息库的储存开销过大的问题。
考虑到射频指纹信息库可以用于不同的应用场景，而不同的应用场景中存在不同的信息关注点，对应着不同事件下的统计信息，因此，所述事件类统计信息可以为与所述射频指纹信息库应用的场景相对应的事件类型的统计信息。此时，基于所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，能够使得具有一致或相似度较高的初始栅格进行合并，从而减少最终的栅格数量。因此，作为一个优选的实施方式，操作S204中，根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格可以包括以下操作：
S2042，将所述多个初始栅格中满足合并条件的两个或两个以上初始栅格进行合并得到多个聚类栅格，其中，所述合并条件包括：
(1)所述两个或两个以上初始栅格为相邻栅格；以及，
(2)所述两个或两个以上初始栅格的所述事件类统计信息一致或相似度高于预定相似度。
这种合并条件的设置，使得相邻且事件类统计信息一致或相似度高的初始栅格被合并，从而减少栅格的数量，并进一步减少用于存储基于栅格生成的射频指纹信息库的存储开销。
针对以上的合并条件(1)的判断，在具体实现中，可以通过以下方式确定所述两个或两个以上初始栅格为相邻栅格：
确认满足相邻条件的两个或两个以上初始栅格为相邻栅格，其中，所述相邻条件包括：
(1.1)所述两个或两个以上初始栅格的标识组合之间相一致；以及
(1.2)所述两个或两个以上初始栅格中任意一个初始栅格的中心向量与所述两个或两个以上初始栅格中至少一个其他初始栅格的中心向量之间的距离最小；
其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；所述中心向量为以下参数至少之一所构成的向量：服务小区的信号质量均值、最强邻区的信号质量均值、次强邻区的信号质量均值。
针对以上的合并条件(2)的判断，在具体实现中，可以通过以下方式所述两个或两个以上初始栅格的所述事件类统计信息一致或相似度高于预定相似度：
确定所述两个或两个以上初始栅格的所述事件类统计信息中的参数值相等，则可以确定所述两个或两个以上初始栅格的所述事件类统计信息一致，这表征两个栅格最终为下一步算法决策提供的指导信息相同。例如，对于指导负荷均衡异频切换的栅格，如果两个栅格中记录的候选邻区是同一个小区，那么说明两个栅格信息一致。
确定所述两个或两个以上初始栅格的所述事件类统计信息中的参数值相差绝对值小于一个差值阈值、或者该绝对值相对于参数值本身的占比低于一个比例阈值，则可以确定所述两个或两个以上初始栅格的所述事件类统计信息的相似度高于预定相似度。
在以上的合并条件下，本领域技术人员能够想到有多种可并算法可以用来实现满足合并条件的合并操作。作为一个示例性实施方式，以下给出一种将所述多个初始栅格中满足合并条件的两个或两个以上初始栅格进行合并得到多个聚类栅格的具体实现方式。该方式下，操作S2042可以包括如下基本步骤：
种子栅格初始化步骤S2042-1：以所述多个初始栅格中的一个可用初始栅格作为种子栅格，其中，所述可用初始栅格为初始栅格中所述MR的数量高于有效MR数量阈值的初始栅格。
在该步骤中，可以选择任意的可用初始栅格作为种子栅格，在相同的参数设置基础上，按照算法逻辑，无论如何选择种子栅格，最终的合并结果基本上保持一致。
合并步骤S2042-2：循环执行将与所述种子栅格满足所述合并条件的一个或多个初始栅格合并到所述种子栅格中的操作(也就是每次将与所述种子栅格满足所述合并条件的一个或多个初始栅格合并到所述种子栅格中之后，基于合并后的种子栅格再次执行将与所述种子栅格满足所述合并条件的一个或多个初始栅格合并到所述种子栅格中的操作)，直到除所述合并后的种子栅格之外的剩余的初始栅格中不包含与所述合并后的种子栅格满足所述合并条件的初始栅格。
外循环控制步骤S2042-3：以所述剩余的初始栅格中的一个可用初始栅格作为新的种子栅格并基于所述新的种子栅格执行所述合并步骤S2042-2，直到满足合并终止条件时最终得到所述多个聚类栅格，其中，所述合并终止条件包括以下之一：没有任何剩余的初始栅格、剩余的初始栅格中的任意两个初始栅格之间都不满足所述合并条件。
基于以上对于该射频指纹信息库生成方法的描述，尤其是对于操作S204中根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格的说明，本领域技术人员能够理解，无论初始栅格本身是采用何种策略进行划分的，都可以实现在原始划分的基础上减小栅格数量的目的，本申请对于使用的具体策略并不进行特别的限定，无论采用哪种策略，均不影响以上实施例中射频指纹信息库生成方法用来实现减小栅格数量进而减少存储开销的目的的实现。
不过，如果能够恰当地对初始栅格划分策略进行设计，可以在原有的减小栅格数量进而减少存储开销的效果的基础上，实现进一步的有益效果。以下进行详细的说明。在操作S202获取基于所述MR划分的多个初始栅格之前，该射频指纹信息库生成方法还可以包括以下操作：
S200，根据初始栅格划分策略划分所述多个初始栅格，其中，所述初始栅格划分策略包括以下至少之一：
初始栅格划分策略1——基于所述MR的数据信息，采用固定的系统测量参数的数值分段划分所述多个初始栅格。其中，系统测量参数是MR中包括的测量信息，可以包括能够体现信号质量的信号质量参数(诸如RSRP)，也可以包括电平强度、发射功率、DTX使用情况、TA值等等。采用这种策略，可以基于区间分段号对系统测量信息进行固定粒度的划分方式构建初始栅格，优选可以调整固定划分粒度即分段区间大小，使其尽量小。这样，构建出栅格的总数量会大大增加，虽然如此，通过操作S204的合并过程可以将小粒度栅格重新合并，数量大大减少的同时也会得到更优的MR划分。不过此方案算法的时间复杂度较大。
初始栅格划分策略2——基于所述MR的数据信息中的系统测量参数的分布概率密度动态确定系统测量参数的数值分段，并基于动态确定的所述数值分段划分所述多个初始栅格。采用这种策略，可以对MR数据集做统计分析，事先了解MR中小区质量的分布情况下划分栅格。基于服务小区、最、次强同频邻区小区质量的多元联合分布，对目前区间分段规则进行调整。在分布概率密度大的分段采用小粒度区间，密度小的分段采用相对大的粒度。同时也可以结合操作S204的合并过程对栅格划分做进一步优化，降低栅格总数量。此策略较策略初始栅格划分策略1稍好，但可用栅格占比不会有很大提高。
初始栅格划分策略3——对所述MR的数据信息进行加权后得到加权数据信息，并基于所述加权数据信息划分所述多个初始栅格。
