CN111742568A - 检测无线电覆盖问题 - Google Patents
检测无线电覆盖问题 Download PDFInfo
- Publication number
- CN111742568A CN111742568A CN201980014731.2A CN201980014731A CN111742568A CN 111742568 A CN111742568 A CN 111742568A CN 201980014731 A CN201980014731 A CN 201980014731A CN 111742568 A CN111742568 A CN 111742568A
- Authority
- CN
- China
- Prior art keywords
- base station
- map
- observations
- area
- coverage
- 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.)
- Granted
Links
- 238000005259 measurement Methods 0.000 claims abstract description 61
- 238000000034 method Methods 0.000 claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 claims abstract description 45
- 238000012545 processing Methods 0.000 claims description 34
- 230000015654 memory Effects 0.000 claims description 31
- 238000004891 communication Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 16
- 238000012935 Averaging Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 23
- 238000010586 diagram Methods 0.000 description 10
- 238000004590 computer program Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 description 1
- 241000760358 Enodes Species 0.000 description 1
- 238000004873 anchoring Methods 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- 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
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/22—Traffic simulation tools or models
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/06—Testing, supervising or monitoring using simulated traffic
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W48/00—Access restriction; Network selection; Access point selection
- H04W48/16—Discovering, processing access restriction or access information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
- H04W88/08—Access point devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
提供了一种用于检测覆盖问题的方法(500)。该方法包括从至少一个用户设备(104)接收观测(130)。每个观测包括从基站(104)发射的信号(S)的测量(132)和信号测量值的对应位置(134)。该方法还包括基于所接收的观测来为基站生成覆盖图(210a),该覆盖图指示关于基站的发射信号的信号特性(212a)。该方法还包括通过将覆盖图馈送到被配置为输出基站的估计特性的神经网络(310)来确定基站的估计特性(312)。
Description
技术领域
本公开涉及检测无线电覆盖问题。
背景技术
无线通信网络(例如,蜂窝网络)为诸如移动设备和数据终端之类的用户设备(UE)提供诸如语音,视频,分组数据,消息和广播之类的通信内容。该通信网络可以包括多个基站,这些基站可以支持跨越分散的地理区域的多个用户设备的通信。
在一些配置中,无线网络相当大并且可以使用大量的基站。这些较大的网络可以具有广泛的站点计划,在这些计划中,电信运营商部署了许多基站(例如,数千个基站)。对于这些基站,站点计划通常会规定基站详细信息,例如天线位置,天线馈线电缆,天线倾斜角,天线方位角等。通常,这些站点详细信息和规格已针对网络性能进行了预先配置。然而,在网络运行期间,用户设备由于站点计划偏差而遇到网络问题的情况并不少见。
发明内容
本公开的一个方面提供了一种用于检测无线电或信号覆盖问题的方法。该方法包括在数据处理硬件处从至少一个用户设备(UE)(例如,能够接收信号发射的任何设备)接受观测。每个观测包括从基站发射的信号(例如,无线电信号,WiFi信号等)的无线电信号测量以及该信号测量的对应位置。该方法还包括由数据处理硬件基于所接收的观测来生成基站的覆盖图。覆盖图指示关于基站的发射信号的信号特性。该方法可以进一步包括由数据处理硬件基于覆盖图和观测生成观测图。该方法包括通过数据处理硬件通过将覆盖图馈送到被配置为输出基站的估计特性的神经网络中来确定基站的估计特性。在一些示例中,该方法包括通过数据处理硬件通过将覆盖图和观测图馈送到被配置为输出基站的估计特性的神经网络中来确定基站的估计特性。在一些实施例中,信号测量包括位置不确定性测量。
本公开的实施例可以包括以下可选特征中的一个或多个。在一些实施例中,生成用于基站的覆盖图包括将关于基站的覆盖区域划分为像素,每个像素对应于覆盖区域中的一个地理部分。基于这一点,对于每个观测,该方法可以包括:识别具有覆盖区域的相应地理部分的像素,该覆盖区域包含相应观测的信号测量的位置,并将该观测与所识别的像素相关联。对于每个像素,该方法可以包括对与各个像素相关联的任何观测的信号测量值求平均。例如,将观测结果与识别的像素相关联可以包括将观测结果放置在与识别的像素相关联的像素仓中。
在一些示例中,覆盖图包括具有服务小区的网格,并且每个像素对应于一个服务小区。对于覆盖图的每个像素,生成观测图还可包括生成一种指标,该指标单调的表示与相应像素相关联的任何观测的数量。当生成基站的覆盖图时,该方法可以包括生成关于基站的地理区域的地形图,并将该地形图馈送到神经网络中。地形图可以描述地理区域的地形高度或在地理区域的地面之上延伸的物体的存在和/或高度中的至少一个。
在一些配置中,当生成单调地表达与相应像素相关联的任何观测的数量的指标时,该指标包括以下至少一项:与相应像素相关联的任何观测的数量;与相应像素相关的任何观测的次数的日志;或与相应像素相关的任何观测的数量的单调函数。另外地或可替代地,指标还可以包括:确定与相应像素相关联的任何观测的数量,当该数量大于零时,将相应像素的值设为1,当该数量等于零时,将相应像素的值设为0。
在一些实施例中,该方法包括将辅助信息馈送到神经网络中,该辅助信息包括基站的操作频率,基站的天线高度,天线的波束宽度,天线倾斜角或基站的预定位置中的至少一个。基站的特性可以包括基站的估计位置,基站的估计指向方向或基站的天线方位角。可选地,神经网络可以被配置为输出基站的估计特性的置信度指示符。
可选地,该方法包括由数据处理硬件基于位置不确定性测量结果生成位置不确定性图。该方法还可以包括通过数据处理硬件通过将覆盖图和位置不确定性图馈送到被配置为输出基站的估计特性的神经网络中来确定基站的估计特性。
在一些示例中,生成用于基站的位置不确定性图包括将关于基站的覆盖区域划分为像素,每个像素对应于覆盖区域的一个地理部分。基于这一点,对于每个观测,该方法可以包括:识别具有覆盖区域的相应地理部分的像素,该覆盖区域包含相应观测的位置不确定性测量的位置,并将该观测与所识别的像素相关联。对于每个像素,该方法可以包括对与相应像素相关联的任何观测结果的位置不确定性测量求平均。
本公开的另一方面提供了一种用于检测信号覆盖问题的系统。该系统包括数据处理硬件和与数据处理硬件通信的存储器硬件,该存储器硬件存储指令,该指令在数据处理硬件上执行时使数据处理硬件执行操作。该操作包括从至少一个用户设备(UE)接收观测,每个观测包括从基站发射的信号的信号测量和该信号测量的对应位置。所述操作还包括:基于所接收的观测来生成基站覆盖图,该覆盖图指示基站的发射信号的信号特性;以及基于覆盖图和观测来生成观测图。所述操作可以进一步包括基于覆盖图和观测生成观测图。所述操作还可以包括通过将覆盖图馈送到被配置为输出基站的估计特性的神经网络来确定基站的估计特性。在一些示例中,操作包括通过将覆盖图和观测图馈送到被配置为输出基站的估计特性的神经网络中来确定基站的估计特性。在一些实施例中,信号测量包括位置不确定性测量。
