CN111432429B - 一种基于地图信息的无线信道模型匹配校正方法 - Google Patents

Abstract

本发明公开了一种基于地图信息的无线信道模型匹配校正方法，包括以下步骤：在规划区域范围内对典型点进行路测采样，得到采样数据；在规划区域范围内获取地图信息得到地图数据；采集能够覆盖规划区域范围的所有基站的工作参数，得到采集数据；将采样数据、地图数据和采集数据进行汇总，得到第一数据集；对第一数据集进行预处理，得到第二数据集；根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数；通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值。本发明具有操作简单，充分利用了典型的统计信道模型，具有计算复杂度低，适用范围广，提升了无线传播信道模型的准确性等优点。

Description

一种基于地图信息的无线信道模型匹配校正方法

技术领域

本发明涉及无线信道领域，更具体地，涉及一种基于地图信息的无线信道模型匹配校正方法。

背景技术

在移动通信网小区的网络规划过程中，运营商需要知道信号覆盖区域的无线信道模型，通过比较和评估不同规划方案的性能，调整无线信道模型的预测值，以达到合理规划小区的目标。无线信道的传播模型，涉及信号传输过程中历经的不同地貌轮廓(如平原、山谷)和不同人造环境(如市区、郊区)，因此很难在每个地点进行准确的测量。

目前，无线信道传播模型的获取方法大致分为三种。一种是利用国际标准化组织(如3GPP，ITU)制定的信道模型标准，这类经验统计模型的优点在于简单且计算量小，但是这种针对典型场景得到的信道特性模型比较宏观，往往和实际场景有较大差异。第二种是基于测量统计的模型，获取多个场景和频率下的信道测量数据，形成与规划环境、系统参数相关的统计模型，这种方法运营商需要开展大量的测量工作以生成相应的信道特性与校正模型，在实际的规划设计阶段难以实施。最后一种是在得知无线传播环境的具体细节情况下，基于电磁波传播理论得出信道的确定性模型(如射线跟踪法)。这种确定性模型的优点是能获得比经验统计性模型更准确的传播预测，但其要求获取传播环境详尽的信息，且计算复杂性很高，因此大多应用于室内范围的信道建模。

针对计算量小的第一种方法，参考国际标准化组织的信道模型标准，大部分是根据国外的专家针对典型场景与传播模型总结而得，这种信道特性模型适用范围比较广，在复杂的无线通信场景下往往和实际情况有较大的差异，需要专业的人员进行修改校正，校正的效果与规划人员的个人经验息息相关，导致无法满足工程的需求。

发明内容

本发明克服了上述现有的技术不足，提供一种基于地图信息的无线信道模型匹配校正方法。本发明具有操作简单，充分利用了典型的统计信道模型，具有计算复杂度低，适用范围广，提升了无线传播信道模型的准确性等优点。

为解决上述技术问题，本发明的技术方案如下：

一种基于地图信息的无线信道模型匹配校正方法，包括以下步骤：

在规划区域范围内对典型点进行路测采样，得到采样数据，所述的典型点指能够包括规划区域范围内全部地貌特征的任意地点集合；

在规划区域范围内获取地图信息得到地图数据；

采集能够覆盖规划区域范围的所有基站的工作参数，得到采集数据；

将采样数据、地图数据和采集数据进行汇总，得到第一数据集；

对第一数据集进行预处理，得到第二数据集；

根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数；

通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值。

本发明中，考虑到基站有一定的覆盖范围，实际收集数据的范围应根据覆盖范围相应的扩大。

本发明中的地貌特征包括以下的一项或多项：开阔地、住宅区、高楼环绕区和室内场景。

本发明可以采纳最新通信技术标准中的统计信道模型进行计算，具有技术快速迭代的优点。并且通过学习得到分类匹配模型和回归校正模型，具有较好的移植性且校正方法提高了无线传播信道模型预测的准确性。通过了获取成本较低的采集数据和地图数据来减少采样数据的工作量，总体上降低了采样成本。方法操作简单且拓展范围广，为无线网络规划和设计提供了参考依据。

在一种优选的方案中，所述的“基站的工作参数”包括经度、纬度、中心频率、发射功率、天线增益、方位角和天线挂高。

在一种优选的方案中，所述的“采样数据”包括采样地点的实际的参考信号接收功率(RSRP)。

本优选方案中，“采样数据”还可以是以下的一项或多项：经度、纬度、信号干燥比(SINR)、参考信号接收质量(RSRQ)、接收信号强度指示(RSSI)。

在一种优选的方案中，所述的“地图数据”包括：规划区域范围内所有建筑的经度、建筑的纬度、建筑的高度、建筑的地理轮廓、兴趣点数据的经度、兴趣点数据的纬度、兴趣点数据的高度和兴趣点数据的地理轮廓。

