CN111698704A - 天馈优化方法、装置、设备及可读存储介质 - Google Patents

Abstract

本申请公开了一种天馈优化方法、装置、设备和可读存储介质，方法包括获取采样点数据；对地理区域进行栅格化，将采样点数据根据定位信息分配到各标准栅格中；根据各标准栅格中的采样点数据，确定存在工参问题的问题小区并隐藏问题小区对应的栅格以使栅格不参与天馈优化；根据标准栅格中的采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据小区优化调整方案优化调整天馈系统。通过聚类确定待优化区域，根据遗传算法和天馈优化评估算法确定最优的小区优化调整方案，从而更加系统地确定小区优化调整方案，调整效率更高且能保证优化效果。

Description

天馈优化方法、装置、设备及可读存储介质

技术领域

本发明涉及通信技术领域，尤其涉及一种天馈优化方法、装置、设备及可读介质。

背景技术

无线网络日常优化过程中，通过优化调整天馈系统，可以有效解决现有网络问题，优化网络结构，改善网络质量，是网络优化过程中得的一项重要工作。

现有的天馈优化方法主要是利用过往经验进行手工调整，会存在数据规范性不足、规则随意性大、效率低下、人工成本高的问题。特别是，随着网络规模的扩大，站点密度越来越高，小区之间覆盖情况更为复杂，涉及到多个相邻小区及海量采样点数据，单靠过往经验无法精准定位问题，盲目的天馈优化调整甚至可能使整个网络覆盖情况更差，优化效果无法保证。

发明内容

本申请的主要目的在于提供一种天馈优化方法、装置、设备及可读存储介质，旨在解决目前天馈系统优化过程中优化效率低且优化效果不稳定的问题。

为实现上述目的，本申请提供的一种天馈优化方法，所述天馈优化方法包括以下步骤：

获取采样点数据；

对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；

根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

可选地，所述根据所述标准栅格中的所述采样点数据确定问题栅格的步骤包括：

根据标准栅格中的采样点数据确定弱覆盖栅格以及高重叠覆盖栅格；

将所述弱覆盖栅格以及所述高重叠覆盖栅格一起输出为问题栅格。

可选地，所述预设聚类算法为OPTICS算法，所述基于预设聚类算法对于问题栅格进行聚类以确定待优化区域的步骤包括：

基于OPTICS算法，确定问题栅格中的核心问题栅格；

计算各所述核心问题栅格与其他问题栅格的栅格距离；

根据核心问题栅格以及栅格距离对于所有问题栅格进行聚类以确定待优化区域。

可选地，所述根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统的步骤之前包括：

获取问题栅格中各小区的影响能力；

根据所述影响能力对于各小区从高到低进行排序；

将排名在预设比例内的小区作为待优化小区。

可选地，所述根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统的步骤包括：

根据各待优化小区生成初始小区优化调整方案；

根据遗传算法，对于所述初始小区优化调整方案进行迭代以得到各备选小区优化调整方案；

根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值；

将适应度函数值最小的备选小区优化调整方案作为最终小区优化调整方案并根据所述最终小区优化调整方案优化调整天馈系统。

可选地，所述根据各待优化小区生成初始小区优化调整方案的步骤包括：

确定各待优化小区对应的问题栅格的问题类型；

根据所述问题类型，确定各待优化小区的单独调整方案；

根据所有所述待优化小区的单独调整方案生成初始小区优化调整方案。

可选地，所述根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值的步骤包括：

获取问题区域的标准栅格中各采样点的初始参考信号接收功率值；

获取问题区域中各采样点的初始天线增益损耗；

获取备选小区优化调整方案中各采样点的调整天线增益损耗；

根据所述初始参考信号接收功率值、所述初始天线增益损耗、所述调整天线增益损耗，计算问题区域中各所述采样点的调整后参考信号接收功率值；

根据调整后参考信号接收功率值，确定问题区域中的新问题采样点数；

根据所述新问题采样点数计算备选小区优化调整方案的适应度函数值。

本申请还提供一种天馈优化装置，所述天馈优化装置包括：

获取模块，用于获取采样点数据；

栅格模块，用于对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

确定模块，用于根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以所述栅格不参与天馈优化；

聚类模块，用于根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

优化模块，用于根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

本申请还提供一种天馈优化设备，所述天馈优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的天馈优化程序，所述天馈优化程序被所述处理器执行时实现如上述的天馈优化方法的步骤。

