CN111639703A - 一种基于离散点集最小包围圆计算基站位置的方法 - Google Patents

Abstract

本发明涉及通信技术领域，更具体地，涉及一种基于离散点集最小包围圆计算基站位置的方法，包括以下步骤：S1，采集基站终端位置数据，建立数据采集点集合P；S2，对数据采集点集合P中异常的数据进行清洗；S3，计算数据采集点集合P的最小包围圆，将最小包围圆的圆心作为待处理基站的最终位置；S4，判断是否为非全向基站，若否，直接进入步骤S5，若是，对临近小区的基站进行K‑means聚类计算，获得临近小区非全向基站的最终基站位置；S5，对多次计算获得历史基站位置进行K‑means聚类调优，本发明通过综合K‑means聚类算法和最小包围圆算法两种算法的优点，在最大减少信息依赖的情况下，较准确计算获得基站的位置数据，最终构建出一份已有基站的较准确位置信息清单。

Description

一种基于离散点集最小包围圆计算基站位置的方法

技术领域

本发明涉及通信技术领域，更具体地，涉及一种基于离散点集最小包围圆计算基站位置的方法。

背景技术

在当前5G建设的大背景下,由于5G的高频特点,站址密度能达到3G/4G的十倍以上,挑战更大，目前，三大运营商共同组建铁塔公司,优化基站利用,已成为现实，所以，目前不管是优化利用原有基站,还是选择合适新建基站位置,都必须精确掌握三大原有运营商的基站位置信息，但是由于各种原因,三大运营商现有基站位置信息不准不全，甚至出现基站位置错误或者无位置信息的情况。

现有的基站位置计算方法包括有：基于K-means聚类算法计算、基于临近基站的基站位置推荐计算、基于基站分布密度自适应计算、基于空间离群数据挖掘算法计算、基于用户话单数据中基站位置可信度计算等等，各种不同方法的优劣如下：

基于K-means聚类算法的基站位置计算使用K-means聚类算法计算获得聚类中心，将聚类中心作为基站位置。该方法的优点在操作简单，对数据要求不高，但缺点在于，聚类中心点与终端的聚集点关系密切，直接使用K-means的聚类中心点作为基站位置，会存在较大误差。

基于临近基站的基站位置推荐计算利用手机用户的基站登陆信息，结合运营商提供的临近基站经纬度数据估算，并借助DBSCAN聚类算法对最终基站位置进行聚类计算。该方法对手机用户基站登录的时序信息、临近基站的经纬度准确性、临近基站的分布情况都要求较高，当基站密度较小时，推荐结果质量可能存在较大偏差。

基于基站分布密度自适应计算利用更为真实局部基站密度分布计算值来对存疑基站位置信息进行估计，进而给出更为精确的存疑基站经、纬度估值，该发明根据相似基站相似密度对待检测基站进行定位，排除因为基站疏密对结果的影响。但该发明依赖基站布局与城市人口、建筑分布特征，这些特征在实际生活中是存在阶段性变化，特征变化对于估算结果有较大影响，同时该发明对于密度呈二维密度进行计算，在真实的场景中，密度呈多维计算，所以对于密度的相似度计算，可能在盆地、高原地区有较大影响。

基于空间离群数据挖掘算法计算更加适合于离群基站数据点的挖掘算法,从而使得基站的定位更加准确高效,只计算每一个点到数据集中心的距离,省去了每计算一个点都要扫描一次整个数据集的步骤,更适合于提取基站采集数据集中的离群点，该发明针对2G、3G、4G、5G基站覆盖广度不一样情况未进行分类处理，不同类型基站，根据信号强度进行离散群分组会带来较大的差别，忽略了基站类型对于结果的干扰，除此之外该发明针对该基站下的无效数据未进行处理，消除无效数据对结果的影响。

基于用户话单数据中基站位置可信度计算主要是利用用户的话单数据中某台设备在连续时间片内的基站数据，推测计算该时间片内未知位置的基站位置，该发明对话单数据质量要求较高，若单个用户在连续时间片内缺失位置的基站较多，结果可信度大幅减小。

本发明为解决三大运营商现有基站位置信息不准不全，甚至出现基站位置错误或者无位置信息的情况，并针对现有技术中各种基站位置计算方法存在的问题，提供一种无需数据具有时间连续性，不依赖登录基站上下文环境，不要求登录基站终端设备唯一，仅使用基站终端设备在基站覆盖区域内的所有位置点数据，即可对已知基站位置进行纠偏或者对未知基站位置进行定位，可以在数据条件要求不高的情况，计算获得较高质量的位置数据的一种基于离散点集最小包围圆计算基站位置的方法。

