CN112004233B - 一种基于大数据挖掘的网络规划方法 - Google Patents

一种基于大数据挖掘的网络规划方法 Download PDF

Info

Publication number
CN112004233B
CN112004233B CN202010892797.6A CN202010892797A CN112004233B CN 112004233 B CN112004233 B CN 112004233B CN 202010892797 A CN202010892797 A CN 202010892797A CN 112004233 B CN112004233 B CN 112004233B
Authority
CN
China
Prior art keywords
data
grid
base station
weak coverage
particle
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
CN202010892797.6A
Other languages
English (en)
Other versions
CN112004233A (zh
Inventor
朱晓荣
邓扬鑫
赵夙
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202010892797.6A priority Critical patent/CN112004233B/zh
Publication of CN112004233A publication Critical patent/CN112004233A/zh
Application granted granted Critical
Publication of CN112004233B publication Critical patent/CN112004233B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • 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
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Fuzzy Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Remote Sensing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公开了一种基于大数据挖掘的网络规划方法，该方法首先通过数据挖掘技术来将实际大数据转换成有用的信息，对采集到的蜂窝网络的数据进行深入分析，发现并提取隐藏在其中的信息与规律，获取的信息将作为基站部署的基础；然后，基于粒子群算法，满足弱覆盖的要求以及基站数量最少的条件，利用python软件进行仿真，建立蜂窝网络网络中的网络规划模型，得到基站位置和数量；能使网络性能得到优化并且大大减少运营商的成本。

Description

一种基于大数据挖掘的网络规划方法
技术领域
本发明涉及通信网络技术领域，主要涉及一种基于大数据挖掘的网络规划方法。
背景技术
在这个知识爆炸的时代，科技的发展是大势所趋，4G网络从热点覆盖、广域覆盖到现阶段的深度覆盖，覆盖能力虽然逐年提升，但核心区域局部弱覆盖、无覆盖、重叠覆盖的问题仍然存在，不仅影响了客户感知，也拉低了KPI指标。5G以大带宽、低时延、广连接的优势成为市场的新宠。面对随着蜂窝网络中用户和移动互联网业务的快速增长产生了大量的数据如何充分利用挖掘分析这些数据与如何对基站进行规划以保证蜂窝网络的通信质量并且为5G的部署预留充足的资源，是当前各大运营商研究的一个热点。
目前大部分做法是基于个人建立网络模型，对虚拟的网络模型进行网络规划分析，这样的模型理论性强但是并不能真实反映实际数据，因而所提出来的网络规划模型在实际中不一定有很好的效果。
本发明提出在蜂窝网络中对于采集到的真实的大数据进行数据挖掘分析与基于粒子群算法的网络规划算法。以优化弱覆盖区域为目标，同时采用数据挖掘工具对大数据进行分析，对蜂窝网络弱覆盖区域进行数据挖掘和数据分析，深度挖掘隐藏在大数据中的弱覆盖信息，以弱覆盖率最小化构建模型。利用python软件进行仿真，建立蜂窝网络网络中的网络规划模型，得到基站位置和数量。这样做能使网络性能得到优化并且大大减少运营商的成本。