本申请还提供一种可读存储介质，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上述的天馈优化方法的步骤。

本申请获取采样点数据；对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。通过采样点数据确定问题栅格，对于问题栅格通过预设聚类算法确定由多个问题栅格组成的待优化区域，根据遗传算法获取待优化区域中小区优化调整方案，同时根据退款优化评估算法确定所有小区优化调整方案中最优的小区优化调整方案，从而能够更加系统地确定小区优化调整方案，无需人工调整，调整的效率更高且能保证小区优化调整方案的优化效果。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例方案涉及的硬件运行环境的装置结构示意图；

图2为本申请天馈优化方法第一实施例的流程示意图；

图3为本申请天馈优化方法第二实施例中对于图2步骤S40的细化流程图；

图4为本申请天馈优化方法第四实施例中对于图2步骤S50的细化流程图；

图5为本申请天馈优化方法第六实施例中对于图4步骤S53的细化流程图；

图6为本申请天馈优化方法第六实施例中天线水平方向增益损耗示意图；

图7为本申请天馈优化方法第六实施例中天线垂直方向增益损耗示意图；

图8为本申请天馈优化设备一实施例的系统结构示意图。

本申请目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。

具体实施方式

应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。

如图1所示，图1是本申请实施例方案涉及的硬件运行环境的终端结构示意图。

本申请实施例终端为天馈优化设备。

如图1所示，该终端可以包括：处理器1001，例如CPU，网络接口1004，用户接口1003，存储器1005，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。

可选地，终端还可以包括摄像头、RF(Radio Frequency，射频)电路，传感器、音频电路、WiFi模块等等。其中，传感器比如光传感器、运动传感器以及其他传感器。具体地，光传感器可包括环境光传感器及接近传感器，其中，环境光传感器可根据环境光线的明暗来调节显示屏的亮度，接近传感器可在终端设备移动到耳边时，关闭显示屏和/或背光。当然，终端设备还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器，在此不再赘述。

本领域技术人员可以理解，图1中示出的终端结构并不构成对终端的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及天馈优化程序。

在图1所示的终端中，网络接口1004主要用于连接后台服务器，与后台服务器进行数据通信；用户接口1003主要用于连接客户端(用户端)，与客户端进行数据通信；而处理器1001可以用于调用存储器1005中存储的天馈优化程序，并执行以下操作：

获取采样点数据；

对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；

根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

基于上述终端硬件结构，提出本申请各个实施例。

本申请提供一种天馈优化方法。

参照图2，在天馈优化方法第一实施例中，该方法包括：

步骤S10，获取采样点数据；

这里的采样点数据是以天粒度导入全量MR(Measurement Report，测量报告)定位的采样点数据，即按照一天为粒度统计的采样点数据。全量MR定位采样点数据是指利用OTT(Over The Top，越过运营商)定位技术、MR指纹库定位技术进行定位，标记有经纬度位置的用户MR采样点数据。OTT定位技术：指利用移动大数据，通过解析S1-HTTP口信令数据中的用户经纬度信息，并利用用户标识和时间标识关联用户MR数据，实现用户MR采样点数据定位。MR指纹库定位：指根据MR无线信号特征与数据库中的指纹特征匹配实现定位。通过采样点数据确定各采样点的信号状况。

步骤S20，对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

对于实际的地理区域，按照预设的栅格大小，如栅格大小为50米*50米或20米*20米，对于不同类型的区域，栅格的大小也可以不同，如城市区域的栅格大小为20米*20米，农村区域的栅格大小为50米*50米。对于各划分好的栅格，根据其经纬度信息进行标记以群分不同的栅格。采样点数据中包括位置信息，可以根据采样点数据中的位置信息将各采样点分配到对应的栅格中。

步骤S30，根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；

根据MR采样点数据的位置信息，识别出具有覆盖不符、覆盖偏移、经纬度异常、天馈接反等工参问题的问题小区，优先处理该类问题小区的工参问题。同时因为工参问题无法通过调整小区的下倾角、方向角等天馈优化手段进行解决，因此隐藏这些问题小区对应的栅格以使所述栅格不参与天馈优化。