发明内容

本发明为克服上述现有技术所述的至少一种缺陷(不足)，提供一种根据基站的通信信号发射特点，基于基站终端位置数据，通过使用离散点集最小包围以及K-means聚类算法和步骤计算获得基站位置的基于离散点集最小包围圆计算基站位置的方法。

为解决上述技术问题，本发明的技术方案如下：一种基于离散点集最小包围圆计算基站位置的方法，包括以下步骤：

S1，采集基站终端位置数据，建立数据采集点集合P；

S2，对数据采集点集合P中异常的数据进行清洗；

S3，计算数据采集点集合P的最小包围圆，将最小包围圆的圆心作为待处理基站的最终位置；

S4，判断是否为非全向基站，若否，直接进入步骤S5，若是，对临近小区的基站进行K-means聚类计算，获得临近小区非全向基站的最终基站位置；

S5，对多次计算获得历史基站位置进行K-means聚类调优。

进一步的，所述步骤S1中包括以下步骤：

S11，对基站终端所在基站及实际所在地理位置的经纬度信息进行采集；

S12，根据采集的数据建立数据采集点集合P。

更进一步的，所述S2中包括以下步骤：

S21，根据基站终端所在地域的地理位置范围经纬度，排除无效数据；

S22，针对每一个基站终端，根据基站终端的通信覆盖范围使用K-means聚类算法，去除与聚类中心超过两倍通信覆盖范围的异常位置点。

进一步的，所述去除与聚类中心超过两倍通信覆盖范围的异常位置使用K-means聚类算法最少为两次。

更进一步的，所述步骤S22中，基站终端为2G基站或3G基站或4G基站或5G基站。

更进一步的，所述2G基站的通信覆盖范围最大覆盖值为10千米,3G基站的通信覆盖范围最大覆盖值为5千米,4G基站的通信覆盖范围最大覆盖值为3千米，5G基站的通信覆盖范围最大覆盖值为500米。

进一步的，所述S3中包括以下步骤：

S31，计算数据采集点集合P中剩余的位置点集分别与K-means聚类中心点的距离，并按照距离从小到大进行排列成离散点集P{p1…pn}；

S32，使用最远优先渐进算法求上述离散点集P{p1…pn}的最小包围圆D及半径。

更进一步的，所述步骤S32中包括以下步骤：

S321，在离散点集P{p1…pn}中取距离聚类中心最近的3个点：p1、p2、p3，以p1、p2、p3这3个点构造最小包围圆D；

S322，在离散点集P{p1…pn}中从Pn开始倒叙查询距离D圆心最远的点，令其为v，若v在圆D内，则当前圆D即为最小包围圆，输出当前圆D，其圆心位置为最终待计算的基站的位置；

S323,若v不在圆D内，在{p1,p2,p3,v}中选取3个点p1、p2、v，构建边界经过点v,且包含这4点的最小包围圆D’，执行步骤S321，直至输出最小包围圆D’的圆心位置，该圆心位置为最终待计算的基站的位置。

进一步的，所述S4中包括以下步骤：

S41，判断基站终端是否为非全向基站，若否，直接进入步骤S5；

S42，若基站终端为非全向基站，对同小区的基站终端进行分组；

S43，使用K-means聚类算法计算获得同小区基站位置与聚类中心点的距离；

S44，取步骤S43中与聚类中心聚类最近的3个点或2个点再次进行K-means聚类计算，获得的聚类中心为临近小区内各基站最终位置。

与现有技术相比，本发明技术方案的有益效果是：

本发明公开的基于离散点集最小包围圆计算基站位置的方法，综合了K-means聚类算法和最小包围圆算法两种算法的优点，通过综合两种计算方式对基站的位置进行计算，无需使用基站切换等时序数据，避免了因使用的时序数据不连续造成的不利影响，大大降低了数据采集的精度要求，此外，由于使用了比较高效的线性算法，在线性时间复杂度内计算出可能的基站位置，能充分利用基站下的全部有效位置点，避免单一使用聚类算法带来的误差。

在本发明中，在对非全向基站进行再聚类计算过程中，充分考虑了基站通信信号发射的特点，进一步提高最小包围圆算法的基站位置精度，通过周期性持续的数据采集和计算，不断改进和优化基站位置数据的精度，再通过两次使用K-means聚类算法对离散位置点集进行异常数据处理，使用聚类算法针对非全向基站在同一个小区采取临近部署的特点，进行聚类算法优化临近基站的最终位置，提高基站位置的准确性，本发明通过在最大减少信息依赖的情况下，较准确计算获得基站的位置数据，最终可构建出一份已有基站的较准确位置信息清单。