该方面可以包括以下可选特征中的一个或多个。在一些示例中,为基站生成覆盖图的操作包括将关于基站的覆盖区域划分为像素,每个像素对应于覆盖区域的一个地理部分。对于每个观测,该操作可以包括:识别具有覆盖区域的相应地理部分的像素,该覆盖区域包含相应观测的信号测量的位置,并将该观测与所识别的像素相关联。对于每个像素,该操作可以包括对与各个像素相关联的任何观测的信号测量结果求平均。例如,将观测与识别的像素相关联可以包括将观测放置在与识别的像素相关联的像素仓中。
在一些实施例中,覆盖图包括具有服务小区的网格,并且每个像素对应于一个服务小区。对于覆盖图的每个像素,生成观测图的操作可以包括:生成指标,该指标单调地表达与相应像素相关联的任何观测的数量。该指标可以包括与相应像素相关联的任何观测的数量、与相应像素相关联的任何观测的数量的日志或与相应像素相关联的任何观测的数量的单调函数中的至少一个。可选地,生成指标可以包括:确定与相应像素相关联的任何观测的数量,当数量大于零时,将相应像素的值设为1,当数量等于零时,将相应像素的值设为0。
在一些配置中,生成用于基站的覆盖图的操作包括生成关于基站的地理区域的地形图,并将该地形图馈送到神经网络中。地形图可以描述地理区域的地形高度或者在地理区域的地面之上延伸的物体的外形和/或高度中的至少一个。可选地,所述操作可以包括将辅助信息馈入神经网络,所述辅助信息包括基站的操作频率,基站的天线的高度,天线的波束宽度,天线的倾斜角或基站的预定位置中的至少一项。基站的估计特性可以包括基站的估计位置,基站的估计指向方向或基站的天线方位角。该神经网络可以被配置为输出基站的估计特性的置信度指示符。
可选地,该操作包括基于位置不确定性测量生成位置不确定性图。该操作还可以包括通过将覆盖图和位置不确定性图馈送到被配置为输出基站的估计特性的神经网络中,来确定基站的估计特性。
在一些示例中,生成基站的位置不确定性图包括将关于基站的覆盖区域划分为像素,每个像素对应于覆盖区域的一个地理部分。基于这一点,对于每个观测,操作可以包括:识别具有覆盖区域的相应地理部分的像素,该覆盖区域包含相应观测的位置不确定性测量的位置,并将观测与所识别的像素相关联。对于每个像素,系统可以包括对与各个像素相关联的任何观测结果的位置不确定性测量求平均。
本公开的一个或多个实施例的细节在以下的附图和详细说明中阐述。根据说明书和附图以及根据权利要求书,其他方面的特征和优点将显而易见。
附图说明
图1是示例通信网络的示意图。
图2A是示例覆盖图的示意图。
图2B和图2C是示例观测图的示意图。
图2D和图2E是示例地形图的示意图。
图3A是具有相应的输入和输出的示例建模器的示意图。
图3B和图3C是具有图3A示出的估计输出的示例建模器的示意图。
图4是具有数据存储器的示例性通信网络的示意图。
图5是用于检测信号覆盖问题的示例方法的流程图。
图6是可用于实现本文描述的系统和方法的示例性计算设备的示意图。
在各个附图中,相同的附图标记指示相同/相似的元件。
具体实施方式
像任何项目一样,电信运营商可能必须在部署基站期间修改站点计划。例如,部署大量基站而不偏离原始站点计划一定程度的情况通常被证明是困难的。电信运营商可能不得不移动天线位置(例如,由于站点部署地形而定)或交换馈线电缆(例如,电缆供应问题)。在其他示例中,电信运营商在为网络部署基础设施时仅仅会在无意中造成错误。在大型网络的情况下,较小的错误可能会在大型站点和/或系统上放大。无论这些偏差是次要偏差还是主要偏差,这些偏差都可能影响网络运行期间的后续网络性能。由这些偏差引起的问题甚至可能在很长一段时间内都未被发现。不幸的是,验证每个发射机(例如,基站)的操作通常非常昂贵。结果,需要在网络操作期间检测信号覆盖问题。在用户设备(UE)设备在基站的地理覆盖区域内操作的情况下,从UE设备接收信息的服务器设备可以使用预测建模来检测给定基站的特性。这种基于UE反馈检测的系统的优点在于,网络提供商或网络管理器可以虚拟地验证网络基础设施(例如,基站)的特性,而无需物理地验证网络基础设施。所公开的概念也可以应用于WiFi接入点和其他信号发射设备的信号覆盖检测。
图1描述了示例性通信网络100,其可以是支持由第三代合作伙伴计划(3GPP)规定的多种接入技术的长期演进(LTE)网络,5G网络和/或多址网络,例如通用分组无线业务(GPRS),全球移动通信系统/增强型数据速率GSM演进(GSM/EDGE),通用移动电信系统/高速分组接入(UMTS/HSPA),LTE和改进的LTE网络技术。LTE是用于在诸如移动电话和数据终端的用户设备102、102a-c与基站104之间进行高速数据分组的无线通信的标准。LTE基于GSM/EDGE和UMTS/HSPA网络技术。LTE被配置为除了核心网络改进外,还通过使用不同的无线电接口来提高通信的容量和速度。LTE支持从1.4MHz到20MHz的可扩展载波带宽,并支持频分双工(FDD)和时分双工(TDD)。在其他示例中,通信网络100是WiFi网络或其他无线信号网络。用户设备102可以可互换地称为用户设备(UE)设备和移动设备102。
UE设备102、102a-c可以通过通信网络100(或5G/3G/2G网络)与诸如分组数据网络(PDN)之类的外部网络30通信。在所示的示例中,网络100包括第一部分,即演进的通用陆地无线接入网(e-UTRAN)部分106,以及第二部分,即演进的分组核心网(EPC)部分108。第一部分106包括用于移动网络,UE设备102和基站104的3GPP LTE升级路径的空中接口110(例如,演进通用陆地无线接入(e-UTRA))。LTE空中接口110用于正交频分多址(OFDMA)的下行链路和单载波FDMA(SC-FDMA)的上行链路的无线电访问。因此,第一部分106提供无线接入网(RAN),其支持经由一个或多个基站104通过空中接口110分组数据无线通信和/或从外部网络到UE设备102的其他面。
EPC 108提供被配置为在通信网络100上聚合语音和数据的框架。EPC 108在互联网协议(IP)服务体系结构上统一语音和数据,语音仅被视为另一个IP应用程序。EPC 108包括几个关键组件,这些关键组件包括但不限于移动性管理实体(MME)112,服务网关(SGW)114和分组数据节点网关(PGW)120。PGW120可以被称为网络网关设备120,当网络对应于3G网络时,网络网关设备120包括网关GPRS支持节点(GGSN)而不是PGW120。可选地,当网络对应于5G或5G+网络时,网络网关设备120可以包括具有由5G和/或5G+网络定义的命名约定的网关节点。MME 112,SGW 114和PGW 120可以是独立组件,或者这些组件中的至少两个可以集成在一起。EPC 108与UE设备102和外部网络30通信,从而在UE设备102和外部网络30之间路由数据分组。
MME 112是通信网络100的关键控制节点。MME112管理会话和状态,并通过网络100认证和跟踪的UE设备102。例如,MME 112可以执行各种功能,例如包括但不限于非接入层(NAS)的信令和安全性控制,UE设备102的身份验证和移动性管理,UE设备102的网关的选择以及承载管理功能。SGW 114执行与用于UE设备102的IP数据传输有关的各种功能,诸如数据路由和转发以及移动性锚定。SGW 114可以执行诸如对UE设备102的数据分组进行缓冲,路由和转发的功能。SGW114和MME 112还通过S11接口113彼此通信。
PGW 120(即,网络网关设备)执行各种功能,例如但不限于互联网协议(IP)地址分配,UE设备102的数据连接性维护,UE设备102的分组过滤,服务级别选通控制和速率执行,用于客户端和服务器的动态主机配置协议(DHCP)功能以及网关通用分组无线服务(GGSN)功能。PGW 120通过S5接口115与SGW 114通信。
每个基站104具有覆盖区域104Area,该覆盖区域通常与UE设备102可以接收从基站104发射的无线电信号S的地理区域相对应。在一些实施例中,基站104包括演进的节点B(也称为eNode B或eNB)。eNB 104包括连接到空中接口110(例如,移动电话网络)以直接与UE设备102进行通信的硬件。例如,eNB 104可以将下行链路LTE/3G/5G信号(例如,信息)发送给UE设备102并通过空中接口110从UE设备102接收上行链路LTE/3G/5G信号。eNB104使用S1接口111来与EPC 108通信。S1接口111可以包括S1-MME接口和S1-U接口。S1-MME接口用于与MME 112进行通信,S1-U接口用于与SGW 114连接。因此,S1接口111与用于与EPC 108进行通信的回程链路相关联。在其他实施例中,基站104是无线接入点或其他无线信号发射器。
UE设备102可以是能够通过网络100发送和/或接收语音/数据的任何电信设备。UE设备102可以包括但不限于移动计算设备,例如膝上型计算机,平板计算机,智能手机和可穿戴计算设备(例如,耳机和/或手表)。UE设备102还可以包括具有其他形状因数的其他计算设备,诸如包括在台式计算机,车辆,游戏设备,电视或其他电器中的计算设备(例如,联网的家庭自动化设备和家用电器)。