步骤S40，根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

将输入的指定时间段内的MR采样点数据按栅格汇总，使栅格唯一，总采样点数、弱覆盖采样点数、重叠覆盖采样点数按栅格汇总统计。即对于各栅格，根据栅格中各采样点的RSRP(Reference Signal Receiving Power，参考信号接收功率)确定其是正常栅格、弱覆盖栅格或是重叠覆盖栅格。先计算各栅格中问题采样点比例：弱覆盖采样点比例＝弱覆盖采样点/总采样点，重叠覆盖采样点比例＝重叠覆盖采样点/总采样点。其中弱覆盖栅格的标准是RSRP>＝-110的采样点占比为[50％,80％)；同频重叠覆盖度的计算规则为：MR样本点中测量到的同频点邻区的电平和主小区电平(主小区RSRP＞-110dBm)差大于-6dB且满足以上条件的同频点邻区数目大于等于3的样本点的比例。而高重叠覆盖栅格的规则为：同频重叠覆盖度在[5％,100％]的栅格。其中弱覆盖栅格以及高重叠覆盖栅格都是问题栅格，问题栅格需要进行天馈优化。使用OPTICS算法来对问题栅格数据聚类，输入的样本点为优化目标筛选出的弱覆盖和高重叠覆盖栅格数据。一般地，聚类算法为OPTICS算法，下面以OPTICS算法进行举例。经过OPTICS(Ordering Points To Identify the ClusteringStructure，顺序点确定聚类区域)聚类算法聚类后，计算出每个问题点栅格与其他问题点栅格之间的距离，在指定半径内，大于预设数目的1栅格的区域，形成一个待优化区域。每个待优化区域包含大于预设数目的问题栅格。

步骤S50，根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统；

根据待优化区域中各个问题栅格的类型，如是弱覆盖栅格还是高重叠覆盖栅格，初步确定各个问题栅格的调整方案，如对于弱覆盖栅格，从弱覆盖变为无重叠覆盖，则以增加主服覆盖为目的，按照小区天线天馈优化规则调整天馈，其他的相应调整都可以基于相应的小区天线天馈优化规则调整。同时对于待优化区域中每一个问题栅格，一个问题栅格的下倾角调整值以及方向角调整值组成一个基因，而待优化区域中所有的问题栅格的基因组成一个染色体，表示一个候选解。之后根据遗传算法中的遗传算子对于染色体进行遗传以生成不同的候选解，同时遗传算法中通过适应度函数来评估不同的候选解的优化优劣，其中可以将调整后的问题栅格中弱覆盖采样点和等效重叠覆盖采样点数量作为适应度函数值，弱覆盖采样点和等效重叠覆盖采样点数量越小，适应度函数值越小，相应的表示对应的小区优化调整方案优化效果越好。而天馈优化评估算法则是用于获取按照小区优化调整方案优化后问题栅格中对应的调整后依然存在或新增的弱覆盖采样点和等效重叠覆盖采样点。同时当遗传算法中某候选解的适应度函数值为0，即不存在问题采样点时，停止迭代或当遗传算法迭代到预设次数时也会停止迭代。根据最终遗传算法获得的染色体进行解码确定小区优化调整方案。同时如果要调整的小区个数小于预设阈值的时候，也可以不使用遗传算法进行计算，直接使用穷举找出最优方案。同时遗传算法可以使用本地模式遗传算法以及Spark集群遗传算法。

在本实施例中，获取采样点数据；对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。通过采样点数据确定问题栅格，对于问题栅格通过预设聚类算法确定由多个问题栅格组成的待优化区域，根据遗传算法获取待优化区域中小区优化调整方案，同时根据退款优化评估算法确定所有小区优化调整方案中最优的小区优化调整方案，从而能够更加系统地确定小区优化调整方案，无需人工调整，调整的效率更高且能保证小区优化调整方案的优化效果。