在策略初始栅格划分策略3中，对所述MR的数据信息进行加权后得到加权数据信息可以包括：采用以下公式对所述MR的数据信息进行加权后得到加权数据信息X*＝ωTX，其中，X为所述MR的数据信息，X*为加权数据信息，ω为加权值向量，ω中对应于所述MR的数据信息中的标识组合的加权值大于对应于所述MR的数据信息中的系统测量参数的加权值，使得基于所述加权数据信息划分的所述多个初始栅格满足每一个初始栅格仅对应一个标识组合，其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识。
在策略初始栅格划分策略3中，基于所述加权数据信息划分所述多个初始栅格可以包括：
基于所述加权数据信息，采用固定的数据信息的数值分段划分所述加权数据信息得到多个临时栅格；
从所述多个临时栅格中过滤掉栅格中的MR的数量小于第一阈值的临时栅格，并从所述加权数据信息中删除栅格中的MR的数量小于第二阈值的临时栅格中的所有MR对应的加权数据信息；
基于目标簇数和删除后的加权数据信息划分所述多个初始栅格，其中，所述目标簇数为从所述多个临时栅格中过滤掉栅格中的MR的数量小于所述第一阈值的临时栅格后，剩余的临时栅格的总数。其中，基于目标簇数和删除后的加权数据信息划分所述多个初始栅格可以包括：将所述删除后的加权数据信息映射到欧式空间；基于所述目标簇数和映射到所述欧式空间的加权数据信息，采用预定聚类算法划分所述多个初始栅格，其中，所述预定聚类算法包括以下至少之一：K-means算法、K-means变体算法、K-Median算法、高斯混合聚类算法。
采用策略初始栅格划分策略3，可以解决原始机器学习算法无法满足栅格个性化需求的问题，得到大小相对均匀的动态逻辑栅格。即使这种策略的栅格数量不降低，但是有效栅格(满足统计意义的栅格)覆盖MR数较固定划分RSRP的方法初始栅格划分策略1有明显增加，意味着通过该策略得到了划分比较合理的动态逻辑栅格。
在操作S200根据所述初始栅格划分策略划分所述多个初始栅格之前，还可以包括以下至少之一：
对所述MR的数据信息进行数据填充；
将所述MR的数据信息中的标识组合内的标识转换为数值型变量，其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
对所述MR的数据信息进行零均值标准化。
在操作S204根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格之后，还可以包括以下操作：
S208，保存所述多个初始栅格与所述多个聚类栅格之间的映射关系，其中，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
需要说明的是，操作S206和S208属于无关联操作，二者之间没有特定的执行顺序，也就是说，S208可以在S206之前、或之后、或同时执行。
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根据上述实施例的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设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
对应于以上的射频指纹信息库生成方法，本实施例还提供了一种射频指纹信息库生成装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图3是根据本发明实施例1的射频指纹信息库生成装置的结构框图，如图3所示，该装置包括：
初始栅格获取模块32，设置为获取基于MR划分的多个初始栅格；
合并模块34，设置为根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；
生成模块36，设置为基于所述多个聚类栅格生成射频指纹信息库。
图4是根据本发明实施例1的射频指纹信息库生成装置的优选结构框图，如图4所示，该装置还可以包括：初始栅格划分模块42、预处理模块44、保存模块46。
所述初始栅格划分模块42设置为根据初始栅格划分策略划分所述多个初始栅格，其中，所述初始栅格划分策略包括以下至少之一：
初始栅格划分策略1——基于所述MR的数据信息，采用固定的系统测量参数的数值分段划分所述多个初始栅格。其中，系统测量参数是MR中包括的测量信息，可以包括能够体现信号质量的信号质量参数(诸如RSRP)，也可以包括电平强度、发射功率、DTX使用情况、TA值等等。采用这种策略，可以基于区间分段号对系统测量信息进行固定粒度的划分方式构建初始栅格，优选可以调整固定划分粒度即分段区间大小，使其尽量小。这样，构建出栅格的总数量会大大增加，虽然如此，通过操作S204的合并过程可以将小粒度栅格重新合并，数量大大减少的同时也会得到更优的MR划分。不过此方案算法的时间复杂度较大。
初始栅格划分策略2——基于所述MR的数据信息中的系统测量参数的分布概率密度动态确定系统测量参数的数值分段，并基于动态确定的所述数值分段划分所述多个初始栅格。采用这种策略，可以对MR数据集做统计分析，事先了解MR中小区质量的分布情况下划分栅格。基于服务小区、最、次强同频邻区小区质量的多元联合分布，对目前区间分段规则进行调整。在分布概率密度大的分段采用小粒度区间，密度小的分段采用相对大的粒度。同时也可以结合操作S204的合并过程对栅格划分做进一步优化，降低栅格总数量。此策略较策略初始栅格划分策略1稍好，但可用栅格占比不会有很大提高。
初始栅格划分策略3——对所述MR的数据信息进行加权后得到加权数据信息，并基于所述加权数据信息划分所述多个初始栅格。
所述预处理模块44设置为在所述初始栅格划分模块42根据所述初始栅格划分策略划分所述多个初始栅格之前，执行以下至少之一：
对所述MR的数据信息进行数据填充；
将所述MR的数据信息中的标识组合内的标识转换为数值型变量，其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
对所述MR的数据信息进行零均值标准化。
所述保存模块46设置为保存所述多个初始栅格与所述多个聚类栅格之间的映射关系，其中，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例2
经过合并的聚类栅格具有分布不确定性的特点。如果采用栅格区间分段作为栅格索引的方式定位，会导致某些UE同时定位到多个栅格中。本实施例提供了一种栅格定位方法，图5是根据本发明实施例2的栅格定位方法的流程图，如图5所示，该流程包括如下操作：
S502，获取待执行栅格定位的MR；
S504，确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；
S506，根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
作为一个示例性的实施方式，操作S504确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格可以包括以下操作：