在一些实施例中,网络网关设备120的数据处理硬件122(例如,PGW或GGSN或具有由5G和/或5G+网络定义的另一命名约定的网关节点)从至少一个UE设备102接收(例如,示为UE 102a-c)观测130(即观测数据)。数据处理硬件122可以基于至少一个UE设备102与基站104的覆盖区域104Area内的网络100的交互来接收观测130。每个观测130包括从基站104发射的无线信号S的无线电信号测量132和与无线信号测量132相应的位置134。位置134是指在发送观测130时,UE设备102的坐标。例如,位置134是UE设备102的全球经度和/或纬度。在其他示例中,位置134是指相对于对象的位置,例如通过观测130测量发射无线电信号S的基站104。在一些示例中,无线电信号测量132是信号强度的测量。信号强度的测量的一些示例包括接收信号强度指示符(RSSI),参考信号接收功率(RSRP),参考信号接收质量(RSRQ)和/或定时提前量。在一些实施例中,每个观测130对应于特定的基站104。在其他实施例中,每个观测130对应于一个以上的基站104(例如,UE 102附近的相邻基站)。当每个观测130对应于一个以上的基站104时,可以根据每个观测到的基站104来解析观测130。例如,网络网关设备120确定与从UE接收到的观测130相对应的特定基站104。设备102可以基于观测130或来自与基站104相对应的覆盖区域104Area内的多个UE设备102的观测130的集合来估计特定基站104的特性。
如图1所示,通信网络100还包括地图生成器200和建模器300。地图生成器200和/或建模器300可以由网络网关设备120的数据处理硬件122实现。在一些示例中,地图生成器200和/建模器300或建模器300由与外部网络30对应的数据处理硬件执行。例如,外部网络30可以是具有自己的数据处理硬件或共享数据处理硬件(例如,与网络网关设备120共享)的分布式系统(例如,云计算)。与在其他示例中,地图生成器200和建模器300在通信网络100内的通信中的不同数据处理硬件上实现。
一般来说,对于给定的基站104,地图生成器200被配置为基于接收到的观测130生成图210,210a–n。其中,接收到的观测130对应于该基站104。地图生成器200为给定图生成的图210的一些示例。基站104包括覆盖图210a,观测图210b和地形图210c。这些图210中的每一个可以包括与接收到的观测130有关的不同类型的图信息212。在一些示例中,每个图210代表基站104的覆盖区域104Area,但是相对于在该覆盖区域104Area内描绘的图信息212而变化。例如,图210被分为地理部分214(即,地理子部分),有时也可被称为像素,仓或小区。换句话说,这些地理部分214可以是覆盖区域104Area的单位。例如,当基站104的覆盖区域104Area是一百平方公里时,覆盖区域104Area被划分成10×10的网格,每个网格以1平方公里的地理部分214为单位。这里,具有更多颗粒的地理部分214(即,更小的地理区域)可以对应于建模器300中的更高的精度(例如,基站104的更精确的估计特征312)。一旦地图生成器200生成至少一个图210,则至少一个图210作为输入被馈送到建模器300的模型310中,以输出基站104的估计特征312。
建模器300通常被配置为接收与图210相关联的基站104的输入(例如,来自地图生成器200的图210)并输出估计特征312。建模器300可以被设计为使得其可以接收由地图生成器200生成的任意数量的图210。在一些示例中,建模器300具有与图210的不同组合相对应的模型310。例如,图210的特定组合的输入输出基站104的特定的估计特征312。这些估计特征312的一些示例包括基站104的估计位置(例如,坐标位置),基站104的估计指向方向,基站104的天线方位角,或与基站104或UE设备102的特性有关的不确定性估计。
在一些示例中,建模器300的模型310对应于被配置为确定特定估计特征312的输出的算法。在其他示例中,模型310是机器学习模型310,其中,基于数据集和结果集来教导(或训练)模型310以基于类似于数据集的输入数据来预测其自己的输出。例如,模型310接收与基站104相关联的无线电信号测量132,并基于无线电信号测量132的集合,预测基站104的位置作为估计特征312。在一些示例中,基站104的运营商利用对应于基站104的训练数据来训练模型310,并且基于迭代学习,使模型310能够基于与基站104相关联的观测130来确定针对不同基站104和/或不同运营商的估计特征312。在其他示例中,训练模型310的基站104的运营商然后可以使用模型310来确定估计特征312。例如,当与预期的特征进行比较时,估计特征312可以识别异常。对这些异常的检测具有以下好处:可以将与基站104有关的潜在问题(例如,与天线方位角,指向方向或位置的差异)通知运营商,或确认UE设备102遇到的问题。
附加地或可替代地,模型310是神经网络310,其被馈送给图210作为输入,并被配置为输出基站104的估计特征312。神经网络310可以是卷积神经网络(CNN)或深度神经网络(DNN)。在一些示例中,模型310是卷积神经网络和深度神经网络的组合,使得卷积神经网络对池进行滤波,然后使信息变平以发送到深度神经网络。就像机器学习模型310一样,训练神经网络310以产生可用作精确估计特性312的有意义的输出。例如,当训练神经网络310以输出基站104位置的估计特征312时,均方误差损失函数训练神经网络310。通常出于训练目的,将数据分离成训练和评估集(例如,90%的训练和10%的评估),并且训练神经网络310直到神经网络310在评估集合上的性能停止下降。一旦性能在评估集合上停止下降,神经网络310就可以准备基于具有与观测130相关的图信息212的图210,以确定估计特征312。
作为说明,神经网络310可以像图像识别神经网络一样起作用。在图像识别神经网络中,神经网络接收图像的各层。例如,这些层可以对应于诸如红色,绿色和蓝色(即,RGB)的颜色。通过图像的层和受过训练的对红色,绿色和蓝色的熟悉程度,神经网络被配置为识别图像。在这里,建模器300就像颜色层(即红色,绿色和蓝色)一样,接收图210。有了图210,并且对提供给建模器300的图210的类型有一定的了解,模型310(例如,神经网络310)被配置为识别基站104的估计特征312。
图2A是地图生成器200的示例,该地图生成器200用于生成基站104的图210。图2A将生成的图210描绘为覆盖图210、210a。覆盖图210a对应于被称为基站104的覆盖区域104Area的地理区域。通常,地图生成器200根据由数据处理硬件122接收的每个观测130来确定覆盖图210a的覆盖区域104Area。观测130通常包含标识发射无线电信号S的基站104的数据(例如,元数据),该数据通过观测130的无线电信号测量132测得。因此,与基站104相关的所有观测130、130a-n的集合确定覆盖图210a的地理边界。
在一些示例中,覆盖图210a将所发射的关于基站104的无线电信号S的至少一个无线电信号特征212a指示为图信息212。无线电信号特征212a可以涉及单个接收的观测130或接收的观测130的集合。在一些实现中,地图生成器200确定相似位置134a中的一组无线电信号测量132a的平均无线电信号测量值212a。在其他实施例中,地图生成器200确定对应于相似位置134a中的集群无线电信号测量132a相对应的方差212a。附加地或可替代地,地图生成器200可以在与无线电信号特征212相似的位置134a中确定无线电信号测量132a的集群的平均值和方差。
在一些配置中,地图生成器200通过将覆盖区域104Area划分为像素(例如,地理部分214)来生成基站104的覆盖图210a。例如,图2A示出了被分为矩阵(或网格)的覆盖图210a。该矩阵(或网格)的每个单元可以表示参考地理部分214的像素。在图2A中,对于每个观测130、130a-n,地图生成器200识别具有覆盖区域104Area的对应地理部分214的像素,该覆盖区域104区域包含相应观测130的无线电信号测量132的位置134。地图生成器200可以将观测130与所识别的像素相关联。例如,观测130a在位置134a处具有对应于地理部分21432的信号测量132a,其中“32”是与位置134a相关联的第三行、第二列像素。类似地,观测130b的位置134b对应于地理部分21442。观测点130c的位置134c也对应于地理部分21442。观测点130d的位置134d对应于地理部分21443,观测点130n的位置134n也对应于地理部分21443。利用基站104的每个观测130的位置134与在该位置134的无线电信号测量132一起图,地图生成器200可以生成无线电信号特征212作为每个像素的图信息212。如前所述,对于每个像素,地图生成器200可以确定与各个像素相关联的任何观测130的无线电信号测量132的平均值(例如,RSRP值)和/或方差。进一步参考图2A,地图生成器200各个像素21432、21443和21442生成作为无线电信号特征212a32、212a43和212a42的平均值(例如,RSRP值)和/或方差。另外地或可替代地,覆盖图210a可以包括针对每个像素,小区和/或地理部分214的数据结构,称为仓,其中可以存储与像素,小区和/或地理部分214相关联的观测130。仓的优点在于,覆盖图210a的数据结构可以使地图生成器200能够根据仓中的观测130快速生成附加的图210(例如,观测图210b)。这可能会阻止地图生成器200再次图观测130的位置134。
图2B是地图生成器200基于覆盖图210a和观测130生成观测图210、210b的示例。关于观测图210b,图信息212是指由地图生成器200生成的指标212b,其表示观测130在覆盖图210a的地理区域214(例如,像素或小区)中的存在。指标212b可以是与地理部分214(例如,像素或小区格)关联的观测130的数量N,与相应地理部分214(例如,像素或小区格)相关联的任何观测130的数量N的对数,或者与各个地理部分214(例如,像素或小区)相关联的任何观测130的数量N的单调函数。