进一步地，参照图2和图3，在本申请天馈优化方法第一实施例的基础上，提供天馈优化方法第二实施例，在第二实施例中，

步骤S40包括：

步骤S41，根据标准栅格中的采样点数据确定弱覆盖栅格以及高重叠覆盖栅格；

步骤S42，将所述弱覆盖栅格以及所述高重叠覆盖栅格一起输出为问题栅格；

对于各栅格，根据栅格中各采样点的RSRP(Reference Signal Receiving Power，参考信号接收功率)确定其是正常栅格、弱覆盖栅格或是重叠覆盖栅格。先计算各栅格中问题采样点比例：弱覆盖采样点比例＝弱覆盖采样点/总采样点，重叠覆盖采样点比例＝重叠覆盖采样点/总采样点。其中弱覆盖栅格的标准是RSRP>＝-110的采样点占比为[50％,80％)；同频重叠覆盖度的计算规则为：MR样本点中测量到的同频点邻区的电平和主小区电平(主小区RSRP＞-110dBm)差大于-6dB且满足以上条件的同频点邻区数目大于等于3的样本点的比例。而高重叠覆盖栅格的规则为：同频重叠覆盖度在[5％,100％]的栅格。所以对于地理区域进行栅格化的标准栅格中各采样点数据进行分析，确定其中的弱覆盖栅格以及高重叠覆盖栅格，弱覆盖栅格以及高重叠覆盖栅格都需要参与天馈优化，都是问题栅格，需要进行之后的OPTICS聚类以确定待优化区域。

步骤S43，基于OPTICS算法，确定问题栅格中的核心问题栅格；

OPTICS算法中存在核心点的概念，而本申请中基于OPTICS算法，因此先确定问题栅格中的核心问题栅格，即按照预设半径，以一个问题栅格为圆心画圆，当该圆中包括大于预设数目的其他问题栅格，则该圆心对应的问题栅格是一个核心问题栅格。从而先确定所有问题栅格中的核心问题栅格。

步骤S44，计算各所述核心问题栅格与其他问题栅格的栅格距离；

确定核心问题栅格中，计算各核心问题栅格到其他问题栅格的距离。

步骤S45，根据核心问题栅格以及栅格距离对于所有问题栅格进行聚类以确定待优化区域；

当在核心问题栅格到其他问题栅格的栅格距离中存在超过预设数目的栅格距离小于预设距离，则将该核心问题栅格与距离该核心问题栅格小于预设距离的问题栅格一起组成待优化区域，待优化区域即为问题栅格存在较为集中的区域。

在本实施例中，根据采样点数据确定问题栅格，基于OPTICS算法对于问题栅格进行聚类组成待优化区域，能够更加准确地确定待优化区域，也便于之后对于天馈优化调整方案的确定。

进一步地，在本申请天馈优化方法上述实施例的基础上，提供天馈优化方法第三实施例，在第三实施例中，

步骤S50之前包括：

步骤A1，获取问题栅格中各小区的影响能力；

步骤A2，根据所述影响能力对于各小区从高到低进行排序；

步骤A3，将排名在预设比例内的小区作为待优化小区；

对于小区影响能力的计算，直接将各小区所影响的采样点的数目作为其影响能力，根据各小区的影响能力对于各小区从高到低进行排序，即小区的影响采样点数目越多，小区的排名越靠前，如影响能力为200的小区排名比影响能力为100的小区的排名高。同时因为受限于实际优化情况，只能调整其中部分小区的方向角与下倾角，而其他小区只能调整功率，因此选择排名在预设比例内的小区作为待优化小区，如影响能力排名在前20％的小区作为待优化小区，这样调整待优化小区时能够影响到问题栅格中相对更多的采样点，使调整效果更加明显。

在本实施例中，取影响能力排名在预设比例内的小区作为待优化小区，从而使之后的天馈优化方案中小区调整的影响尽量更加覆盖范围广，提升天馈优化方案的优化效果。

进一步地，参照图2和图4，在本申请天馈优化方法上述实施例的基础上，提供天馈优化方法第四实施例，在第四实施例中，

步骤S50包括：

步骤S51，根据各待优化小区生成初始小区优化调整方案；

对于不同的待优化小区，根据对应的问题栅格的问题类型，如是弱覆盖栅格或高重叠覆盖栅格，更加问题类型确定对应的调整方案中下倾角以及方向角的可调整范围，如对于弱覆盖问题栅格，需增强栅格内小区的覆盖，因此方向角的调整以减少栅格与小区方向角的夹角绝对值为目的，下倾角的调整也以以减少栅格与小区下倾角的夹角绝对值为目的。因此，更加各待优化小区对应的问题栅格的问题类型，生成初始小区优化调整方案。

步骤S52，根据遗传算法，对于所述初始小区优化调整方案进行迭代以得到各备选小区优化调整方案；

将同一待优化区域中所有待优化小区的初始小区优化方案形成待优化区域中所有小区的初始小区优化方案，即作为遗传算法中初始的染色体，之后，根据遗传算子，如选择算法：选择算法使用轮赌盘选择算法，即根据染色体的适应度值在一个轮盘上分配槽，适应度越高，分配的槽越多。进行选择的时候，转动轮盘，看着陆点落在哪个槽上，即选中哪个染色体；交叉算法：交叉算法使用单点交叉算法，随机选中染色体序列中的一个位置，将染色体这个位置的前半部分(或后半部分)与另一个被选中的染色体进行交换；变异算法：变异算法使用随机变异算法，即随机对染色体序列中的任意基因的值进行随机更改。通过遗传算法可以获得各种不同的备选小区优化调整方案。同时在迭代过程中，备选小区优化调整方案会一步步接近最优解，即小区优化调整方案的优化效果会越来越好。