S5042，确定其标识组合与所述待执行栅格定位的MR的数据信息中的标识组合相同的一个或多个候选初始栅格；
S5044，在所述一个或多个候选初始栅格中，确定其中心向量与所述待执行栅格定位的MR的数据信息中的目标向量距离最小的候选初始栅格作为所述目标初始栅格；
其中，
所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
所述目标向量为为以下参数至少之一所构成的向量：所述MR的数据信息中服务小区的信号质量、所述MR的数据信息中最强邻区的信号质量、所述MR的数据信息中次强邻区的信号质量；
所述中心向量为以下参数至少之一所构成的向量：服务小区的信号质量均值、最强邻区的信号质量均值、次强邻区的信号质量均值。
操作S5044之后，得到的是距离样本(即，待执行栅格定位的MR的数据信息中的目标向量)最近的初始栅格，但是，样本点可能不在栅格范围内，所以，建议进一步要求所述目标初始栅格满足以下条件：所述目标向量中的输入参数落在所述目标初始栅格中与所述输入参数对应的取值范围内。
通过以上的方法，解决了因动态逻辑栅格分布不规则、范围大小不均匀的特点，给UE定位检索栅格信息阶段带来的困难。有效避免UE同时定位到多个栅格的情况；同时提高栅格定位准确性，避免因栅格范围大小差异带来的定位误差。
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根据上述实施例的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设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
对应于以上的射频指纹信息库生成方法，本实施例还提供了一种栅格定位装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本发明实施例2的栅格定位装置的结构框图，如图6所示，该装置包括：
MR获取模块62，设置为获取待执行栅格定位的MR；
目标初始栅格确定模块64，设置为确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；
聚类栅格确定模块66，设置为根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
作为一个示例性的实施方式，所述目标初始栅格确定模块64设置为通过以下方式确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格：
确定其标识组合与所述待执行栅格定位的MR的数据信息中的标识组合相同的一个或多个候选初始栅格；
在所述一个或多个候选初始栅格中，确定其中心向量与所述待执行栅格定位的MR的数据信息中的目标向量距离最小的候选初始栅格作为所述目标初始栅格；
其中，
所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
所述目标向量为为以下参数至少之一所构成的向量：所述MR的数据信息中服务小区的信号质量、所述MR的数据信息中最强邻区的信号质量、所述MR的数据信息中次强邻区的信号质量；
所述中心向量为以下参数至少之一所构成的向量：服务小区的信号质量均值、最强邻区的信号质量均值、次强邻区的信号质量均值。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，对于后者，可以通过以下方式实现，但不限于此：上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
实施例3
本实施例描述了一种射频指纹信息库生成方法，该方法中，根据从网络管理系统(Network Management System，NMS)提取的MR，基于聚类构建动态逻辑栅格，生成射频指纹信息库，辅助形成算法决策。
该方法基于聚类思想构建动态逻辑栅格生成射频指纹信息库，结合测量信息的相似度对MR做第一次聚类实现MR数据集较优的划分，有效提升可用栅格占比；再经过二次聚类得到更加合理的动态划分，大幅度减小栅格数量，降低大量存储开销。
构建动态逻辑栅格的过程包括数据准备和动态栅格构建两个阶段。数据准备阶段获得聚类算法标准形式输入。动态栅格构建阶段对标准形式输入进行聚类构建初始栅格，再基于初始栅格结果的二次聚类形成动态逻辑栅格。图7是根据本发明实施例3的射频指纹信息库生成和栅格定位的整体方案的示意图，结合图7所示，该方案包括以下步骤。
首先，从NMS获取以样本数据形式存储的测量报告MR作为系统输入。
然后，经过数据准备使MR数据集可以映射到欧式空间便于下一步聚类算法做相似性度量；利用欧式距离度量MR间的相似度，最小化簇内距离平方和(K-Means)完成聚类形成若干个栅格簇，根据应用场景统计每簇内的统计信息。
接下来，结合具体场景将部分特性相似的栅格进行聚类，进一步减少栅格数量，形成动态逻辑栅格，统计栅格信息生成射频指纹库。
最后，结合动态栅格构建过程设计栅格定位方法，以辅助完成栅格应用阶段所需的栅格定位，形成完整的技术方案。
本实施例中，动态逻辑栅格为逻辑栅格的一种，同样是根据获得小区和信号质量的不同进行的区域划分。但划分方式不是按照分段规则对应分段号进行划分的，而是结合MR相似性等统计信息、基于每簇特定UE测量的特点归纳出具有相同性能的栅格。其表征的RSRP的强度范围是动态的，而不是固定的分段。这与机器学习中的聚类思想相契合。聚类的目标就是使同一类对象的相似度尽可能地大；不同类对象之间的相似度尽可能地小。该方案基于K-Means算法做了适应性的改进，实现MR动态划分形成动态栅格，生成射频指纹信息库。K-Means是基于测量信息的相似度来划分MR数据集，实现更合理的栅格划分，有效提升可用栅格占比。再结合应用场景需求特点对初始栅格的每个栅格做统计分析。按照栅格级别信息的相似度，进行二次聚类使栅格达到更优的划分。大幅度减小栅格数量带来的存储开销，从而提高目标栅格索引匹配速度。
以下对射频指纹信息库生成和栅格定位的整体方案逐步进行详细的描述。
第一步：数据准备(该步骤为可选技术特征)
从网络管理系统NMS获取以样本数据形式存储的测量报告MR，需要结合数据特点做针对性处理。例如，小区标识是非数字型数据，MR数据无法直接映射到欧式空间做相性度量；MR数据包括小区标识和质量信息，不同类型特征的量纲不一致也会影响栅格构建。所以，要对数据做针对性的预处理，本步骤又可以包括以下步骤：
1101、数据提取。需要提取的信息为用户的服务小区的小区标识号信息、服务小区的参考信号接受功率RSRP；最强、次强同频邻区标识信息及参考信号接受功率值RSRP；
1102、数据填充。同频邻区测量上报情况分为3种：无同频邻区、只有一个同频邻区、2个及以上同频邻区上报。针对前两种情况需要对同频邻区做信息填充：标识统一填充为‘0’；RSRP填充为-140.