在一些配置中,地图生成器200通过确定与相应的地理部分214(例如,像素或小区)相关联的任何观测130的数量N,来生成指标212b。当数量N大于零时,地图生成器200将值分配给相应的地理部分214(例如,像素或小区)。该值可以是“1”或与观测130的数量N对应的数字。当数量N等于零时,地图生成器200将值“0”分配给相应的地理部分214(例如,像素或小区)。例如图2B示出指标212b是二进制指标,其中当地理部分214不包含任何观测130时“0”被分配给地理部分214,而当地理部分214包含一个或多个观测130时“1”被分配给地理部分214。在此示例中,仅观测图210b1的地理部分21432、21443和21442被分配为值“1”;而所有其他地理部分214的值都分配为“0”。在一些示例中,建模器300可以跳过分配值为“0”的地理部分214。在具有机器学习和/或神经网络的模型310中,模型310还可以随着时间的流逝,学会在建模过程中跳过分配值为“0”的地理部分214。在诸如图2C的其它实现中,被分配给观测图210b2的地理部分214的指标212b的值直接对应于该地理部分214内的观测130的数量N。这里,因为地理部分21432、21443和21442对应于1、2,以及3个观测130,观测图210b2分别为地理部分21432、21443和21442分配了值1、2和3。
尽管根据覆盖图210a,观测图210b看起来像是要提供给建模器300的冗余图,但是提供给建模器300的每个图210a,210b可以为由建模器300确定的输出(例如,由建模器300确定的估计特征312)提供不同程度的准确性。在一些示例中,建模器300输出用于估计特征312的置信度指示符314。在此,观测图210b使建模器300能够基于在所提供的观测图210b中指示的观测数130的数量来估计特征312输出置信度指示符314。例如,当观测图210b对应于大量观测130时,建模器300具有较高的置信度指示符314。换句话说,当估计特征312基于更大数量的观测130(即,数据测量以产生估计特征312)时,建模器300获得对基站104的估计特征312的置信度。在其他示例中,建模器300输出不具有观测图210b的置信指示符314,使得建模器300的模型310可以被配置为基于其他图信息212来确定置信度指示符314。所述其他图信息212与图210一起输入到建模器300中。
图2D和2E示出了可以将其他图210提供给建模器300以确定基站104的估计特征312。参照图2D和2E,地图生成器200生成地形图210、210c1-2。地形图210c可以包括与覆盖区域104Area相关联的地理区域的地形高度或在地理区域的地面之上延伸的物体的存在和/或高度作为图信息212c中的至少一种。例如,地图生成器200从诸如地形图像(图2E)或覆盖区域104Area的图像(图2D)的地形图像生成地形图210c,地图生成器200可以从该图像确定物体的存在和/或高度。利用这些图像,地图生成器200可以根据试图确定基站104的准确的估计特征312的实体(例如,运营商或网络提供商)所期望的粒度来生成各种类型的地形图210c。换句话说,地图生成器200可以生成的地形图210c的复杂度可以根据建模器300和模型310的应用和/或设计而变化。例如,图2D示出了简单的地形图210c,其中,与观测图210b1非常相似,地图生成器200生成对应于地形的指标212c(例如,基于地形图像)。在图2D中,当地形包含对象或特征(例如,河流或森林)时,地图生成器200使用二进制指标212c为地理部分214分配“1”值,当地理部分214不包含地形对象或特征时,为地理部分214分配“0”。例如,图2D的地形图210c1包括由于地形图像中的河流和森林,第一和第二列的每个地理部分214(例如,像素或小区)中的值为“1”。
图2E是更复杂的地形图210c2。与地形图210c2相对应的地形图像是识别覆盖区域104Area内的海拔的地形图像。地图生成器200可以生成具有与海拔信息有关的变化的图信息212的几个不同的地形图210c。设计地形图210c时,一些示例中包括图信息212,地理部分214内的极值,相应地理部分214的平均海拔和/或用于指定可预先确定的海拔的指标,以对指定基站104的估计特性312提出问题。如图2E所示,每个地理部分214具有与地理部分214内的最大海拔高度相对应的图信息212c。例如,基于地形图像,地理部分21452具有2,000英尺的最大海拔高度。
在其他配置中,地图生成器200为建模器300提供另一个图210,即定时提前图210d,其图信息212包括测量的定时提前212d。所测量的定时提前212d对应于UE设备102离基站104有多远的估计。通常,定时提前是由UE设备102执行的测量,使得例如当UE设备102产生无线信号测量132(例如,RSSI,RSRP或RSRQ)中,UE设备102还测量定时提前(即,产生测量的定时提前212d)。
在其他示例中,地图生成器200向建模器300提供位置不确定性图210e。例如,位置不确定性图210e对应于由UE设备102在给定位置(例如,位置X)处生成的无线电信号测量132(例如,信号强度测量,诸如RSSI,RSRP,RSRQ)。其中,无线电信号测量132还指示某个距离Y的位置不确定性212e。位置不确定性图210e可以是位置不确定性212e的图210或与位置不确定性212e有关的统计量的图210。例如,位置不确定性图210e被分成地理部分214(例如,像素或小区),其中每个地理部分214代表来自地理部分214内的无线电信号测量132的位置不确定性212e的平均值。尽管详细讨论了覆盖图2101a、观测图210b和地形图210c,仍然可以将任何图210提供给建模器300,以便为模型300编译更多数据,从而有效地为基站104提供估计特性312。
图3A-3C是建模器300的示例。建模器300被配置为接收图210和/或辅助信息160。利用图210和/或辅助信息160,建模器300使用至少一个模型310来确定估计特征312和/或估计特征312的置信度指示符314。馈入建模器300的辅助信息160可以包括基站104的操作频率,基站104的天线高度,天线波束宽度,天线倾斜角,基站104的预定(即预期)位置104Lexp,或与基站104相关的任何其他参数中的至少一项。建模器300除了接收图210(一个或多个)外,还接收辅助信息160,在这样的配置中,建模器300不接收与估计特征312有关的信息作为辅助信息160。与估计特征312有关的信息可以稍后与估计特征312进行比较,以识别与网络100的异常或差异。换句话说,建模器300可以被配置为使得估计特征312(即,建模器300的输出)永远不会是输入(例如,辅助信息160或图信息212)。
图3B是建模器300不接收辅助信息160的示例。这里,建模器300的输入是指示无线电信号特征212a的覆盖图210a和基于与观测130有关的指标212b的观测图210b。在一些示例中,建模器300接收一个以上的观测图210b作为输入(例如,与观测130的数量N有关的,具有二进制指标212b的第一观测图210b1和具有指标212b的第二观测图210b2)。使用至少一个模型310(例如,神经网络310),建模器300输出估计特性312(例如,基站104的估计位置312a)。如图3B和3C所示,可以将基站104的估计位置312a图和/或与标识基站104的期望位置104Lexp的图210进行比较。图3B和图3C以带有包含“X”的圆的估计位置312a和以靶心形状指示基站104的期望位置104Lexp。在图3B中,基站104的期望位置104Lexp和估计位置312a接近,并且没有显着差异。另一方面,图3C指示基站104的估计位置312a明显偏离基站104的预期位置104Lexp。在识别出差异或异常的情况下,实体(例如,网络管理员,运营商或网络提供商)可期待置信度指示符314以进一步理解所识别的差异或异常。在一些实施例中,实体识别预测误差与不确定性的比率(即,置信度指示符314),其中预测误差对应于估计特征312与预期特性之间的表观偏差。例如,基站104的预期位置104Lexp和估计位置312a(例如,图3C)之间的较大预测误差看起来由置信度指示符314的较大不确定性来证明。然而,在基站104的预期位置104Lexp和估计位置312a之间的较大预测误差对于较大置信度指示符314来说是麻烦的。
图4是通信网络400的另一个示例。在该示例中,地图生成器200可以从网络网关设备120的数据处理硬件122或从拓扑数据存储库410(例如,中央服务器)接收观测130。拓扑数据存储库410可以连续地扫描通信网络400以从UE设备102接收测量数据。测量结果可以被解释为观测130,地图生成器200可以用于生成模型310的图210,从而确定基站104的估计特性312。通过对拓扑数据存储库410的连续扫描,通信网络400可以寻求使用地图生成器200和建模器300的组合来解决UE设备102在通信网络400中遇到的问题,以检测具有基站参数的问题。在一些示例中,估计特征存储器420存储由建模器300确定的估计特征312。通过存储估计特征312,通信网络400可能能够将遇到的问题排队以便稍后修复和解决。在一些示例中,在基站104和/或UE设备102处解决这些识别出的问题。附加地或可替代地,估计特征存储器420可以为建模器300的模型310提供数据集,以经由机器学习模型进一步学习和/或神经网络模型。从这些数据集学习可以进一步确定建模器300的模型310的预测精度,以确定基站104的估计特征312。在一些配置中,估计特征存储器420和/或拓扑数据存储410可以创建大量数据集和/或图,以利用其中包含的数据来训练建模器300的模型310。例如,从UE设备102发送并由拓扑数据存储410收集的观测130可以通过围绕轴平移,旋转或反转一组数据的初始生成图210,以从同一组数据中一个以上的学习图210。通过在拓扑数据存储库410收集地潜在的大量观测130,以及为具有一个数据集的模型310生成多个学习图210的能力,拓扑数据存储410可以充当强大的工具,为建模器300训练模型310。