步骤S53，根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值；

遗传算法中一个重要的概念便是适应度函数，在本申请中，将小区优化调整方案中问题采样点的数目作为适应度函数值，问题采样点数越少，正常采样点数越多，则适应度越高，相应的小区优化调整方案的优化效果越好。而通过天馈优化评估算法可以确定备选小区优化调整方案中调整后问题栅格中的问题采样点数目，从而计算适应度函数值。

步骤S54，将适应度函数值最小的备选小区优化调整方案作为最终小区优化调整方案并根据所述最终小区优化调整方案优化调整天馈系统；

将小区优化调整方案中问题采样点数目作为遗传算法中适应度函数值，从而适应度函数值最小的备选小区优化调整方案作为最终小区优化调整方案，即调整后问题采样点数最少的方案，同时并根据所述最终小区优化调整方案优化调整天馈系统。

在本实施例中，通过遗传算法确定各备选小区优化调整方案，之后利用天馈优化评估算法计算各备选小区优化调整方案的适应度函数值，根据适应度函数值确定最终小区优化调整方案，时天馈优化调整更加系统且优化效率更高。

进一步地，在本申请天馈优化方法上述实施例的基础上，提供天馈优化方法第五实施例，在第五实施例中，

步骤S51包括：

步骤B1，确定各待优化小区对应的问题栅格的问题类型；

步骤B2，根据所述问题类型，确定各待优化小区的单独调整方案；

步骤B3，根据所有所述待优化小区的单独调整方案生成初始小区优化调整方案；

对于不同的待优化小区，根据对应的问题栅格的问题类型，如是弱覆盖栅格或高重叠覆盖栅格，更加问题类型确定对应的调整方案中下倾角以及方向角的可调整范围，如对于弱覆盖问题栅格，需增强栅格内小区的覆盖，因此方向角的调整以减少栅格与小区方向角的夹角绝对值为目的，下倾角的调整也以以减少栅格与小区下倾角的夹角绝对值为目的，如定性小区天线的方向角需要顺时针或者逆时针调整，以正负值表示，以5°一个步长生成多个方案；定性小区天线的下倾角需要下压或者上抬调整，以正负值表示。对于高重叠覆盖区域，要减少栅格内小区信号，方向角以增加栅格与小区方向角的夹角绝对值为目的，下倾角以增加栅格与小区下倾角的夹角绝对值为目的。同时对于无覆盖栅格，记录补点：栅格编号、权重、影响弱覆盖采样点数。之后再对于无覆盖栅格进行处理。需要注意的是，对于弱覆盖栅格到普通重叠覆盖栅格或强重叠覆盖栅格，重叠覆盖栅格邻区可调范围受自身作为服务小区时方向角与服务栅格夹角的绝对值<＝60°的约束，同时越区小区不调整方向角。对于各待优化小区，根据对应的问题类型，根据是需要增强覆盖或减弱覆盖，按照小区天线天馈优化规则确定方向角和下倾角的调整方案形成单独调整方案，所有的小区的单独调整方案组成初始小区优化调整方案。假设方向角有X种(包含不调整)调整方案，下倾角有Y种(包含不调整)调整方案，组合方案数为X*Y–1。假设问题区域涉及m个小区，可调整方向角、下倾角的小区数n＝m*20％，单小区的物理属性(方向角或下倾角)调整方案数为f1(i)，调整物理属性(方向角或下倾角)的小区组合方案数为∏1f(i)＝f1(1)*f1(2)*……*f1(i)，i∈[1,n]。

在本实施例中，根据待优化小区对应的栅格的问题类型先确定单个小区的单独调整方案，在根据待优化区域中使用待优化小区的单独调整方案组成初始小区优化调整方案，确保调整方案的可行性。