1103、小区标识作为离散型变量，为了对离散的非数值变量做相似性度量。对其进行one-hot编码转为数值型变量。
1104、为了消除小区标识编码和小区质量之间的量纲影响，让距离的计算显得更加合理，这里对输入数据做0均值标准化。
第一步数据准备的技术作用如下：
通过第一步数据准备，非数值类型特征被转化为多维数值型特征，且所有输入特征均是标准化结果，消除了量纲不一致带来的影响。这样才能将所有MR输入信息映射到欧式空间，方能使用欧式距离来做为MR间相似性度量。是实现第二步构建初始栅格的前提条件。MR输入信息映射到欧式空间示意图如附图8所示。
第二步：初始动态逻辑栅格构建(该步骤为可选技术特征)
原始机器学习算法解决不了栅格个性化需求：一个栅格仅对应一个服务小区、最强同频邻区、次强同频邻区的小区标识组合。通过输入加权解决，再确定目标簇数指导聚类算法对上一步标准化后的数据进行聚类形成若干个簇，根据应用场景统计每簇内的相关信息，形成划分比较合理的初始栅格。
本步骤又可以包括以下步骤：
1201、对输入的数据信息加权。输入加权公式如下：X*＝ωTX。其中，X为输入的数据部分信息，X*为加权后的输入的数据部分信息，ω为加权值向量。通过输入加权可以保证聚类结果满足：一个栅格仅对应一个服务小区、最强同频邻区、次强同频邻区的小区标识组合。
1202、确定初始栅格的簇数。按照固定逻辑栅格划分方法划分数据，从初步划分得到的栅格数中，去除掉MR数量过少(即数量小于第一阈值，第一阈值可以预先设置，例如等于25)、不具有统计意义的栅格后得到的目标栅格数，记为目标簇数n_clusters，指导聚类算法对数据划分。
1203、过滤离群点数据。1202按照固定逻辑栅格划分方法划分数据，计算了每个栅格中的MR数量MRCount，这里把MR数量少于第二阈值(第二阈值可以预先设置，例如，等于3)的栅格内MR从数据集中剔除，也就是说，将这些MR数据信息从总体样本中删除，从而消除离群点对栅格划分带来的影响。
1204、调用机器学习开源库的聚类算法，将加权后的输入数据映射到欧式空间，基于最小化簇内MR与中心点距离的平方和完成对输入数据集的划分，形成n_clusters个划分更为合理的栅格。
1205、以栅格为单位，统计每个栅格内的基本信息参考如下表3所示。
表3：每个栅格内的基本信息参考
Figure BDA0001931560760000201
1206、根据相关算法、策略的条件要求对异频邻区情况等信息统计，以满足可以为相关算法、策略提供指导信息为统计目标。例如，用于指导负荷均衡异频切换的栅格，在这里需要统计每个栅格内MR的异频邻区情况，给出候选邻区记录在栅格中。再例如，用于指导UE在移动性场景下的异频切换的栅格，在这里需要统计每个栅格内的异频候选小区记录在栅格中。又例如，用于指导载波聚合(Carrier Aggregation，CA)中辅载波选择/配置策略的栅格，在这里需要统计每个栅格内的CA目标邻区列表记录在栅格中。又例如，用于同时服务负荷均衡&移动性多个场景(即，不严格受场景限制)的栅格，需要统计每个栅格内的各个场景下所需的信息均记录在栅格中。
第二步初始动态逻辑栅格构建的技术作用如下：
方案第二步技术手段，解决了原始机器学习算法无法满足栅格个性化需求的问题，得到大小相对均匀的动态逻辑栅格。动态划分结果示意图，如附图9所示。虽然栅格数量并没有降低，但是有效栅格(满足统计意义的栅格)覆盖MR数较传统固定划分RSRP的方法有明显增加，意味着通过第二步得到了划分比较合理的动态逻辑栅格。
第三步：二次聚类构建动态逻辑栅格
二次聚类算法从栅格级别信息相似性的角度来考察栅格间的可合并性，将所有可合并的栅格动态合并。大幅度减小栅格数量，降低大量存储开销。
为描述清楚第三步定义下面几个概念：
可用栅格(Available Grid)：若栅格内MR数量满足一定数量门限(即前述的有效MR数量阈值)要求，且统计信息可以为相关算法、策略提供指导信息，则称它为一个可用栅格。
栅格RSRP中心向量(RSRP Center Vector)：步骤1205中已经统计了所有栅格的服务小区、最强、次强同频邻区的RSRP均值：MeanSrcRsrp、MeanRsrp1、MeanRsrp2作为初始动态栅格的基本属性。基于这三个属性，这里定义栅格RSRP中心向量：
μ＝[MeanSrcRsrp,MeanRsrp1,MeanRsrp2]
最近邻栅格(Closest Grid)：对某一栅格thisGrid，其最近邻栅格定义为：所有服务小区、最强、次强邻区小区标识与栅格thisGrid相应的小区标识一致的n个栅格中，RSRP中心向量μi与该栅格thisGrid的RSRP中心向量μ0的距离di最小的栅格：
closestGridLabel＝argmini∈{1,2,…,n}di
其中，
Figure BDA0001931560760000221
距离度量dist(·,·)采用欧氏距离：
Figure BDA0001931560760000222
栅格信息一致：对Grid1和Grid2两个栅格而言，若栅格事件类统计信息一致或相似(相对一致)，则称两个栅格Grid1和Grid2栅格信息一致。表征两个栅格最终为下一步算法决策提供的指导信息相同。例如，对于指导负荷均衡异频切换的栅格，按照1206中栅格事件类信息统计要求，候选邻区已经记录在栅格中。如果两个栅格中记录的候选邻区是同一个小区，那么说明两个栅格信息一致。
栅格可并：对可用栅格Grid1及其最近邻栅格closestGrid1。将两个栅格内合并后记为Grid2，如果栅格Grid1和Grid2内的统计信息满足栅格信息一致，则称两个互为近邻的栅格Grid1和closestGrid1具有栅格可并关系。
基于这些概念，合并所有具有栅格可并关系的两个栅格，直到所有栅格中任意两个栅格都不存在栅格可并的关系，实现二次聚类构建动态栅格生成射频指纹信息库。
图10是根据实施例3的构建动态逻辑栅格的二次聚类算法流程图。任选一个可用栅格作为“种子”，再由此出发吞并与“种子”具有栅格可并关系的栅格。这样“种子”不断“长大”，直到没有栅格与之具有栅格可并关系，那么算法得到了一个相对成熟的“种子”。重复上述操作，直到任意两个栅格都不存在栅格可并关系。
第三步二次聚类构建动态逻辑栅格的技术作用如下：
方案第三步技术手段，可并栅格的合并大幅度降低栅格数量，提升射频指纹信息库的信息栅格索引获取信息速度；同时，数量较少的不可用栅格可以被其他可用栅格吞并，栅格可以覆盖更多MR数据，进一步提高可用栅格占比。意味着本技术手段可以实现用少量的栅格记录更多的测量统计信息。
第四步：栅格定位方法(该步骤为可选技术特征)
动态逻辑栅格具有分布不确定性的特点，如附图11所示。两个动态栅格在RSRP维度可视化结果，并不是传统规则形状的小栅格。如果采用栅格区间分段作为栅格索引的方式定位，会导致某些UE同时定位到多个栅格中。所以采用基于最近栅格中心的定位方法。
此外，动态逻辑栅格范围大小不确定，某些较大栅格的边缘样本可能更靠近附近较小栅格的中心，但却不属于较小栅格，如附图12所示。所以，直接在合并后栅格中采用最近栅格中心定位的方法也会带来定位误差。为了解决动态栅格构建方案带来的这一连带问题，所以采取图13描述的定位方法。