发明内容
发明目的：本发明提供了一种基于大数据挖掘的网络规划方法，对于采集到的真实的大数据进行数据挖掘分析与基于粒子群算法的网络规划算法。以优化弱覆盖区域为目标，同时采用数据挖掘工具对大数据进行分析，对蜂窝网络弱覆盖区域进行数据挖掘和数据分析，深度挖掘隐藏在大数据中的弱覆盖信息，以弱覆盖率最小化构建模型。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种基于大数据挖掘的网络规划方法，包括如下步骤：
步骤S1、从蜂窝无线网络中采集实际环境中的路测数据集，包括基站工参侧数据与采样点用户侧数据，对所述路测数据集进行基站-采样点空间与时间相关性分析；具体包括：
(1)空间相关性分析
根据路测数据集绘制空间基站分布与采样点分布、基站分布与弱覆盖点分布、以网格为单位各网格的弱覆盖率分布、各网格基站个数与弱覆盖点数的相关性表；
(2)时间相关性分析
根据路测数据绘制空间中单个基站覆盖范围的采样点在1天内随小时变化的弱覆盖率分布、单个基站覆盖范围的采样点在一周内随小时变化的弱覆盖率变化情况；
步骤S2、通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理；首先对原始数据进行预处理，进行初步清洗并通过随机森林模型对特征进行筛选；
步骤S3、将处理后的数据集放入回归模型和神经网络模型学习训练，对用户参考信号接收功率进行预测，并用均方根误差值对模型进行评估，建立用户参考信号接收功率预测模型；
步骤S4、采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量。
进一步地，所述步骤S2中通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理具体包括：
(1)删除所有包含缺值的数据；
(2)删除用户侧数据和工参侧数据中与预测无关的特征，所述特征包括： lte_info.collect_time时间、lte_info.ul_freq上行中心频率、lte_info.ul_bw上行带宽、lte_info.dl_bw下行带宽、频段指示、lte_info.duplexmod双工模式、 lte_info.subscriber_id用户id、lte_info.dl_freq下行频率、lte_info.datatype数据类型、lte_info.pci物理小区标识、lte_info.tac跟踪区、lte_info.dlbw下行带宽与lte_info.day日期；
(3)删除异常的数据点；所述异常数据点为用户的用户参考信号接收功率值不在所有用户用户参考信号接收功率值的平均值±2倍标准差的范围内；
(4)删除重复数据；
(5)删除包含特殊字符的数据。
进一步地，所述步骤S2中通过随机森林模型进行特征筛选的具体步骤包括：
步骤S2.1、将变量重要性评分用VIM表示，不纯度采用gini指数用GI表示，在m 个特征X1，X2，…，Xm中计算每个特征Xj的gini指数评分
Figure BDA0002657509080000031
即第j个特征在所有决策树中节点分裂不纯度的平均改变量；
步骤S2.2、Gini指数的计算公式为：
Figure BDA0002657509080000032
其中K代表特征类别总数，Pmk表示节点m中类别k所占的比例；
特征Xj在节点m的重要性，即节点m分支前后的gini指数变化量如下：
Figure BDA0002657509080000033
其中GIl为分枝前的节点gini指数，GIr为分枝后的节点gini指数；
步骤S2.3、当特征Xj在决策树i中出现的节点在集合M中，则Xj在第i棵决策树树中的重要性采用gini指数评分表示如下：
Figure BDA0002657509080000034
共有n棵决策树时，则
Figure BDA0002657509080000035
将上述gini指数评分作归一化处理可得：
Figure BDA0002657509080000036
进一步地，所述步骤S3中建立用户参考信号接收功率预测模型具体步骤如下：
步骤S3.1、采用步骤S2中经过清洗和筛选的路测数据集建立用户参考信号接收功率预测模型；在回归模型和神经网络模型中，采用邻近算法模型KNN作为规划模型；