进一步地，参照图4、图5、图6和图7，在本申请天馈优化方法上述实施例的基础上，提供天馈优化方法第六实施例，在第六实施例中，

步骤S53包括：

步骤S531，获取问题区域的标准栅格中各采样点的初始参考信号接收功率值；

当天线的类型、位置和挂高不变时，该天线到任何一点的路损是不变的。调整天线的下倾角和方向角，仅仅影响天线到不同地方的增益损耗。根据采样点数据，确定各采样点的调整前的初始初始参考信号接收功率值，即初始RSRP。

步骤S532，获取问题区域中各采样点的初始天线增益损耗；

天线增益损耗可以分解为水平方向损耗和垂直方向损耗。通过计算某一点与天线水平方向的夹角和垂直方向的夹角，来计算该点的天线增益损耗。天线增益损耗(db)＝水平方向增益损耗(db)+垂直方向增益损耗(db)。因此根据采样点与调整前小区天线的夹角计算初始天线增益损耗。参照图6和图7，其中，图6为天线水平方向增益损耗，图7为天线垂直方向增益损耗。

步骤S533，获取备选小区优化调整方案中各采样点的调整天线增益损耗；

在各备选小区优化调整方案中，小区天线的方向角与下倾角会存在调整，根据调整后的小区天线的方向角与下倾角，计算各采样点的调整天线增益损耗。

步骤S534，根据所述初始参考信号接收功率值、所述初始天线增益损耗、所述调整天线增益损耗，计算问题区域中各所述采样点的调整后参考信号接收功率值；

通过计算变化前后的天线增益损耗变化，以及该小区调整前在某一点的场强，估算出调整后的场强。调整后的RSRP＝调整前的RSRP+调整前的天线增益损耗-调整后的天线增益损耗。

步骤S535，根据调整后参考信号接收功率值，确定问题区域中的新问题采样点数；

再根据调整后参考信号接收功率值，出现确定栅格中的问题采样点数，包括弱覆盖采样点数以及高重叠覆盖采样点数。需要注意的是，当一个栅格内的多个覆盖小区进行了天线调整，则各小区在栅格内的RSRP都有变化，需要按照调整后的RSRP值从高到低排序，最强小区作为主小区，来重新计算弱覆盖问题采样点和重叠覆盖问题采样点。即可能需要重新确定主小区。

步骤S536，根据所述新问题采样点数计算备选小区优化调整方案的适应度函数值；

之后将问题采样点数作为适应度函数值。

在本实施例中，天馈优化评估算法是本申请的重点之一，可以立意天馈评估用户算法计算遗传算法中适应度函数值，从而评价各天馈调整方案的优化程度。

此外，参照图8，本申请实施例还提出一种天馈优化装置，所述天馈优化装置包括：

获取模块，用于获取采样点数据；

栅格模块，用于对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

确定模块，用于根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；

聚类模块，用于根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

优化模块，用于根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

可选地，所述确定模块还用于：

根据标准栅格中的采样点数据确定弱覆盖栅格以及高重叠覆盖栅格；

将所述弱覆盖栅格以及所述高重叠覆盖栅格一起输出为问题栅格。

可选地，所述聚类模块还用于：

基于OPTICS算法，确定问题栅格中的核心问题栅格；

计算各所述核心问题栅格与其他问题栅格的栅格距离；

根据核心问题栅格以及栅格距离对于所有问题栅格进行聚类以确定待优化区域。

可选地，所述天馈优化装置还包括：

第二获取模块，用于获取问题栅格中各小区的影响能力；

排序模块，用于根据所述影响能力对于各小区从高到低进行排序；

第二确定模块，用于将排名在预设比例内的小区作为待优化小区。

可选地，所述优化模块还用于：

根据各待优化小区生成初始小区优化调整方案；

根据遗传算法，对于所述初始小区优化调整方案进行迭代以得到各备选小区优化调整方案；

根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值；

将适应度函数值最小的备选小区优化调整方案作为最终小区优化调整方案并根据所述最终小区优化调整方案优化调整天馈系统。

可选地，所述优化模块还用于：

确定各待优化小区对应的问题栅格的问题类型；

根据所述问题类型，确定各待优化小区的单独调整方案；

根据所有所述待优化小区的单独调整方案生成初始小区优化调整方案。

可选地，所述优化模块还用于：

获取问题区域的标准栅格中各采样点的初始参考信号接收功率值；

获取问题区域中各采样点的初始天线增益损耗；

获取备选小区优化调整方案中各采样点的调整天线增益损耗；

根据所述初始参考信号接收功率值、所述初始天线增益损耗、所述调整天线增益损耗，计算问题区域中各所述采样点的调整后参考信号接收功率值；

根据调整后参考信号接收功率值，确定问题区域中的新问题采样点数；

根据所述新问题采样点数计算备选小区优化调整方案的适应度函数值。

本申请设备和可读存储介质(即计算机可读存储介质)的具体实施方式的拓展内容与上述天馈优化方法各实施例基本相同，在此不做赘述。

需要说明的是，在本文中，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、物品或者装置不仅包括那些要素，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、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。