如图13所示，栅格定位的方案如下：
给定一条UE的同频测量信息(样本)要先定位到初始栅格，然后结合二次聚类中的合并过程，确定初始栅格所属的合并后栅格，完成栅格定位。栅格定位整体流程如附图13。
1301、首先定位到初始栅格。按照不同层次递进的栅格定位方法，定位到初始动态栅格分为两个层面的检索：
(1)小区标识层面的检索
锁定服务小区、最强、次强邻区小区标识与样本中相对应的小区标识一致的n个栅格。
(2)小区质量层面检索
这里引用第三步中栅格RSRP中心向量的定义：已知某栅格的服务小区RSRP、最强、次强邻区RSRP则栅格的中心向量为：μ＝[MeanSrcRsrp,MeanRsrp1,MeanRsrp2]。分别计算小区标识层面栅格定位到的n个栅格的中心向量μi(1≤i≤n)与样本服务小区RSRP、最强、次强同频邻区RSRP组成的输入向量x＝[SrcRsrp,Rsrp1,Rsrp2]的欧式距离，根据距离最近的栅格中心向量定位到最近栅格。
步骤1301得到的是距离样本最近初始栅格，并不能说明样本点在栅格范围内，所以定位初始栅格建议要满足下面不等式：
Figure BDA0001931560760000241
其中：SrcRsrp,Rsrp1,Rsrp2表征样本服务小区、最强、次强同频邻区的信号质量；MinSrcRsrp,MaxSrcRsrp,MinRsrp1,MaxRsrp1,MinRsrp2,MaxRsrp2表征当前初始栅格的范围。
1302、按照二次聚类前后栅格映射关系定位到最终动态栅格提取指纹信息。仅需在第三步操作过程保存一份映射表，记录初始栅格到合并后栅格多对一的映射关系。每一个初始动态栅格都有唯一与之对应的合并后栅格。附图14是栅格合并前后索引映射表、动态栅格信息表结构示意图。
第四步栅格定位方法的技术作用如下：
方案第四步技术手段，解决了因动态逻辑栅格分布不规则、范围大小不均匀的特点，给UE定位检索栅格信息阶段带来的困难。有效避免UE同时定位到多个栅格的情况；同时提高栅格定位准确性，避免因栅格范围大小差异带来的定位误差。
采用本实施例所述方法，与相关技术中按照固定划分RSRP划分栅格生成射频指纹信息库的方法相比，生成栅格数量大幅度减小，同时栅格覆盖MR数增加，意味着本实施例的算法可以用少量的栅格记录更多的测量统计信息。MR数量不足的无效栅格和不可用栅格数量显著降低，提高了可用栅格占比。可大大减少方法融合到本地解决方案所需存储空间，同时提升射频指纹信息库的信息栅格定位速度和信息的可靠性。
实施例4
本实施例以负荷均衡(Load Balance，LB)场景为例，说明动态逻辑栅格构建射频指纹信息库为UE异频切换策略提供候选小区的过程。实施例整体流程如附图15所示，该过程包括：
1、网管收集MR；
2、网管构建射频指纹栅格；
3、网管部署相应指纹库到MEC；
4、基站对UE同频测量在线上报到MEC；
5、MEC将UE无线信号记录到栅格；
6、基站接收到负荷均衡需求；
7、基站向MEC检索相应UE所在栅格邻区信息；
8、MEC反馈检索结果到基站；
9、基站执行负荷均衡策略。
网络管理系统基于本申请实施例的方法进行聚类栅格划分并生成指纹信息库的过程(对应于附图15中的步骤1、2)具体包括以下步骤：
1501、网络管理系统收集批量的MR作为输入数据集，提取的信息为用户的服务小区的小区标识号信息、服务小区的参考信号接受功率RSRP；最强、次强同频邻区标识信息及参考信号接受功率值RSRP。
1502、完成数据填充、离散型变量one-hot编码、数值型输入标准化等数据处理工作，得到标准化的输入。
1503、对输入加权，公式如下：X*＝ωTX。其中，X为输入的数据部分信息，X*为加权后的输入的数据部分信息，ω为权值向量，取值如下：所有表征小区质量的各特征列权值为1；所有最强、次强同频邻区标识编码各特征列权值：10000。
1504、按照固定逻辑栅格划分方法划分输入数据，计算每个栅格中的MR数量，把满足MR数量大于MR数量门限grid_countThd的栅格数量作为目标簇数，采用聚类算法完成对输入数据集的划分。其中，参数grid_countThd配置下表4所示。
表4：参数grid_countThd配置
Figure BDA0001931560760000261
1505、从输入数据集中剔除MR数量小于3个的栅格内的所有离群MR。
1506、统计每个栅格内的基本信息，此外还要统计事件类信息。射频指纹信息库需要服务于负荷均衡场景下的异频切换，所以对异频邻区情况统计，找到栅格中满足A4事件触发条件且上报比例高于一定门限的小区作为当前栅格内的异频候选小区。
1507、结合所有栅格的统计信息，按照二次聚类算法流程(实施例3所述的技术方案中的第三步)合并所有具有栅格可并关系的两个栅格，直到所有栅格中任意两个栅格都不存在栅格可并的关系，实现二次聚类构建动态栅格。其中，栅格信息一致性为：两个栅格A4事件下统计的参考邻区列表一致。
1508、射频指纹库生成，待负荷均衡场景启动时，射频指纹库可以为待均衡UE提供最佳的参考邻区反馈给基站侧执行均衡操作。
实施例5
本实施例以指导UE在移动性场景下的异频切换为例，说明射频指纹信息库为相应算法策略提供指导信息的过程，以下参考图16进行说明。
1、将批量MR作为输入数据集。
2、完成数据填充、离散型变量one-hot编码、数值型输入标准化等数据处理工作，得到标准化的输入，对输入加权，公式如下：X*＝ωTX。其中，X为输入的数据部分信息，X*为加权后的输入的数据部分信息，ω为权值向量，取值如下：所有表征小区质量的各特征列权值为1；所有最强、次强同频邻区标识编码各特征列权值：10000。
参考历史栅格数量，或按照固定划分方式划分MR，粗略估计后给定目标簇数，采用聚类算法完成对输入数据集的划分。
5、射频指纹信息库需要服务于移动性下的异频切换，所以对异频邻区情况统计，找到栅格中满足A4事件触发条件且上报比例高于一定门限的小区作为当前栅格内的异频候选小区，记录在栅格中。
6、结合所有栅格的统计信息，按照二次聚类算法流程(实施例3所述的技术方案中的第三步)合并所有具有栅格可并关系的两个栅格，直到所有栅格中任意两个栅格都不存在栅格可并的关系，实现二次聚类构建动态栅格。其中，栅格信息一致性为：两个栅格的异频候选小区列表一致。
7、将二次聚类的动态栅格结果保存到射频指纹信息库。
在以上流程中，可以结合历史切换数据添加到栅格中，作为切换指导信息，因此，参照附图16所示，还可以包括以下步骤：
3、收集历史切换数据。
4、按照实施例3的方案第四步中的1301和1302可以将历史切换数据定位到相应栅格，统计栅格内历史切换情况，例如栅格内上报比较高的邻区作为目标小区的切换成功率情况等，可以作为切换指导信息，指导UE的盲切。
实施例6
本实施例以指导CA中辅载波选择/配置策略为例，说明射频指纹信息库的在载波聚合中的应用。目前载波聚合基于小区级别形成CA邻区列表，引入射频指纹可以为策略提供更精细化的目标邻区信息。