附图说明

图1是本发明中基于离散点集最小包围圆计算基站位置方法的整体流程图。

图2是本发明中最小包围圆算法的流程图。

具体实施方式

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。

在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以是通过中间媒介间接连接，可以说两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明的具体含义。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。

如图1所示，本发明公开一种基于离散点集最小包围圆计算基站位置的方法包括以下步骤：

S1，采集基站终端位置数据，建立数据采集点集合P；

S2，对数据采集点集合P中异常的数据进行清洗；

S3，计算数据采集点集合P的最小包围圆，将最小包围圆的圆心作为待处理基站的最终位置；

S4，判断是否为非全向基站，若否，直接进入步骤S5，若是，对临近小区的基站进行K-means聚类计算，获得临近小区非全向基站的最终基站位置；

S5，对多次计算获得历史基站位置进行K-means聚类调优。

在步骤S1中包括以下步骤：

S11，对基站终端所在基站及实际所在地理位置的经纬度信息进行采集；

S12，根据采集的数据建立数据采集点集合P。

在步骤S2中包括以下步骤：

S21，根据基站终端所在地域的地理位置范围经纬度，排除无效数据；

S22，针对每一个基站终端，根据基站终端的通信覆盖范围使用K-means聚类算法，去除与聚类中心超过两倍通信覆盖范围的异常位置点。

在本发明中，去除与聚类中心超过两倍通信覆盖范围的异常位置使用K-means聚类算法最少为两次，基站终端为2G基站或3G基站或4G基站或5G基站，其中2G基站的通信覆盖范围最大覆盖值为10千米,3G基站的通信覆盖范围最大覆盖值为5千米,4G基站的通信覆盖范围最大覆盖值为3千米，5G基站的通信覆盖范围最大覆盖值为500米。

如图2所示，在步骤S3中包括以下步骤：

S31，计算数据采集点集合P中剩余的位置点集分别与K-means聚类中心点的距离，并按照距离从小到大进行排列成离散点集P{p1…pn}；

S32，使用最远优先渐进算法求上述离散点集P{p1…pn}的最小包围圆D及半径。

在步骤S32中还包括以下步骤：

S321，在离散点集P{p1…pn}中取距离聚类中心最近的3个点：p1、p2、p3，以p1、p2、p3这3个点构造最小包围圆D；

S322，在离散点集P{p1…pn}中从Pn开始倒叙查询距离D圆心最远的点，令其为v，若v在圆D内，则当前圆D即为最小包围圆，输出当前圆D，其圆心位置为最终待计算的基站的位置；

S323,若v不在圆D内，在{p1,p2,p3,v}中选取3个点p1、p2、v，构建边界经过点v,且包含这4点的最小包围圆D’，执行步骤S321，直至输出最小包围圆D’的圆心位置，该圆心位置为最终待计算的基站的位置。

在步骤S4中包括以下步骤：

S41，判断基站终端是否为非全向基站，若否，直接进入步骤S5；

S42，若基站终端为非全向基站，对同小区的基站终端进行分组；

S43，使用K-means聚类算法计算获得同小区基站位置与聚类中心点的距离；

S44，取步骤S43中与聚类中心聚类最近的3个点或2个点再次进行K-means聚类计算，获得的聚类中心为临近小区内各基站最终位置。

本发明，根据基站终端的通信信号发射特点，基于基站终端位置数据，通过使用离散点集最小包围以及K-means聚类等算法和步骤计算获得基站位置的方法，无需数据具有时间连续性，不依赖登录基站上下文环境，不要求登录基站终端设备唯一，仅使用基站下终端设备在基站覆盖区域内的所有位置点数据，即可对已知基站位置进行纠偏或者对未知基站位置进行定位，本发明对于基础数据的要求不高，且计算环节中已经对各类干扰数据进行排除，可以在数据条件要求不高的情况，计算获得较高质量的位置数据。

当需要对基站的位置进行计算时，采集器会对所有可能存在基站终端的实际所在地理位置的经纬度信息进行采集，并根据采集的数据建立数据采集点集合P，当数据采集点集合P建立后，根据基站终端所在地域的地理位置范围经纬度，排除一些无效的数据，避免采集非实际所在地理位置的其他干扰信息，然后再针对每一个基站终端，根据基站终端的通信覆盖范围使用两次或以上的K-means聚类算法，去除与聚类中心超过两倍通信覆盖范围的异常位置点。