步骤S3.2、选择n_neighbor作为KNN模型的待优化超参数；其中n_neighbor为选择距离最近的K个点来投票的数量；
步骤S3.3、采用自行搜索找到最优超参数，遍历超参数的所有的取值组合，通过交叉验证获得最优的超参数，最优超参数的衡量标准为不同参数时的KNN预测模型的准确性，在搜索超参数过程中选取数据集的80％来训练KNN预测模型，20％来测试KNN的准确性。
进一步地，所述步骤S4中采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量，具体目标函数如下：
Figure BDA0002657509080000041
Figure BDA0002657509080000042
其中，N表示采样区域的总栅格数；ypoor_grid代表总的弱覆盖栅格数，即在整体采样区域覆盖信号质量未达标准的区域；所述弱覆盖点为当前采样点用户参考信号接收功率值<-107dbm，以采样区域总的弱覆盖栅格数最小作为整个规划过程的目标函数。
进一步地，所述基于粒子群算法的网络规划方法具体步骤如下：
步骤S4.1、通过采集的基站工参侧数据初始化基站位置；
步骤S4.2、对采集的用户侧数据进行栅格划分；
步骤S4.3、根据用户侧的采样点与各基站的距离，采样点所属基站为距离最近的基站，更新采样点对应的基站；
步骤S4.4、将基站工参侧数据表与采样点用户侧数据表进行匹配；
步骤S4.5、采用基于KNN的用户参考信号接收功率预测模型对更新后的采样点数据进行训练预测；
步骤S4.6、计算各栅格的弱覆盖率并统计弱覆盖栅格的数量；
步骤S4.7、基于粒子群算法调整基站位置和更新速度，重复上述步骤S4.3-S4.6，直到迭代次数满足预先设定的最大迭代值；
步骤S4.8、改变基站数，重复步骤S4.1-S4.7。
进一步地，所述步骤S4.2中对用户侧数据进行栅格划分的具体方法如下：
以采样点的经纬度数字中小数点前一位数字与小数点后四位数字作为判断栅格的标准；当不同采样点的经纬度数字中小数点前一位数字与小数点后四位数字均相同时，这些点即划分在同一个栅格；栅格精确度为11.132m*11.113m；计算每个栅格的栅格弱覆盖率；所述栅格弱覆盖率计算方法如下：
Figure BDA0002657509080000043
栅格弱覆盖率>10％时，该栅格为弱覆盖栅格；统计采样区域的弱覆盖栅格得到总的弱覆盖栅格个数。
进一步地，所述步骤S4.7中基于粒子群算法调节基站位置和更新速度的具体步骤如下：
步骤S4.7.1、将Xi＝(xi1,xi2,...,xin)标记为微粒i当前位置，Vi＝(vi1,vi2,...,vin)为微粒i 的当前速度；进化过程中，记录微粒到当前为止的历史最优位置Pi＝(pi1,pi2,...,pim)和所有颗粒的全局最好位置Pg＝(pg1,pg2,...,pgn)，则粒子群算法进化方程如下：
vij(t+1)＝ωvij(t)+c1r1j(Pij(t)-xij(t))+c2r2j(Pgi(t)-xij(t))
xi(t+1)＝xi(t)+vi(t+1)
其中ω为惯性权重，在0.1-0.9之间取值；C1和C2为加速常数；r1∈U(0,1)；r2∈ U(0,1)；为两个相互独立的随机函数；
根据上式对微粒的速度、位置进化，直至满足最大迭代次数或满足精度要求；
步骤S4.7.2、设置部署基站数为N，基站位置由经度lon和纬度lat决定，即搜索空间维度为2N，初始化种群大小为M，x(k)表示粒子k在2N维空间上的位置。
x(k)＝(klon1,klon2,...,klonN,klat1,klat2,...,klatN),k＝1,2,...M
在搜索过程中将粒子经过的个体最优位置记为(pi1,pi2,...,piN)，整个群体中粒子经过的最优位置记为(pg1,pg2,...,pgN)，粒子的位置
Figure BDA0002657509080000051
以及速度
Figure BDA0002657509080000052
更新的公式如下：
Figure BDA0002657509080000053
Figure BDA0002657509080000054
在求解过程中，不断调节粒子的位置与更新速度，使目标函数总弱覆盖栅格数最小，对于基站数N，初始化基站数为目前实际情况中采样区域所部署的基站总数，不断减小N，直到找到最小的N能最好的解决弱覆盖栅格。