本优选方案中，兴趣点可以是以下的一项或多项：公交站、街道、高速、水系、大厦、功能区、小区。

在一种优选的方案中，所述的“对第一数据集进行预处理，得到第二数据集”包括以下子步骤：

在规划区域范围进行网格化，每一个网格对应一条数据；

删除第一数据集的异常数据，定义为第二数据集。

本优选方案中，异常数据可以是以下的一项或多项：距发射天线过近/过远的数据、信号电平太弱的数据、GPS定位不准确的数据，缺失建筑高度的数据、缺失基站方位角的数据、缺失天线挂高的数据。

规划区域范围进行网格化，每一个网格中选择实际最大RSRP的基站的工作参数、RSRP和地图数据进行统计组合，成为作为一条数据。

在一种优选的方案中，所述的“在规划区域范围进行网格化”中的网格是50*50米。

在一种优选的方案中，所述的“根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数”包括以下子步骤：

对第二数据集中的每条数据计算关于无线信道模型的误差，将最小的误差值定义为第二数据集的回归匹配模型的目标值；

将每条数据的最小的误差值对应的无线信道模型定义为第二数据集的分类匹配模型的目标值；

将第二数据集、每条数据的最小误差和每条数据的最小的误差值对应的无线信道模型进行汇总，得到第三数据集；

将第三数据集分为训练集和测试集，结合决策树模型训练得到分类匹配模型，结合线性回归模型得到回归匹配模型。

本优选方案中，误差e＝实际的RSRP-预测的RSRP。

在一种优选的方案中，所述的“将第三数据集分为训练集和测试集”包括以下具体内容：

将第三数据集按照7∶3的比例分为训练集和测试集。

在一种优选的方案中，所述的“通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值”包括以下步骤：

对规划区域范围内的非采样点地点，通过分类匹配模型得到对应的无线信道模型和无线信道模型对应的初步预测值；

对规划区域范围内的非采样地点结合对应的无线信道模型，通过回归匹配模型得到无线信道模型对应的校正值；

将无线信道模型对应的初步预测值和线信道模型对应的校正值进行相加之和，定义为无线信道模型对应的最终预测值。

本优选方案中，无线信道模型对应的初步预测值可以通过背景技术中第二种基于测量统计模型的方式获得。

与现有技术相比，本发明技术方案的有益效果是：

本发明可以采纳最新通信技术标准中的统计信道模型进行计算，具有技术快速迭代的优点。并且通过学习得到分类匹配模型和回归校正模型，具有较好的移植性且校正方法提高了无线传播信道模型预测的准确性。通过了获取成本较低的采集数据和地图数据来减少采样数据的工作量，总体上降低了采样成本。方法操作简单且拓展范围广，为无线网络规划和设计提供了参考依据。

附图说明

图1为实施例的流程图。

图2为实施例构建两种匹配模型的流程图

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

实施例

如图1～图2所示，一种基于地图信息的无线信道模型匹配校正方法，包括以下步骤：

在规划区域范围内对典型点进行路测采样，得到采样数据，典型点指能够包括规划区域范围内全部地貌特征的任意地点集合；

在规划区域范围内获取地图信息得到地图数据；

采集能够覆盖规划区域范围的所有基站的工作参数，得到采集数据；

将采样数据、地图数据和采集数据进行汇总，得到第一数据集；

对第一数据集进行预处理，得到第二数据集；

根据第二数据集得到回归匹配模型和分类匹配模型；

通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值。

本实施例中，考虑到基站有一定的覆盖范围，实际收集数据的范围应根据覆盖范围相应的扩大。

本实施例的地貌特征包括以下的一项或多项：开阔地、住宅区、高楼环绕区和室内场景。

本实施例可以采纳最新通信技术标准中的统计信道模型进行计算，具有技术快速迭代的优点。并且通过学习得到分类匹配模型和回归校正模型，具有较好的移植性且校正方法提高了无线传播信道模型预测的准确性。通过了获取成本较低的采集数据和地图数据来减少采样数据的工作量，总体上降低了采样成本；方法操作简单且拓展范围广，为无线网络规划和设计提供了参考依据。