图5示出了用于基于UE设备102和基站104的覆盖区域104Area内的观测130来检测无线电覆盖问题的方法500。尽管相对于无线电基站描述了该方法,但是该方法也可以应用于电视台、WiFi接入点和覆盖图以及其他通信设备。在框502中,方法500包括从至少一个UE102接收观测130。每个观测130包括来自基站104的无线电信号测量132和无线电信号S的对应位置134。在框504,方法500进一步包括通过数据处理硬件基于所接收的观测130生成基站104的覆盖图210a。覆盖图210a指示基站104附近的已发射信号S的无线电信号特征212a。在框506,所述方法500还包括基于所述覆盖图210a和所述观测130来生成观测图210b。在框508,所述方法500还包括通过数据处理硬件通过将覆盖图210a和观察图210b馈送到被配置成输出基站104的估计特性312的神经网络310,以确定基站104的估计特性312。
图6是可用于实现本文档中描述的系统和方法的示例计算设备600的示意图。计算设备600旨在代表各种形式的数字计算机,例如膝上型计算机,台式计算机,工作站,个人数字助理,服务器,刀片服务器,大型机和其他适合的计算机。此处所示的组件,它们的连接和关系以及它们的功能仅是示例性的,并不意味着限制本文档中描述和/或要求保护的发明的实现。
计算设备600包括处理器610,存储器620,存储设备630,连接到存储器620和高速扩展端口650的高速接口/控制器640,以及连接到低速总线670和存储设备630的低速接口/控制器660。组件610,620,630,640,650和660中的任意一个使用各种总线互连,并且可以适当地安装在公共母板上或以其它方式安装。处理器610可以处理用于在计算设备600内执行的指令,包括存储在存储器620中或存储在存储设备630上的指令,以在诸如显示器之类的外部输入/输出设备上显示用于图形用户界面(GUI)的图形信息。在其他实现中,可以适当地使用多个处理器和/或多个总线,以及多个存储器和存储器类型。而且,可以连接多个计算设备600,其中,每个设备提供必要的操作的部分(例如,作为服务器库,一组刀片服务器或多处理器系统)。
存储器620在计算设备600内非暂时性地存储信息。存储器620可以是计算机可读介质,易失性存储单元或非易失性存储单元。非暂时性存储器620可以是用于临时地或永久地存储程序(例如,指令序列)或数据(例如,程序状态信息)以供计算设备600使用的物理设备。非易失性存储器的示例包括但不限于闪存和只读存储器(ROM)/可编程只读存储器(PROM)/可擦除可编程只读存储器(EPROM)/电子可擦除可编程只读存储器(EEPROM)(例如,通常用于固件,例如引导程序)。易失性存储器的示例包括但不限于随机存取存储器(RAM),动态随机存取存储器(DRAM),静态随机存取存储器(SRAM),相变存储器(PCM)以及磁盘或磁带。
存储设备630能够为计算设备600提供大容量存储。在一些实施例中,存储设备630是计算机可读介质。在各种不同的实施例中,存储设备630可以是软盘设备,硬盘设备,光盘设备或磁带设备,闪存或其他类似的固态存储设备,或上述设备的设备阵列,包括存储区域网络中的设备或其它配置。在另外的实施例中,计算机程序产品有形地体现在信息载体中。该计算机程序产品包含在执行时执行一种或多种方法的指令,例如本文中所述的方法。信息载体是计算机或机器可读介质,例如存储器620,存储设备630或处理器610上的存储器。
高速控制器640管理计算设备600的带宽密集型操作,而低速控制器660管理较低带宽密集型操作。这种职责分配仅是示例性的。在一些实施例中,高速控制器640(例如,通过图形处理器或加速器)耦合到存储器620,显示器680和高速扩展端口660,高速扩展端口660可以接受各种扩展卡(未示出)。在一些实施例中,低速控制器660耦合到存储设备630和低速扩展端口690。低速扩展端口690可以包括各种通信端口(例如,USB,蓝牙,以太网,无线以太网)可以例如通过网络适配器耦合到一个或多个输入/输出设备,例如键盘,定点设备,扫描仪或网络设备,例如交换机或路由器。
计算设备600可以以多种不同的形式实现,如图所示。例如,它可以被实现为标准服务器600a,或者作为膝上型计算机600b或者作为机架服务器系统600c的一部分在一组所述的服务器600a中多次实现。
本文描述的系统和技术的各种实施例可以在数字电子和/或光学电路,集成电路,专门设计的ASIC(专用集成电路),计算机硬件,固件,软件和/或其组合中实现。这些各种实现可以包括在可编程系统上可执行和/或可解释的一个或多个计算机程序中的实现,所述可编程系统包括至少一个可编程处理器,所述可编程处理器可以是专用的或通用的,其被耦合以从存储系统,至少一个输入设备和至少一个输出设备接收数据和指令,以及向存储系统,至少一个输入设备和至少一个输出设备发送数据和指令。
这些计算机程序(也称为程序,软件,软件应用程序或代码)包括用于可编程处理器的机器指令,并且可以以高级过程和/或面向对象的编程语言和/或以汇编/机器语言来实现。如本文所使用的,术语"机器可读介质"和"计算机可读介质"是指用于向可编程处理器提供机器指令和/或数据的任何计算机程序产品,非暂时性计算机可读介质,设备和/或设备(例如,磁盘,光盘,存储器,可编程逻辑设备(PLD)),包括接收机器指令作为机器可读信号的机器可读介质。术语"机器可读信号"是指用于向可编程处理器提供机器指令和/或数据的任何信号。
本说明书中描述的过程和逻辑流程可以由一个或多个可编程处理器(也称为数据处理硬件)执行,该处理器执行一个或多个计算机程序以通过对输入数据进行操作并生成输出来执行功能。处理和逻辑流程也可以由专用逻辑电路执行,例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。例如,适合于执行计算机程序的处理器包括通用和专用微处理器,以及任何种类的数字计算机的任何一个或多个处理器。通常,处理器将从只读存储器或随机存取存储器或两者接收指令和数据。计算机的基本元件是用于执行指令的处理器和用于存储指令和数据的一个或多个存储设备。通常,计算机还将包括或可操作地耦合以从一个或多个用于存储数据的大容量存储设备(例如,磁性,磁光盘或光盘)接收数据或将数据传输到一个或多个大容量存储设备或将数据传输到这两个或多个存储设备。但是,计算机并非必须具有此类设备。适用于存储计算机程序指令和数据的计算机可读介质包括所有形式的非易失性存储器,介质和存储设备,包括例如半导体存储设备,例如EPROM,EEPROM和闪存设备;磁盘,例如内部硬盘或可移动磁盘;磁光盘;以及CD ROM和DVD-ROM磁盘。处理器和存储器可以由专用逻辑电路补充或并入专用逻辑电路中。
为了提供与用户的交互,本公开的一个或多个方面可以在具有显示设备(例如,CRT(阴极射线管),LCD(液晶显示器)监视器或触摸屏)的计算机上实现。可选的,还包括用于向用户以及可选地向用户显示信息的键盘和指示设备(例如鼠标或轨迹球)显示信息。也可以使用其他类型的设备来提供与用户的交互。例如,提供给用户的反馈可以是任何形式的感觉反馈,例如视觉反馈,听觉反馈或触觉反馈;并且可以以任何形式接收来自用户的输入,包括声音,语音或触觉输入。另外,计算机可以通过向用户使用的设备发送文档和从用户使用的设备接收文档来与用户进行交互。例如,通过响应从Web浏览器收到的请求,将网页发送到用户客户端设备上的Web浏览器。
已经描述了许多实施例。然而,应当理解的是,可以在不脱离本公开的精神和范围的情况下进行各种修改。因此,其他实施例在所附权利要求的范围内。
Claims (30)
1.一种方法(500),其特征在于,包括:
在数据处理硬件(122)处从至少一个用户设备(102)接收观测(130),每个所述观测(130)包括从基站(104)发射的信号(S)的信号测量(132)和所述信号测量(132)的对应位置(134);
所述数据处理硬件(122)基于接收到的所述观测(130)来生成所述基站(104)的覆盖图(210a),所述覆盖图(210a)指示关于所述基站(104)的发射的所述信号(S)的信号特性(212a);和
所述数据处理硬件(122)通过将所述覆盖图(210a)馈送到被配置为输出所述基站(104)的估计特性(312)的神经网络(310)中,来确定所述基站(104)的所述估计特性(312)。
2.根据权利要求1所述的方法(500),其特征在于,生成所述基站(104)的所述覆盖图(210a)包括:
将关于所述基站(104)的覆盖区域(104Area)划分为像素(214),每个所述像素(214)对应于所述覆盖区域(104Area)的地理部分;
对于每个所述观测(130):
识别具有所述覆盖区域(104Area)的对应的所述地理部分的所述像素(214),所述覆盖区域(104Area)包含相应所述观测(130)的所述信号测量(132)的所述位置(134);和
将所述观测(130)与所识别的所述像素(214)相关联;和
对于每个所述像素(214),对与相应所述像素(214)相关联的任何所述观测(130)的所述信号测量(132)进行平均。
3.根据权利要求2所述的方法(500),其特征在于,所述覆盖图(210a)包括具有小区的网格,并且每个所述像素(214)对应于所述小区之一。