步骤S4.7.3、当前全局最优粒子位置的总弱覆盖栅格数表示为SUMg，粒子个体经历过的最优位置的总弱覆盖栅格数表示为SUMk，当前全局最优粒子位置记为Xg，粒子个体当前经历过的最优位置记为Xk，最终粒子的最优位置记为X。
有益效果：
本发明提出在蜂窝网络中对于采集到的真实的大数据进行数据挖掘分析与基于粒子群算法的网络规划算法，以优化弱覆盖区域为目标，同时采用数据挖掘工具对大数据进行分析，对蜂窝网络弱覆盖区域进行数据挖掘和数据分析，深度挖掘隐藏在大数据中的弱覆盖信息，以弱覆盖率最小化构建模型。利用python软件进行仿真，建立蜂窝网络网络中的网络规划模型，得到基站位置和数量。这样做能使网络性能得到优化并且大大减少运营商的成本。
附图说明
图1是本发明提供的蜂窝网络场景图；
图2是本发明提供的数据挖掘流程图；
图3是本发明提供的粒子群算法流程图；
图4是本发明提供的基于数据挖掘的网络规划方法图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
本发明以图1所示蜂窝网络场景为例，考虑此场景下的网络规划模型，首先对真实采集的海量数据进行数据挖掘分析，发现并提取隐藏在其中的信息与规律，获取的信息将作为基站部署的基础。基于图1所示场景图，本发明提出了一种基于数据挖掘的网络规划方法，如图4所示，所述方法包括以下步骤：
步骤S1、从蜂窝无线网络中采集实际环境中的路测数据集，包括基站工参侧数据与采样点用户侧数据，对所述路测数据集进行基站-采样点空间与时间相关性分析；具体包括：
(1)空间相关性分析
根据路测数据集绘制空间基站分布与采样点分布、基站分布与弱覆盖点分布、以网格为单位各网格的弱覆盖率分布、各网格基站个数与弱覆盖点数的相关性表；
(2)时间相关性分析
根据路测数据绘制空间中单个基站覆盖范围的采样点在1天内随小时变化的弱覆盖率分布、单个基站覆盖范围的采样点在一周内随小时变化的弱覆盖率变化情况。
步骤S2、通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理；首先对原始数据进行预处理，进行初步清洗并通过随机森林模型对特征进行筛选。
数据清洗及数据处理具体包括：
(1)删除所有包含缺值的数据；
(2)删除用户侧数据和工参侧数据中与预测无关的特征，所述特征包括： lte_info.collect_time时间、lte_info.ul_freq上行中心频率、lte_info.ul_bw上行带宽、lte_info.dl_bw下行带宽、频段指示、lte_info.duplexmod双工模式、 lte_info.subscriber_id用户id、lte_info.dl_freq下行频率、lte_info.datatype数据类型、lte_info.pci物理小区标识、lte_info.tac跟踪区、lte_info.dlbw下行带宽与lte_info.day日期；
(3)删除异常的数据点；所述异常数据点为用户的用户参考信号接收功率值不在所有用户用户参考信号接收功率值的平均值±2倍标准差的范围内；
(4)删除重复数据；
(5)删除包含特殊字符的数据。
通过随机森林模型进行特征筛选的具体步骤包括：
通过随机森林模型对特征进行筛选，对新的数据集通过随机森林模型对数据进行重要性排序与相关性分析。随机森林是以决策树为基学习器的集成学习算法，随机森林通过计算每个特征在随机森林中的每棵树上做了多大的贡献，然后取个平均值，按照不纯度(gini/entropy/information)给特征排序。具体地，
步骤S2.1、将变量重要性评分用VIM表示，不纯度采用gini指数用GI表示，在m 个特征X1，X2，…，Xm中计算每个特征Xj的gini指数评分
Figure BDA0002657509080000071
即第j个特征在所有决策树中节点分裂不纯度的平均改变量；
步骤S2.2、Gini指数的计算公式为：
Figure BDA0002657509080000072
其中K代表特征类别总数，Pmk表示节点m中类别k所占的比例；
特征Xj在节点m的重要性，即节点m分支前后的gini指数变化量如下：
Figure BDA0002657509080000073
其中GIl为分枝前的节点gini指数，GIr为分枝后的节点gini指数；
步骤S2.3、当特征Xj在决策树i中出现的节点在集合M中，则Xj在第i棵决策树树中的重要性采用gini指数评分表示如下：