在实施例中，还可以进行以下扩展：“采样数据”包括采样地点的实际的参考信号接收功率。

本实施例中，“采样数据”还可以是以下的一项或多项：经度、纬度、信号干燥比、参考信号接收质量、接收信号强度指示。

在实施例及上述改进实施例中，还可以进行以下扩展：“基站的工作参数”包括经度、纬度、中心频率、发射功率、天线增益、方位角和天线挂高。

在实施例及上述改进实施例中，还可以进行以下扩展：“地图数据”包括：规划区域范围内所有建筑的经度、建筑的纬度、建筑的高度、建筑的地理轮廓、兴趣点数据的经度、兴趣点数据的纬度、兴趣点数据的高度和兴趣点数据的地理轮廓。

本实施例中，兴趣点可以是以下的一项或多项：公交站、街道、高速、水系、大厦、功能区、小区。

在实施例及上述改进实施例中，还可以进行以下扩展：“对第一数据集进行预处理，得到第二数据集”包括以下子步骤：

在规划区域范围进行网格化，每一个网格对应一条数据；

删除第一数据集的异常数据，定义为第二数据集。

本实施例中，异常数据可以是以下的一项或多项：距发射天线过近/过远的数据、信号电平太弱的数据、GPS定位不准确的数据，缺失建筑高度的数据、缺失基站方位角的数据、缺失天线挂高的数据。

规划区域范围进行网格化，每一个网格中选择实际最大RSRP的基站的工作参数、RSRP和地图数据进行统计组合，成为作为一条数据。

在实施例及上述改进实施例中，还可以进行以下扩展：“在规划区域范围进行网格化”中的网格是50*50米。

在实施例及上述改进实施例中，还可以进行以下扩展：“根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数”包括以下子步骤：

对第二数据集中的每条数据计算关于无线信道模型的误差，将最小的误差值定义为第二数据集的回归匹配模型的目标值，误差e＝实际的RSRP-预测的RSRP；

将每条数据的最小的误差值对应的无线信道模型定义为第二数据集的分类匹配模型的目标值；

将第二数据集、每条数据的最小误差和每条数据的最小的误差值对应的无线信道模型进行汇总，得到第三数据集；

将第三数据集分为训练集和测试集，结合决策树模型训练得到分类匹配模型，结合线性回归模型得到回归匹配模型。

在实施例及上述改进实施例中，还可以进行以下扩展：“将第三数据集分为训练集和测试集”包括以下具体内容：

将第三数据集按照7∶3的比例分为训练集和测试集。

在实施例及上述改进实施例中，还可以进行以下扩展：“通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值”包括以下步骤：

对规划区域范围内的非采样点地点，通过分类匹配模型得到对应的无线信道模型和无线信道模型对应的初步预测值；

对规划区域范围内的非采样地点结合对应的无线信道模型，通过回归匹配模型得到无线信道模型对应的校正值；

将无线信道模型对应的初步预测值和线信道模型对应的校正值进行相加之和，定义为无线信道模型对应的最终预测值。

本实施例中，无线信道模型对应的初步预测值可以通过背景技术中第二种基于测量统计模型的方式获得。

具体测试流程：

一种基于地图信息的无线信道模型匹配校正方法，包括以下步骤：

S1：在规划区域范围内对典型点进行路测采样，得到采样数据，典型点指能够包括规划区域范围内全部地貌特征的任意地点集合，地貌特征包括以下的一项或多项：开阔地、住宅区、高楼环绕区和室内场景；

得到采样地点的RSRP、经度、纬度、SINR、RSRQ、RSSI，如表1所示；

表1采样地点的数据

编号

经度

纬度

SINR

RSRP

RSRQ

RSSI

1

113.26774

23.132695

14

105dBm

12.4dB

93dBm

2

…

…

…

…

…

…

3

…

…

…

…

…

…

4

…

…

…

…

…

…

5

…

…

…

…

…

…

…

…

…

…

…

…

…

S2：在规划区域范围内获取地图信息得到地图数据，地图数据包括：规划区域范围内所有建筑的经度、建筑的纬度、建筑的高度、建筑的地理轮廓、兴趣点数据的经度、兴趣点数据的纬度、兴趣点数据的高度和兴趣点数据的地理轮廓，如表2所示，