1701、首先将网管收集的批量MR作为输入数据集，完成必须的数据准备工作。
1702、按照实施例3的方案第二步，完成聚类算法参数的设定构建初始栅格。
1703、统计每个栅格内的基本信息，此外统计栅格级别MR信息，对本栅格内的所有异频邻区执行邻区过滤策略，用返回的可用邻区列表。其中，邻区过滤策略如下：
根据基站相关参数，执行以下流程：
1)剔除满足以下任意条件的邻区后执行下一步：
a)与本小区没有有CA协同关系的邻区
b)小区不可用；
2)将剩余的邻区列表作为可用的邻区列表返回；如果所有邻区都被剔除，则返回空列表；
1704、结合所有栅格的统计信息，按照二次聚类算法流程(实施例3所述的技术方案中的第三步)合并所有具有栅格可并关系的两个栅格，直到所有栅格中任意两个栅格都不存在栅格可并的关系，实现二次聚类构建动态栅格。其中，栅格信息一致性为：两个栅格的CA目标邻区列表一致。
1705、给定一条UE的同频测量信息(样本)，定位到最终的动态逻辑栅格中，提取栅格中记录的可用邻区列表。有了栅格可用邻区列表信息作为指导，基站侧再结合UE能力、基站参数等相关参数，最后完成配置CA。
实施例7
本实施例以同时服务负荷均衡&移动性多个场景为例，说明利用动态逻辑栅格构建射频指纹信息库不严格受场景限制。指纹库在多场景下的应用更能体现逻辑栅格构建方法的应用前景。
1801、从网管理获取一天的周期测量报告，提取用户的服务小区的小区标识号信息、服务小区的参考信号接受功率RSRP；最强、次强同频邻区标识信息及参考信号接受功率值RSRP,作为输入数据集。
1802、完成数据数据准备工作包括：数据填充、离散型变量one-hot编码、数值型输入标准化、输入加权。
1803、按照固定逻辑栅格划分方法划分输入数据，统计MR数量大于MR数量门限grid_countThd的栅格数量作为目标簇数，采用聚类算法完成对输入数据集的划分，形成若干个大小相对均匀的动态基础栅格。
1804、完成信息统计，其中事件类信息统计如下：
根据LB和移动性场景下异频切换相关算法、策略的条件要求，从栅格内上报的所有异频邻区中，筛选出不同场景下可用于切换的小区标识列表。栅格内异频邻区情况统计表如表5所示。
表5：栅格内异频邻区情况统计表
Figure BDA0001931560760000291
其中，表中异频邻区信息情况按照如下原则获取：
LB场景下，GoodCell_inter_A4筛选原则：
·邻区质量好于A4事件RSRP门限：NbrCelRsrp>＝lbRsrpThd
·满足质量门限上报次数在当前栅格中所有MR数量中的占比高于一定门限：
NbrCelRsrpGoodReptNum/thisGridMRNum>＝PerponderanceThd
移动性场景下，GoodCell_inter_A3筛选原则：
·是服务小区的支持切换的配置邻区
·邻区与服务小区的RSRP差值大于A3事件偏移：NbrCelRsrp-ServerCellRsrp>＝mobilityRsrpThd_A3
·满足质量门限上报次数在当前栅格中所有MR数量中的占比高于一定门限：NbrCelRsrpGoodReptNum/thisGridMRNum>＝PerponderanceThd
移动性场景下，GoodCell_inter_A5筛选原则：
·是服务小区的支持切换的配置邻区
·邻区质量好于A5事件RSRP门限：NbrCelRsrp>＝mobilityRsrpThd_A5
·满足质量门限上报次数在当前栅格中所有MR数量中的占比高于一定门限：NbrCelRsrpGoodReptNum/thisGridMRNum>＝PerponderanceThd
以上相关参数描述如下表6所示：
Figure BDA0001931560760000301
1805、按照二次聚类算法流程(实施例3所述的技术方案中的第三步和附图2)合并所有具有栅格可并关系的两个栅格。在本实施例中栅格信息一致性对应的条件为：对Grid1和Grid2两个栅格而言，即同时满足下面3个等式，表征两个栅格最终为异频切换提供的候选小区信息相同。
Figure BDA0001931560760000311
1806、对任意成功定位到栅格中的UE，可以从射频指纹库读取当前逻辑栅格，获取1804中统计的信息，指导该UE在LB和移动性多场景下的异频切换。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (18)

1.一种射频指纹信息库生成方法，其特征在于，包括：
获取基于测量报告MR划分的多个初始栅格；
根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；
基于所述多个聚类栅格生成射频指纹信息库。
2.根据权利要求1所述的方法，其特征在于，根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格包括：
将所述多个初始栅格中满足合并条件的两个或两个以上初始栅格进行合并得到多个聚类栅格，其中，所述合并条件包括：
所述两个或两个以上初始栅格为相邻栅格；以及，
所述两个或两个以上初始栅格的所述事件类统计信息一致或相似度高于预定相似度。
3.根据权利要求2所述的方法，其特征在于，将所述多个初始栅格中满足合并条件的两个或两个以上初始栅格进行合并得到多个聚类栅格包括：
种子栅格初始化步骤：以所述多个初始栅格中的一个可用初始栅格作为种子栅格，其中，所述可用初始栅格为初始栅格中所述MR的数量高于有效MR数量阈值的初始栅格；
合并步骤：循环执行将与所述种子栅格满足所述合并条件的一个或多个初始栅格合并到所述种子栅格中的操作，直到除所述合并后的种子栅格之外的剩余的初始栅格中不包含与所述合并后的种子栅格满足所述合并条件的初始栅格；
外循环控制步骤：以所述剩余的初始栅格中的一个可用初始栅格作为新的种子栅格并基于所述新的种子栅格执行所述合并步骤，直到满足合并终止条件时最终得到所述多个聚类栅格，其中，所述合并终止条件包括以下之一：没有任何剩余的初始栅格、剩余的初始栅格中的任意两个初始栅格之间都不满足所述合并条件。
4.根据权利要求2所述的方法，其特征在于，通过以下方式确定所述两个或两个以上初始栅格为相邻栅格：
确认满足相邻条件的两个或两个以上初始栅格为相邻栅格，其中，所述相邻条件包括：
所述两个或两个以上初始栅格的标识组合之间相一致；以及
所述两个或两个以上初始栅格中任意一个初始栅格的中心向量与所述两个或两个以上初始栅格中至少一个其他初始栅格的中心向量之间的距离最小；
其中，
所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
所述中心向量为以下参数至少之一所构成的向量：服务小区的信号质量均值、最强邻区的信号质量均值、次强邻区的信号质量均值。
5.根据权利要求1所述的方法，其特征在于，所述事件类统计信息为与所述射频指纹信息库应用的场景相对应的事件类型的统计信息。
6.根据权利要求1所述的方法，其特征在于，获取基于所述MR划分的多个初始栅格之前，还包括：