Figure BDA0002657509080000081
共有n棵决策树时，则
Figure BDA0002657509080000082
将上述gini指数评分作归一化处理可得：
Figure BDA0002657509080000083
步骤S3、将处理后的数据集放入回归模型和神经网络模型学习训练，对用户参考信号接收功率(rsrp值)进行预测，在rsrp预测模型建立过程中，分别使用回归模型(LinearRegression)模型、决策树(DecisionTree)模型、XGBoost模型与KNNRegression 模型以及神经网络(lstm长短时记忆)模型对数据集进行学习训练，从而获得用户参考信号接收功率(rsrp值)预测模型。用均方根误差值(RMSE值)对预测模型进行评估，通过RMSE值选出最优模型，建立用户参考信号接收功率预测模型。
建立用户参考信号接收功率预测模型具体步骤如下：
步骤S3.1、采用步骤S2中经过清洗和筛选的路测数据集建立用户参考信号接收功率预测模型；在回归模型和神经网络模型中，采用邻近算法模型KNN作为规划模型；
步骤S3.2、选择n_neighbor作为KNN模型的待优化超参数；其中n_neighbor为选择距离最近的K个点来投票的数量；
步骤S3.3、采用自行搜索找到最优超参数，遍历超参数的所有的取值组合，通过交叉验证获得最优的超参数，最优超参数的衡量标准为不同参数时的KNN预测模型的准确性，在搜索超参数过程中选取数据集的80％来训练KNN预测模型，20％来测试KNN的准确性。
步骤S4、采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量。
所述步骤S4中采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量，具体目标函数如下：
Figure BDA0002657509080000091
Figure BDA0002657509080000092
其中，N表示采样区域的总栅格数；ypoor_grid代表总的弱覆盖栅格数，即在整体采样区域覆盖信号质量未达标准的区域；所述弱覆盖点为当前采样点用户参考信号接收功率值<-107dbm，以采样区域总的弱覆盖栅格数最小作为整个规划过程的目标函数。
上述基于粒子群算法的网络规划方法具体步骤如下：
步骤S4.1、通过采集的基站工参侧数据初始化基站位置；
步骤S4.2、对采集的用户侧数据进行栅格划分；
步骤S4.3、根据用户侧的采样点与各基站的距离，采样点所属基站为距离最近的基站，更新采样点对应的基站；
步骤S4.4、将基站工参侧数据表与采样点用户侧数据表进行匹配；
步骤S4.5、采用基于KNN的用户参考信号接收功率预测模型对更新后的采样点数据进行训练预测；
步骤S4.6、计算各栅格的弱覆盖率并统计弱覆盖栅格的数量；
步骤S4.7、基于粒子群算法调整基站位置和更新速度，重复上述步骤S4.3-S4.6，直到迭代次数满足预先设定的最大迭代值；
步骤S4.8、改变基站数，重复步骤S4.1-S4.7。
上述步骤S4.2中对用户侧数据进行栅格划分的具体方法如下：
以采样点的经纬度数字中小数点前一位数字与小数点后四位数字作为判断栅格的标准；当不同采样点的经纬度数字中小数点前一位数字与小数点后四位数字均相同时，这些点即划分在同一个栅格；栅格精确度为11.132m*11.113m；计算每个栅格的栅格弱覆盖率；所述栅格弱覆盖率计算方法如下：
Figure BDA0002657509080000093
栅格弱覆盖率>10％时，该栅格为弱覆盖栅格；统计采样区域的弱覆盖栅格得到总的弱覆盖栅格个数。
步骤S4.7中基于粒子群算法调节基站位置和更新速度的具体步骤如下：
步骤S4.7.1、将Xi＝(xi1,xi2,...,xin)标记为微粒i当前位置，Vi＝(vi1,vi2,...,vin)为微粒i 的当前速度；进化过程中，记录微粒到当前为止的历史最优位置Pi＝(pi1,pi2,...,pim)和所有颗粒的全局最好位置Pg＝(pg1,pg2,...,pgn)，则粒子群算法进化方程如下：
vij(t+1)＝ωvij(t)+c1r1j(Pij(t)-xij(t))+c2r2j(Pgi(t)-xij(t))
xi(t+1)＝xi(t)+vi(t+1)