4.根据权利要求2所述的方法(500),其特征在于,还包括:
所述数据处理硬件(122)基于所述覆盖图(210a)和所述观测(130)来生成观测图(210b);和
所述数据处理硬件(122)通过将所述覆盖图(210a)和所述观测图(210b)馈送到被配置为输出所述基站(104)的所述估计特性(312)的所述神经网络(310)中,来确定所述基站(104)的所述估计特性(312)。
5.根据权利要求4所述的方法(500),其特征在于,生成所述观测图(210b)包括:对于所述覆盖图(210a)的每个所述像素(214),生成指标(212b),所述指标(212b)单调地表达与相应所述像素(214)相关联的任何所述观测(130)的数量。
6.根据权利要求5所述的方法(500),其特征在于,所述指标(212b)包括以下至少一项:
与相应所述像素(214)相关联的任何所述观测(130)的数量;
与相应所述像素(214)相关联的任何所述观测(130)的所述数量的对数;或
与相应所述像素(214)相关联的任何所述观测(130)的所述数量的单调函数。
7.根据权利要求5所述的方法(500),其特征在于,生成所述指标(212b)包括:
确定与相应所述像素(214)相关联的任何所述观测(130)的数量;
当所述数量大于零时,将相应所述像素(214)的值赋值为1;和
当所述数量等于零时,将相应所述像素(214)的值赋值为0。
8.根据权利要求2-7中的任一项所述的方法(500),其特征在于,还包括:
生成关于所述基站(104)的地理区域的地形图(210c);和
将所述地形图(210c)馈送到所述神经网络(310)中。
9.根据权利要求8所述的方法(500),其特征在于,所述地形图(210c)描述以下至少一项:
所述地理区域的地形高度;或者
在所述地理区域的地面上方延伸的对象的外形和/或高度。
10.根据权利要求1至9中任一项所述的方法(500),其特征在于,还包括:将辅助信息(160)馈送到所述神经网络(310)中,所述辅助信息(160)包括所述基站(104)的操作频率,所述基站(104)的天线的高度,天线波束宽度,天线倾斜角或所述基站(104)的预定位置中的至少一个。
11.根据权利要求1至10中的任一项所述的方法(500),其特征在于,所述基站(104)的所述估计特性(312)包括所述基站(104)的估计位置,所述基站(104)的估计指向方向,或所述基站(104)的天线方位角。
12.根据权利要求1-11中的任一项所述的方法(500),其特征在于,所述神经网络(310)被配置为输出所述基站(104)的所述估计特征(312)的置信度指示符(314)。
13.根据权利要求1至12中的任一项所述的方法(500),其特征在于,所述信号测量(132)包括位置不确定性测量(212e)。
14.根据权利要求13所述的方法(500),其特征在于,还包括:
所述数据处理硬件(122)基于所述位置不确定性测量(212e)来生成位置不确定性图(210e);和
所述数据处理硬件(122)通过将所述覆盖图(210a)和所述位置不确定性图(210e)馈送到被配置为输出所述基站(104)的所述估计特性(312)的所述神经网络(310)中,来确定所述基站(104)的所述估计特性(312)。
15.根据权利要求14所述的方法(500),其特征在于,生成所述基站(104)的所述位置不确定性图(210e)包括:
将关于所述基站(104)的所述覆盖区域(104Area)划分为所述像素(214),每个所述像素(214)对应于所述覆盖区域(104Area)的所述地理部分;
对于每个所述观测(130):
识别具有所述覆盖区域(104Area)的对应的所述地理部分的所述像素(214),所述覆盖区域(104Area)包含相应所述观测(130)的所述位置不确定性测量(212e)的所述位置(134);和
将所述观测(130)与所识别的所述像素(214)相关联;和
对于每个所述像素(214),对与相应的所述像素(214)相关联的任何所述观测(130)的所述位置不确定性测量(212e)进行平均。
16.一种系统(600),其特征在于,包括:
数据处理硬件(122);和
与所述数据处理硬件(122)通信的存储器硬件(124),所述存储器硬件(124)存储指令,所述指令在所述数据处理硬件(122)上执行时使所述数据处理硬件(122)执行以下操作:
从至少一个用户设备(102)接收观测(130),每个所述观测(130)包括从基站(104)发射的信号(S)的信号测量(132)及所述信号测量(132)的对应的位置(134);
基于接收到的所述观测(130)来生成所述基站(104)的覆盖图(210a),所述覆盖图(210a)指示关于所述基站(104)的发射的所述信号(S)的信号特性(212a);和
通过将所述覆盖图(210a)馈送到被配置为输出所述基站(104)的估计特性(312)的所述神经网络(310)中,来确定所述基站(104)的所述估计特性(312)。
17.根据权利要求16所述的系统(600),其特征在于,生成所述基站(104)的所述覆盖图(210a)的操作还包括:
将关于所述基站(104)的所述覆盖区域(104Area)划分为像素(214),每个所述像素(214)对应于所述覆盖区域(104Area)的地理部分;
对于每个所述观测(130):
识别具有所述覆盖区域(104Area)的对应的所述地理部分的所述像素(214),所述覆盖区域(104Area)包含相应所述观测(130)的所述信号测量(132)的所述位置(134);和
将所述观测(130)与所识别的所述像素(214)相关联;和
对于每个所述像素(214),对与相应所述像素(214)相关联的任何所述观测(130)的信号测量值进行平均。
18.根据权利要求17所述的系统(600),其特征在于,所述覆盖图(210a)包括具有小区的网格,并且每个所述像素(214)对应于所述小区之一。
19.根据权利要求17所述的系统(600),其特征在于,所述操作还包括:
基于所述覆盖图(210a)和所述观测(130)来生成观测图(210b);和
通过将所述覆盖图(210a)和所述观测图(210b)馈送到被配置为输出所述基站(104)的所述估计特征(312)的所述神经网络(310)中,来确定所述基站(104)的所述估计特征(312)。
20.根据权利要求17所述的系统(600),其特征在于,生成所述观测图(210b)的操作还包括:对于所述覆盖图(210a)的每个所述像素(214),生成指标(212b),所述指标(212b)单调地表示与相应的所述像素(214)相关联的任何所述观测(130)的数量。
21.根据权利要求20所述的系统(600),其特征在于,所述指标(212b)包括以下至少一项:
与相应所述像素(214)相关联的任何所述观测(130)的数量;
与相应所述像素(214)相关联的任何所述观测(130)的所述数量的对数;或者
与相应所述像素(214)相关联的任何所述观测(130)的所述数量的单调函数。
22.根据权利要求20所述的系统(600),其特征在于,生成所述指标(212b)还包括:
确定与相应所述像素(214)相关联的任何所述观测(130)的数量;
当所述数量大于零时,将相应所述像素(214)的值赋值为1;和
当所述数量等于零时,将相应所述像素(214)的值赋值为0。
23.根据权利要求17至22中任一项所述的系统(600),其特征在于,所述操作还包括:
生成关于所述基站(104)的地理区域的地形图(210c);和
将所述地形图(210c)馈送到所述神经网络(310)中。
24.根据权利要求23所述的系统(600),其特征在于,所述地形图(210c)描述以下至少一项:
所述地理区域的地形高度;或者
在所述地理区域的地面上方延伸的对象的外形和/或高度。
25.根据权利要求16至24中任一项所述的系统(600),其特征在于,所述操作还包括将辅助信息(160)馈送到所述神经网络(310)中,所述辅助信息(160)包括以下中的至少一个:所述基站(104)的操作频率,所述基站(104)的天线的高度,天线波束宽度,天线倾斜角或所述基站(104)的预定位置。
26.根据权利要求16至25中任一项所述的系统(600),其特征在于,所述基站(104)的所述估计特征(312)包括所述基站(104)的估计位置,所述基站(104)的估计指向方向,或所述基站(104)的天线方位角。
27.根据权利要求16至26中任一项所述的系统(600),其特征在于,所述神经网络(310)被配置为输出所述基站(104)的所估计的特征(312)的置信度指示符(314)。
28.根据权利要求16至27中的任一项所述的系统(600),其特征在于,所述信号测量(132)包括位置不确定性测量(212e)。
29.根据权利要求28所述的系统(600),其特征在于,所述操作还包括:
基于所述位置不确定性测量(212e)来生成位置不确定性图(210e);和
通过将所述覆盖图(210a)和位所述置不确定性图(210e)馈送到被配置为输出所述基站(104)的所述估计特性(312)的所述神经网络(310)中,来确定所述基站(104)的所述估计特性(312)。
30.根据权利要求29所述的系统(600),其特征在于,生成用于所述基站(104)的所述位置不确定性图(210e)包括:
将关于所述基站(104)的所述覆盖区域(104Area)划分为所述像素(214),每个所述像素(214)对应于所述覆盖区域(104Area)的所述地理部分;
对于每个所述观测(130):
识别具有所述覆盖区域(104Area)的对应的所述地理部分的所述像素(214),所述覆盖区域(104Area)包含相应所述观测(130)的所述位置不确定性测量(212e)的所述位置(134);和