根据初始栅格划分策略划分所述多个初始栅格，其中，所述初始栅格划分策略包括以下至少之一：
基于所述MR的数据信息，采用固定的系统测量参数的数值分段划分所述多个初始栅格；
基于所述MR的数据信息中的系统测量参数的分布概率密度动态确定系统测量参数的数值分段，并基于动态确定的所述数值分段划分所述多个初始栅格；
对所述MR的数据信息进行加权后得到加权数据信息，并基于所述加权数据信息划分所述多个初始栅格。
7.根据权利要求6所述的方法，其特征在于，对所述MR的数据信息进行加权后得到加权数据信息包括：
采用以下公式对所述MR的数据信息进行加权后得到加权数据信息X*＝ωTX，
其中，X为所述MR的数据信息，X*为加权数据信息，ω为加权值向量，ω中对应于所述MR的数据信息中的标识组合的加权值大于对应于所述MR的数据信息中的系统测量参数的加权值，使得基于所述加权数据信息划分的所述多个初始栅格满足每一个初始栅格仅对应一个标识组合，其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识。
8.根据权利要求6所述的方法，其特征在于，基于所述加权数据信息划分所述多个初始栅格包括：
基于所述加权数据信息，采用固定的数据信息的数值分段划分所述加权数据信息得到多个临时栅格；
从所述多个临时栅格中过滤掉栅格中的MR的数量小于第一阈值的临时栅格，并从所述加权数据信息中删除栅格中的MR的数量小于第二阈值的临时栅格中的所有MR对应的加权数据信息；
基于目标簇数和删除后的加权数据信息划分所述多个初始栅格，其中，所述目标簇数为从所述多个临时栅格中过滤掉栅格中的MR的数量小于所述第一阈值的临时栅格后，剩余的临时栅格的总数。
9.根据权利要求8所述的方法，其特征在于，基于目标簇数和删除后的加权数据信息划分所述多个初始栅格包括：
将所述删除后的加权数据信息映射到欧式空间；
基于所述目标簇数和映射到所述欧式空间的加权数据信息，采用预定聚类算法划分所述多个初始栅格，其中，所述预定聚类算法包括以下至少之一：K-means算法、K-means变体算法、K-Median算法、高斯混合聚类算法。
10.根据权利要求6所述的方法，其特征在于，根据所述初始栅格划分策略划分所述多个初始栅格之前，还包括以下至少之一：
对所述MR的数据信息进行数据填充；
将所述MR的数据信息中的标识组合内的标识转换为数值型变量，其中，所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
对所述MR的数据信息进行零均值标准化。
11.根据权利要求1-10中任一项所述的方法，其特征在于，根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格之后，还包括：
保存所述多个初始栅格与所述多个聚类栅格之间的映射关系，其中，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
12.一种栅格定位方法，其特征在于，包括：
获取待执行栅格定位的测量报告MR；
确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；
根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
13.根据权利要求12所述的栅格定位方法，其特征在于，确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格包括：
确定其标识组合与所述待执行栅格定位的MR的数据信息中的标识组合相同的一个或多个候选初始栅格；
在所述一个或多个候选初始栅格中，确定其中心向量与所述待执行栅格定位的MR的数据信息中的目标向量距离最小的候选初始栅格作为所述目标初始栅格；
其中，
所述标识组合为以下标识至少之一所构成的组合：服务小区标识、最强邻区标识、次强邻区标识；
所述目标向量为以下参数至少之一所构成的向量：所述MR的数据信息中服务小区的信号质量、所述MR的数据信息中最强邻区的信号质量、所述MR的数据信息中次强邻区的信号质量；
所述中心向量为以下参数至少之一所构成的向量：服务小区的信号质量均值、最强邻区的信号质量均值、次强邻区的信号质量均值。
14.根据权利要求13所述的栅格定位方法，其特征在于，所述目标初始栅格满足以下条件：
所述目标向量中的输入参数落在所述目标初始栅格中与所述输入参数对应的取值范围内。
15.一种射频指纹信息库生成装置，其特征在于，包括：
初始栅格获取模块，设置为获取基于测量报告MR划分的多个初始栅格；
合并模块，设置为根据所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并得到多个聚类栅格，其中，所述多个聚类栅格的数量小于所述多个初始栅格的数量；
生成模块，设置为基于所述多个聚类栅格生成射频指纹信息库。
16.一种栅格定位装置，其特征在于，包括：
测量报告MR获取模块，设置为获取待执行栅格定位的MR；
目标初始栅格确定模块，设置为确定所述待执行栅格定位的MR对应的初始栅格作为目标初始栅格；
聚类栅格确定模块，设置为根据保存的多个初始栅格与多个聚类栅格之间的映射关系，确定与所述目标初始栅格具有映射关系的聚类栅格，其中，所述映射关系中的所述多个聚类栅格为根据所述映射关系中的所述多个初始栅格的事件类统计信息之间的相似度，对所述多个初始栅格进行合并后得到的，所述多个聚类栅格中的每个聚类栅格对应映射有一个或多个初始栅格。
17.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行所述权利要求1至14任一项中所述的方法。
18.一种网络侧设备，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行所述权利要求1至14任一项中所述的方法。
CN201811643624.XA 2018-12-29 2018-12-29 射频指纹信息库生成、栅格定位方法及装置 Active CN111385805B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201811643624.XA CN111385805B (zh) 2018-12-29 2018-12-29 射频指纹信息库生成、栅格定位方法及装置
PCT/CN2019/128062 WO2020135450A1 (zh) 2018-12-29 2019-12-24 射频指纹信息库生成、栅格定位方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811643624.XA CN111385805B (zh) 2018-12-29 2018-12-29 射频指纹信息库生成、栅格定位方法及装置

Publications (2)

Publication Number Publication Date