其中ω为惯性权重，在0.1-0.9之间取值；C1和C2为加速常数；r1∈U(0,1)；r2∈ U(0,1)；为两个相互独立的随机函数；
根据上式对微粒的速度、位置进化，直至满足最大迭代次数或满足精度要求；
步骤S4.7.2、设置部署基站数为N，基站位置由经度lon和纬度lat决定，即搜索空间维度为2N，初始化种群大小为M，x(k)表示粒子k在2N维空间上的位置。
x(k)＝(klon1,klon2,...,klonN,klat1,klat2,...,klatN),k＝1,2,...M
在搜索过程中将粒子经过的个体最优位置记为(pi1,pi2,...,piN)，整个群体中粒子经过的最优位置记为(pg1,pg2,...,pgN)，粒子的位置
Figure BDA0002657509080000101
以及速度
Figure BDA0002657509080000102
更新的公式如下：
Figure BDA0002657509080000103
Figure BDA0002657509080000104
在求解过程中，不断调节粒子的位置与更新速度，使目标函数总弱覆盖栅格数最小，对于基站数N，初始化基站数为目前实际情况中采样区域所部署的基站总数，不断减小N，直到找到最小的N能最好的解决弱覆盖栅格；
步骤S4.7.3、当前全局最优粒子位置的总弱覆盖栅格数表示为SUMg，粒子个体经历过的最优位置的总弱覆盖栅格数表示为SUMk，当前全局最优粒子位置记为Xg，粒子个体当前经历过的最优位置记为Xk，最终粒子的最优位置记为X。
下面给出具体实施例，进一步证明本发明公开的基于大数据挖掘的网络规划方法有效性。实例数据的采集为通过多名快递员手持特定终端在每日工作路线中采集实际环境中的路测数据集，包括基站工参侧数据与采样点用户侧数据。如下表1所示为采集的路测数据全部属性，其中用户数据有300w条、工参侧数据21w条，用户数据属性32个，工参侧属性40个，通过用户侧数据的eci(全球小区唯一标识)属性与工参侧数据的 CGI(全球小区识别码)属性进行匹配即可得到所有用户所属基站。
表1蜂窝网用户侧数据属性
Figure BDA0002657509080000111
步骤S1、从蜂窝无线网络中采集实际环境中的路测数据集，包括基站工参侧数据与采样点用户侧数据，对所述路测数据集进行基站-采样点空间与时间相关性分析；具体包括：
(1)空间相关性分析
根据路测数据集绘制空间基站分布与采样点分布、基站分布与弱覆盖点分布、以网格为单位各网格的弱覆盖率分布、各网格基站个数与弱覆盖点数的相关性表。
城市中间地带基站分布密集，城市边缘地带基站少，弱覆盖分布情况良好，边缘地带有部分地区弱覆盖较严重，经过经纬度定位可知该区域为汽车客运站，整体上可看出弱覆盖分布在空间上不均匀，从中心到郊区弱覆盖分布逐渐降低。弱覆盖在空间分布不均匀，热点区域也即城中区域明显可见弱覆盖率远高于边缘区域。对各个区域的基站个数与弱覆盖点个数进行比较分析，基站个数的趋势走向与弱覆盖点个数的趋势走向基本是一致的，说明基站多并没有很好的解决弱覆盖点的个数，一方面的原因是该区域有遮挡物，建筑物布局紧密，导致终端对基站信号接收程度差；另一方面，由于基站部署密集，所在位置能同时收到附近其他基站传来的信号，导致终端在这几个基站之间来回切换使得信号质量变差。
(2)时间相关性分析
根据路测数据绘制空间中单个基站覆盖范围的采样点在1天内随小时变化的弱覆盖率分布、单个基站覆盖范围的采样点在一周内随小时变化的弱覆盖率变化情况。
7点、11-13点、17点这几个时间点是弱覆盖率高的时间点，人流量大导致基站所提供的服务不足以覆盖服务区域的所有终端用户，造成弱覆盖率高的情况出现，各个时间点的弱覆盖现象不同说明了基站下的时间相关性的不均匀。基站覆盖区域下每天的弱覆盖率变化基本呈现一致性，说明该基站覆盖区域弱覆盖率呈现出按天的近似周期性的规律。
步骤S2、通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理；首先对原始数据进行预处理，进行初步清洗并通过随机森林模型对特征进行筛选。