当异常点去除后，对剩余离散的位置点集，分别计算其与K-means聚类中心点的距离，并按照距离从小到大进行排列成离散点集P{p1…pn}，然后使用最远优先渐进算法求上述离散点集P{p1…pn}的最小包围圆D及半径，其中，在使用最远优先渐进算法时，只需要在离散点集P{p1…pn}中取距离聚类中心最近的3个点：p1、p2、p3，以p1、p2、p3这3个点构造最小包围圆D，然后在离散点集P{p1…pn}中从Pn开始倒叙查询距离D圆心最远的点，令其为v，若v在圆D内，则当前圆D即为最小包围圆，输出当前圆D，其圆心位置为最终待计算的基站的位置,若v不在圆D内，在{p1,p2,p3,v}中选取3个点p1、p2、v，构建边界经过点v,且包含这4点的最小包围圆D’，直至输出最小包围圆D’的圆心位置，该圆心位置为最终待计算的基站的位置。

当基站的位置计算出来后，判断基站是否为非全向基站，若不是非全向基站，则对其进行聚类调优后直接输出该基站位置，若基站为非全向基站，则对同小区的基站终端进行分组，再次使用K-means聚类算法计算获得同小区基站位置与聚类中心点的距离，并取与聚类中心聚类最近的3个点或2个点再次进行K-means聚类计算，获得的聚类中心为临近小区内各基站最终位置，本发明通过在使用K-means聚类计算方法的过程中参入最远点优先渐近算法，利用两种算法的结合计算基站位置，除了继续拥有K-means聚类计算的操作简单和对数据要求不高的好处外，还能通过最远点优先渐近算法的参入，确保了基站位置的精度，避免存在较大的误差。

图中，描述位置关系仅用于示例性说明，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 (9)

1.一种基于离散点集最小包围圆计算基站位置的方法，其特征在于，包括以下步骤：

S1，采集基站终端位置数据，建立数据采集点集合P；

S2，对数据采集点集合P中异常的数据进行清洗；

S3，计算数据采集点集合P的最小包围圆，将最小包围圆的圆心作为待处理基站的最终位置；

S4，判断是否为非全向基站，若否，直接进入步骤S5，若是，对临近小区的基站进行K-means聚类计算，获得临近小区非全向基站的最终基站位置；

S5，对多次计算获得历史基站位置进行K-means聚类调优。

2.根据权利要求1所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述步骤S1中包括以下步骤：

S11，对基站终端所在基站及实际所在地理位置的经纬度信息进行采集；

S12，根据采集的数据建立数据采集点集合P。

3.根据权利要求1所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述S2中包括以下步骤：

S21，根据基站终端所在地域的地理位置范围经纬度，排除无效数据；

S22，针对每一个基站终端，根据基站终端的通信覆盖范围使用K-means聚类算法，去除与聚类中心超过两倍通信覆盖范围的异常位置点。

4.根据权利要求3所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述步骤S22中，去除与聚类中心超过两倍通信覆盖范围的异常位置使用K-means聚类算法最少为两次。

5.根据权利要求3所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述步骤S22中，基站终端为2G基站或3G基站或4G基站或5G基站。

6.根据权利要求5所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述2G基站的通信覆盖范围最大覆盖值为10千米,3G基站的通信覆盖范围最大覆盖值为5千米,4G基站的通信覆盖范围最大覆盖值为3千米，5G基站的通信覆盖范围最大覆盖值为500米。

7.根据权利要求1所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述S3中包括以下步骤：

S31，计算数据采集点集合P中剩余的位置点集分别与K-means聚类中心点的距离，并按照距离从小到大进行排列成离散点集P{p1…pn}；

S32，使用最远优先渐进算法求上述离散点集P{p1…pn}的最小包围圆D及半径。

8.根据权利要求7所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述步骤S32中包括以下步骤：

S321，在离散点集P{p1…pn}中取距离聚类中心最近的3个点：p1、p2、p3，以p1、p2、p3这3个点构造最小包围圆D；

S322，在离散点集P{p1…pn}中从Pn开始倒叙查询距离D圆心最远的点，令其为v，若v在圆D内，则当前圆D即为最小包围圆，输出当前圆D，

其圆心位置为最终待计算的基站的位置；

S323,若v不在圆D内，在{p1,p2,p3,v}中选取3个点p1、p2、v，构建边界经过点v,且包含这4点的最小包围圆D’，执行步骤S321，直至输出最小包围圆D’的圆心位置，该圆心位置为最终待计算的基站的位置。

9.根据权利要求1所述的基于离散点集最小包围圆计算基站位置的方法，其特征在于，所述S4中包括以下步骤：

S41，判断基站终端是否为非全向基站，若否，直接进入步骤S5；

S42，若基站终端为非全向基站，对同小区的基站终端进行分组；

S43，使用K-means聚类算法计算获得同小区基站位置与聚类中心点的距离；

S44，取步骤S43中与聚类中心聚类最近的3个点或2个点再次进行K-means聚类计算，获得的聚类中心为临近小区内各基站最终位置。

Images