S3：采集能够覆盖规划区域范围的所有基站的工作参数，得到采集数据，基站的工作参数包括经度、纬度、中心频率、发射功率、天线增益、方位角和天线挂高，如表3所示；

S4：将采样数据、地图数据和采集数据进行汇总，得到第一数据集；

S5：删除第一数据集的异常数据，定义为第二数据集

S6：在规划区域范围按照50*50米进行网格化，每一个网格对应为第二数据集的一条数据，如表4所示；

表2地图数据

表3基站的工作参数

表4网格特征数据集

S7：对第二数据集中的每条数据计算关于无线信道模型的误差，将最小的误差值定义为第二数据集的回归匹配模型的目标值；

S8：将每条数据的最小的误差值对应的无线信道模型定义为第二数据集的分类匹配模型的目标值；

S9：将第二数据集、每条数据的最小误差和每条数据的最小的误差值对应的无线信道模型进行汇总，得到第三数据集；

S10：将第三数据集按照7∶3的比例分为训练集和测试集，结合决策树模型训练得到分类匹配模型，结合线性回归模型得到回归匹配模型。

S11：通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值。

S12:对规划区域范围内的非采样点地点，通过分类匹配模型得到对应的无线信道模型，并基于测量统计模型的方式获得无线信道模型对应的初步预测值；

S13:对规划区域范围内的非采样地点结合对应的无线信道模型，通过回归匹配模型得到无线信道模型对应的校正值；

S14:将无线信道模型对应的初步预测值和线信道模型对应的校正值进行相加之和，定义为无线信道模型对应的最终预测值。

在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

相同或相似的标号对应相同或相似的部件；

附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；例如，具体测试中将网格的大小限制为50*50米，训练集和测试集的比例是7∶3；上述的限定仅为于方便进行测试，并不能理解为对本专利的限制。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于地图信息的无线信道模型匹配校正方法，其特征在于，包括以下步骤：

在规划区域范围内对典型点进行路测采样，得到采样数据；

在规划区域范围内获取地图信息得到地图数据；

采集能够覆盖规划区域范围的所有基站的工作参数，得到采集数据；

将采样数据、地图数据和采集数据进行汇总，得到第一数据集；

对第一数据集进行预处理，得到第二数据集；

根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数；

所述的“根据第二数据集确定回归匹配模型的参数和分类匹配模型的参数”包括以下子步骤：

对第二数据集中的每条数据计算关于无线信道模型的误差，将最小的误差值定义为第二数据集的回归匹配模型的目标值；

将每条数据的最小的误差值对应的无线信道模型定义为第二数据集的分类匹配模型的目标值；

将第二数据集、每条数据的最小误差和每条数据的最小的误差值对应的无线信道模型进行汇总，得到第三数据集；

将第三数据集分为训练集和测试集，结合决策树模型训练得到分类匹配模型，结合线性回归模型得到回归匹配模型；

通过分类匹配模型和回归匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值；

所述的“通过回归匹配模型和分类匹配模型得到规划区域范围内的非采样点地点的无线信道模型对应的最终预测值”包括以下步骤：

对规划区域范围内的非采样点地点，通过分类匹配模型得到对应的无线信道模型和无线信道模型对应的初步预测值；

对规划区域范围内的非采样地点结合对应的无线信道模型，通过回归匹配模型得到无线信道模型对应的校正值；

将无线信道模型对应的初步预测值和线信道模型对应的校正值进行相加之和，定义为无线信道模型对应的最终预测值。

2.根据权利要求1所述的无线信道模型匹配校正方法，其特征在于，所述的“基站的工作参数”包括经度、纬度、中心频率、发射功率、天线增益、方位角和天线挂高。

3.根据权利要求1所述的无线信道模型匹配校正方法，其特征在于，所述的“采样数据”包括采样地点的实际的参考信号接收功率。

4.根据权利要求1所述的无线信道模型匹配校正方法，其特征在于，所述的“地图数据”包括：规划区域范围内所有建筑的经度、建筑的纬度、建筑的高度、建筑的地理轮廓、兴趣点数据的经度、兴趣点数据的纬度、兴趣点数据的高度和兴趣点数据的地理轮廓。

5.根据权利要求1～4中任一权利要求所述的无线信道模型匹配校正方法，其特征在于，所述的“对第一数据集进行预处理，得到第二数据集”包括以下子步骤：

在规划区域范围进行网格化，每一个网格对应一条数据；

删除第一数据集的异常数据，定义为第二数据集。

6.根据权利要求5所述的无线信道模型匹配校正方法，其特征在于，所述的“在规划区域范围进行网格化”中的网格是50*50米。

7.根据权利要求1、2、3、4或6所述的无线信道模型匹配校正方法，其特征在于，所述的“将第三数据集分为训练集和测试集”包括以下具体内容：

将第三数据集按照7∶3的比例分为训练集和测试集。

Images