将所述观测(130)与所识别的所述像素(214)相关联;和
对于每个所述像素(214),对与相应所述像素(214)相关联的任何观测的所述位置不确定性测量(212e)进行平均。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US15/903,756 US10952081B2 (en) | 2018-02-23 | 2018-02-23 | Detecting radio coverage problems |
US15/903,756 | 2018-02-23 | ||
PCT/US2019/014238 WO2019164608A1 (en) | 2018-02-23 | 2019-01-18 | Detecting radio coverage problems |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111742568A true CN111742568A (zh) | 2020-10-02 |
CN111742568B CN111742568B (zh) | 2024-05-31 |
Family
ID=65409491
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980014731.2A Active CN111742568B (zh) | 2018-02-23 | 2019-01-18 | 检测无线电覆盖问题 |
Country Status (4)
Country | Link |
---|---|
US (3) | US10952081B2 (zh) |
EP (2) | EP3756374B1 (zh) |
CN (1) | CN111742568B (zh) |
WO (1) | WO2019164608A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11784693B1 (en) | 2022-08-18 | 2023-10-10 | Corning Research & Development Corporation | Coverage cluster-based beamforming in a wireless node in a wireless communications system (WCS) |
Families Citing this family (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10952081B2 (en) * | 2018-02-23 | 2021-03-16 | Google Llc | Detecting radio coverage problems |
US11509551B2 (en) * | 2018-09-04 | 2022-11-22 | Netscout Systems Texas, Llc | Monitoring spectral efficiency |
KR102554570B1 (ko) * | 2018-09-21 | 2023-07-12 | 삼성전자 주식회사 | 무선 통신 시스템에서 기지국의 방위각 결정 방법 및 장치 |
US20210345138A1 (en) * | 2018-10-11 | 2021-11-04 | Telefonaktiebolaget Lm Ericsson (Publ) | Enabling Prediction of Future Operational Condition for Sites |
DE102018218864A1 (de) * | 2018-11-06 | 2020-05-07 | Robert Bosch Gmbh | Teilnehmerstation für ein mobiles Kommunikationssystem und Betriebsverfahren hierfür |
US11096176B2 (en) * | 2019-05-24 | 2021-08-17 | Huawei Technologies Co., Ltd. | Location-based beam prediction using machine learning |
US12001943B2 (en) | 2019-08-14 | 2024-06-04 | Google Llc | Communicating a neural network formation configuration |
JP7341315B2 (ja) | 2019-08-14 | 2023-09-08 | グーグル エルエルシー | ディープニューラルネットワークに関する基地局とユーザ機器とのメッセージング |
CN112997435B (zh) | 2019-09-04 | 2024-04-09 | 谷歌有限责任公司 | 用于无线通信的神经网络形成配置反馈 |
EP3841768B1 (en) | 2019-10-31 | 2022-03-02 | Google LLC | Determining a machine-learning architecture for network slicing |
US11886991B2 (en) | 2019-11-27 | 2024-01-30 | Google Llc | Machine-learning architectures for broadcast and multicast communications |
US11689940B2 (en) | 2019-12-13 | 2023-06-27 | Google Llc | Machine-learning architectures for simultaneous connection to multiple carriers |
US10959109B1 (en) * | 2020-02-27 | 2021-03-23 | At&T Intellectual Property I, L.P. | Creating and using network coverage models |
US11663472B2 (en) | 2020-06-29 | 2023-05-30 | Google Llc | Deep neural network processing for a user equipment-coordination set |
EP4205311A1 (en) * | 2020-08-28 | 2023-07-05 | Telefonaktiebolaget LM Ericsson (publ) | Technique for predicting radio quality |
GB2612316A (en) * | 2021-10-27 | 2023-05-03 | Daimler Ag | A method for operating a radio device of a motor vehicle as well as a radio device |
US20230199099A1 (en) * | 2021-12-16 | 2023-06-22 | T-Mobile Usa, Inc. | Image-based detection of modem crashes in mobile telephonic devices |
US11956731B2 (en) * | 2021-12-28 | 2024-04-09 | Rakuten Symphony Singapore Pte. Ltd. | Electronic tilt coverage |
CN114584992B (zh) * | 2022-03-17 | 2024-04-05 | 中国科学院计算技术研究所 | 一种测控站备选站址获取方法、测控站布设规划方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102461292A (zh) * | 2009-06-12 | 2012-05-16 | 摩托罗拉移动公司 | 提高otdoa测量性能的干扰控制、sinr优化和信令增强 |
US20120262335A1 (en) * | 2011-04-15 | 2012-10-18 | Qualcomm Incorporated | Network coverage and demand maps |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7127257B2 (en) * | 2001-12-27 | 2006-10-24 | Qualcomm Incorporated | Use of mobile stations for determination of base station location parameters in a wireless mobile communication system |
GB2406472B (en) * | 2003-09-26 | 2007-08-01 | Univ Surrey | Mobile network coverage |
US8150344B1 (en) * | 2008-02-19 | 2012-04-03 | Sprint Spectrum L.P. | Method and system of planning a wireless telecommunication network |