CN111385805A CN111385805A (zh) 2020-07-07
CN111385805B true CN111385805B (zh) 2022-08-19

Family

ID=71127642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811643624.XA Active CN111385805B (zh) 2018-12-29 2018-12-29 射频指纹信息库生成、栅格定位方法及装置

Country Status (2)

Country Link
CN (1) CN111385805B (zh)
WO (1) WO2020135450A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111866935A (zh) * 2019-04-24 2020-10-30 中兴通讯股份有限公司 指纹库创建、应用方法、装置及集中处理设备、基站
CN113965270B (zh) * 2020-07-20 2023-08-22 华为技术有限公司 一种emf强度控制方法及通信装置
CN116112936A (zh) * 2021-11-11 2023-05-12 中国移动通信集团设计院有限公司 5g权值自适应优化方法、装置、设备及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101873607A (zh) * 2010-06-25 2010-10-27 哈尔滨工业大学 Wlan室内分步式rd-anfis定位方法
CN102111872A (zh) * 2009-12-23 2011-06-29 中国移动通信集团公司 基于指纹定位技术的定位方法及装置
CN103997783A (zh) * 2014-05-14 2014-08-20 无锡北邮感知技术产业研究院有限公司 一种室外聚类匹配定位方法和装置
CN105044662A (zh) * 2015-05-27 2015-11-11 南京邮电大学 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN107182036A (zh) * 2017-06-19 2017-09-19 重庆邮电大学 基于多维特征融合的自适应位置指纹定位方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7664511B2 (en) * 2005-12-12 2010-02-16 Nokia Corporation Mobile location method for WLAN-type systems
US8311018B2 (en) * 2007-02-05 2012-11-13 Andrew Llc System and method for optimizing location estimate of mobile unit
CN106535204B (zh) * 2015-09-10 2019-08-02 中国移动通信集团上海有限公司 一种业务覆盖质量评估方法及装置
CN106973406B (zh) * 2016-01-13 2020-05-19 亿阳信通股份有限公司 一种弱覆盖区域检测方法及系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102111872A (zh) * 2009-12-23 2011-06-29 中国移动通信集团公司 基于指纹定位技术的定位方法及装置
CN101873607A (zh) * 2010-06-25 2010-10-27 哈尔滨工业大学 Wlan室内分步式rd-anfis定位方法
CN103997783A (zh) * 2014-05-14 2014-08-20 无锡北邮感知技术产业研究院有限公司 一种室外聚类匹配定位方法和装置
CN105044662A (zh) * 2015-05-27 2015-11-11 南京邮电大学 一种基于wifi信号强度的指纹聚类多点联合室内定位方法
CN107182036A (zh) * 2017-06-19 2017-09-19 重庆邮电大学 基于多维特征融合的自适应位置指纹定位方法

Also Published As

Publication number Publication date
CN111385805A (zh) 2020-07-07
WO2020135450A1 (zh) 2020-07-02

Similar Documents

Publication Publication Date Title
CN111385805B (zh) 射频指纹信息库生成、栅格定位方法及装置
CN111867049B (zh) 定位方法、装置及存储介质
CN110719602B (zh) 指纹定位方法和装置
CN110298687B (zh) 一种区域吸引力评估方法及设备
CN104391879B (zh) 层次聚类的方法及装置
CN103888541A (zh) 一种融合拓扑势和谱聚类的社区发现方法及系统
CN111327435A (zh) 一种根因定位方法、服务器和存储介质
CN108934016A (zh) 小区场景类别的划分方法、装置、计算机设备和存储介质
CN108243435A (zh) 一种lte小区场景划分中的参数优化方法及装置
CN108764307A (zh) 自然最近邻优化的密度峰值聚类方法
US11425635B2 (en) Small cell identification using machine learning
CN110706092A (zh) 风险用户识别方法和装置，存储介质及电子设备
CN112867162B (zh) 一种切片资源配置方法及装置
CN113873541A (zh) 逻辑栅格获取及无线策略确定方法、装置、设备及介质
CN109933680A (zh) 图像数据筛选方法、装置、计算机设备及其存储介质
CN112308345A (zh) 通信网络负荷预测方法、装置及服务器
CN111385804B (zh) 小区簇划分方法及电子设备
CN107079321A (zh) 通信服务的性能指标确定
CN115830342A (zh) 检测框的确定方法、装置、存储介质及电子装置
CN115906927A (zh) 基于人工智能的数据访问分析方法、系统及云平台
CN113271549A (zh) 一种权值的发送方法及装置、存储介质及电子装置
CN113301585A (zh) 信息处理方法、装置、电子设备及存储介质
CN110312260A (zh) Lte电力无线专网重叠小区物理标识优化方法及系统
CN110753353B (zh) 一种设备选型方法和装置
CN110753352B (zh) 一种设备选型方法和装置

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