上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

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上述实施例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(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。

上面结合附图对本发明的实施例进行了描述，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式，这些均属于本发明的保护之内。

Claims (10)

1.一种天馈优化方法，其特征在于，所述天馈优化方法包括以下步骤：

获取采样点数据；

对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以使所述栅格不参与天馈优化；

根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

2.如权利要求1所述的天馈优化方法，其特征在于，所述根据所述标准栅格中的所述采样点数据确定问题栅格的步骤包括：

根据标准栅格中的采样点数据确定弱覆盖栅格以及高重叠覆盖栅格；

将所述弱覆盖栅格以及所述高重叠覆盖栅格一起输出为问题栅格。

3.如权利要求2所述的天馈优化方法，其特征在于，所述预设聚类算法为OPTICS算法，所述基于预设聚类算法对于问题栅格进行聚类以确定待优化区域的步骤包括：

基于OPTICS算法，确定问题栅格中的核心问题栅格；

计算各所述核心问题栅格与其他问题栅格的栅格距离；

根据核心问题栅格以及栅格距离对于所有问题栅格进行聚类以确定待优化区域。

4.如权利要求1所述的天馈优化方法，其特征在于，所述根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统的步骤之前包括：

获取问题栅格中各小区的影响能力；

根据所述影响能力对于各小区从高到低进行排序；

将排名在预设比例内的小区作为待优化小区。

5.如权利要求4所述的天馈优化方法，其特征在于，所述根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统的步骤包括：

根据各待优化小区生成初始小区优化调整方案；

根据遗传算法，对于所述初始小区优化调整方案进行迭代以得到各备选小区优化调整方案；

根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值；

将适应度函数值最小的备选小区优化调整方案作为最终小区优化调整方案并根据所述最终小区优化调整方案优化调整天馈系统。

6.如权利要求5所述的天馈优化方法，其特征在于，所述根据各待优化小区生成初始小区优化调整方案的步骤包括：

确定各待优化小区对应的问题栅格的问题类型；

根据所述问题类型，确定各待优化小区的单独调整方案；

根据所有所述待优化小区的单独调整方案生成初始小区优化调整方案。

7.如权利要求5所述的天馈优化方法，其特征在于，所述根据天馈优化评估算法计算各备选小区优化调整方案的适应度函数值的步骤包括：

获取问题区域的标准栅格中各采样点的初始参考信号接收功率值；

获取问题区域中各采样点的初始天线增益损耗；

获取备选小区优化调整方案中各采样点的调整天线增益损耗；

根据所述初始参考信号接收功率值、所述初始天线增益损耗、所述调整天线增益损耗，计算问题区域中各所述采样点的调整后参考信号接收功率值；

根据调整后参考信号接收功率值，确定问题区域中的新问题采样点数；

根据所述新问题采样点数计算备选小区优化调整方案的适应度函数值。

8.一种天馈优化装置，其特征在于，所述天馈优化装置包括：

获取模块，用于获取采样点数据；

栅格模块，用于对地理区域进行栅格化，将所述采样点数据根据定位信息分配到各标准栅格中；

确定模块，用于根据各所述标准栅格中的所述采样点数据，确定存在工参问题的问题小区并隐藏所述问题小区对应的栅格以所述栅格不参与天馈优化；

聚类模块，用于根据所述标准栅格中的所述采样点数据确定问题栅格并基于预设聚类算法对于问题栅格进行聚类以确定待优化区域；

优化模块，用于根据遗传算法以及天馈优化评估算法，确定待优化区域中小区优化调整方案并根据所述小区优化调整方案优化调整天馈系统。

9.一种天馈优化设备，其特征在于，所述天馈优化设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的天馈优化程序，所述天馈优化程序被所述处理器执行时实现如权利要求1至7中任一项所述的天馈优化方法的步骤。

10.一种可读存储介质，其特征在于，所述可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的天馈优化方法的步骤。

Images