US8417239B1 (en) * | 2011-12-07 | 2013-04-09 | International Business Machines Corporation | Wireless device coverage mapping |
US9026118B2 (en) * | 2012-08-17 | 2015-05-05 | Maxlinear, Inc. | Multi-standard coverage map generation |
US9510318B2 (en) * | 2013-06-27 | 2016-11-29 | Google Technology Holdings LLC | Method and apparatus for ascertaining a location of a personal portable wireless communication device |
US9608716B1 (en) * | 2016-04-06 | 2017-03-28 | Space Systems/Loral, Llc | Satellite transmit antenna ground-based pointing |
US11165522B2 (en) * | 2017-10-12 | 2021-11-02 | Intel Corporation | Radio link quality prediction |
US10952081B2 (en) * | 2018-02-23 | 2021-03-16 | Google Llc | Detecting radio coverage problems |
-
2018
- 2018-02-23 US US15/903,756 patent/US10952081B2/en active Active
-
2019
- 2019-01-18 EP EP19704917.4A patent/EP3756374B1/en active Active
- 2019-01-18 CN CN201980014731.2A patent/CN111742568B/zh active Active
- 2019-01-18 EP EP22162456.2A patent/EP4037362A1/en active Pending
- 2019-01-18 WO PCT/US2019/014238 patent/WO2019164608A1/en unknown
-
2020
- 2020-09-23 US US17/029,770 patent/US11388610B2/en active Active
-
2022
- 2022-07-11 US US17/811,597 patent/US11700536B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102461292A (zh) * | 2009-06-12 | 2012-05-16 | 摩托罗拉移动公司 | 提高otdoa测量性能的干扰控制、sinr优化和信令增强 |
US20120262335A1 (en) * | 2011-04-15 | 2012-10-18 | Qualcomm Incorporated | Network coverage and demand maps |
Non-Patent Citations (1)
Title |
---|
C.J. DEBONO; J.K. BUHAGIAR: "Cellular network coverage optimization through the application of self-organizing neural networks", VTC-2005-FALL. 2005 IEEE 62ND VEHICULAR TECHNOLOGY CONFERENCE, 2005., pages 2161 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11784693B1 (en) | 2022-08-18 | 2023-10-10 | Corning Research & Development Corporation | Coverage cluster-based beamforming in a wireless node in a wireless communications system (WCS) |
Also Published As
Publication number | Publication date |
---|---|
EP4037362A1 (en) | 2022-08-03 |
CN111742568B (zh) | 2024-05-31 |
EP3756374A1 (en) | 2020-12-30 |
WO2019164608A1 (en) | 2019-08-29 |
US11388610B2 (en) | 2022-07-12 |
US20190268779A1 (en) | 2019-08-29 |
EP3756374B1 (en) | 2022-04-27 |
US20210006985A1 (en) | 2021-01-07 |
US20220345900A1 (en) | 2022-10-27 |
US10952081B2 (en) | 2021-03-16 |
US11700536B2 (en) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111742568B (zh) | 检测无线电覆盖问题 | |
US10542330B2 (en) | Automatic adaptive network planning | |
US11191057B2 (en) | Geolocating a user equipment | |
US9942775B2 (en) | Signal localization and mapping | |
US10431103B2 (en) | Three-dimensional network coverage modeling for UAVs | |
US20200127907A1 (en) | Detecting interference of a beam | |
EP3272144B1 (en) | Connection technology-based wireless coverage verification | |
US20190281473A1 (en) | Haptic augmented reality assisted self-service for wireless networks | |
BR112021008124A2 (pt) | método de posicionamento e dispositivo | |
EP3849229B1 (en) | Communication control system | |
US11082862B1 (en) | Cell site placement system | |
WO2018112825A1 (zh) | 基于wi-fi接入点的定位方法、设备 | |
WO2019217723A1 (en) | Detecting interference of a beam | |
JP2024063210A (ja) | 通信制御装置、通信装置、及び通信制御方法 | |
JPWO2020137922A1 (ja) | 情報処理装置、情報処理方法、及び情報処理端末装置 | |
US11882489B2 (en) | System and method for generating and using a differentiated neighbor list | |
Sánchez et al. | A Trace Data‐Based Approach for an Accurate Estimation of Precise Utilization Maps in LTE | |
CN106796277B (zh) | 移动通信网络中的位置调整 | |
CN108064082A (zh) | 一种终端的定位方法及装置 | |
US20220353703A1 (en) | Apparatus, methods, and computer programs | |
WO2023131818A1 (en) | Combined high-altitude and terrestrial overshoot detection | |
WO2023051940A1 (en) | Methods and apparatus for quality of service analysis | |
WO2023001397A1 (en) | Methods and apparatus for determining a uav route | |
FR3081664A1 (fr) | Une methode de creation des informations lsrai (lsa spectrum resource availability information) |
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 |