通过数据挖掘对采集到的路测数据集进行数据清洗、数据处理，数据清洗中通过清洗规则最终删除lte_info.collect_time、lte_info.ul_freq、lte_info.ul_bw、 lte_info.dl_bw、频段指示、lte_info.duplexmod、lte_info.subscriber_id、 lte_info.dl_freq、lte_info.datatype、lte_info.pci、lte_info.tac、lte_info.dlbw 与lte_info.day属性，利用随机森林模型的重要性排序与数据集属性之间的相关性对数据进行预处理，排列出影响预测rsrp值的相关的用户侧与工参侧属性。
将经过数据清洗后的数据作为新的数据集，该新数据集共包括19个特征、802992条数据。对基站位置经纬度与采样点位置经纬度进行欧式距离计算得到diff特征，用 diff特征替代基站经纬度与采样点经纬度。根据互信息值与重要性排序对数据进行筛选，从互信息可以看出：tac、dlbw、mcc、pci的互相关性比较大，参考重要性排序选择留下pci特征，erafcn与diff的互相关性比较大，选择diff特征，total_angel与 height互相关性较大，选择height特征，经过特征筛选最终留下diff、azimuth、A_height、lte_info.pci、power与GSM_neighbor共6个属性特征。
步骤S3、将处理后的数据集放入回归模型和神经网络模型学习训练，对用户参考信号接收功率进行预测，并用均方根误差值对模型进行评估，建立用户参考信号接收功率预测模型。
数据集放入回归模型和神经网络模型学习训练对rsrp值预测，分别使用回归模型(LinearRegression模型、决策树(DecisionTree)模型、XGBoost模型与KNNRegression 模型)以及神经网络(lstm长短时记忆)模型对数据集进行学习训练。最终KNNRegression 模型在训练数据过程中准确性最高，因而在网络规划模型中选择KNN模型，通过自行搜索找到最优超参数，遍历超参数的所有的取值组合。
步骤S4、采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量。
具体目标函数如下：
Figure BDA0002657509080000131
Figure BDA0002657509080000132
其中，N表示采样区域的总栅格数；ypoor_grid代表总的弱覆盖栅格数，即在整体采样区域覆盖信号质量未达标准的区域；所述弱覆盖点为当前采样点用户参考信号接收功率值<-107dbm，以采样区域总的弱覆盖栅格数最小作为整个规划过程的目标函数。
基于粒子群算法的网络规划方法具体步骤如下：
步骤S4.1、通过采集的基站工参侧数据初始化基站位置；
步骤S4.2、对采集的用户侧数据进行栅格划分；
步骤S4.3、根据用户侧的采样点与各基站的距离，采样点所属基站为距离最近的基站，更新采样点对应的基站；
步骤S4.4、将基站工参侧数据表与采样点用户侧数据表进行匹配；
步骤S4.5、采用基于KNN的用户参考信号接收功率预测模型对更新后的采样点数据进行训练预测；
步骤S4.6、计算各栅格的弱覆盖率并统计弱覆盖栅格的数量；
步骤S4.7、基于粒子群算法调整基站位置和更新速度，重复上述步骤S4.3-S4.6，直到迭代次数满足预先设定的最大迭代值；
步骤S4.8、改变基站数，重复步骤S4.1-S4.7。
其中步骤S4.2中对用户侧数据进行栅格划分的具体方法如下：
以采样点的经纬度数字中小数点前一位数字与小数点后四位数字作为判断栅格的标准；当不同采样点的经纬度数字中小数点前一位数字与小数点后四位数字均相同时，这些点即划分在同一个栅格；栅格精确度为11.132m*11.113m；计算每个栅格的栅格弱覆盖率；所述栅格弱覆盖率计算方法如下：
Figure BDA0002657509080000141
栅格弱覆盖率>10％时，该栅格为弱覆盖栅格；统计采样区域的弱覆盖栅格得到总的弱覆盖栅格个数。
其中步骤S4.7中基于粒子群算法调节基站位置和更新速度的具体步骤如下：
步骤S4.7.1、将Xi＝(xi1,xi2,...,xin)标记为微粒i当前位置，Vi＝(vi1,vi2,...,vin)为微粒i 的当前速度；进化过程中，记录微粒到当前为止的历史最优位置Pi＝(pi1,pi2,...,pim)和所有颗粒的全局最好位置Pg＝(pg1,pg2,...,pgn)，则粒子群算法进化方程如下：
vij(t+1)＝ωvij(t)+c1r1j(Pij(t)-xij(t))+c2r2j(Pgi(t)-xij(t))
xi(t+1)＝xi(t)+vi(t+1)
其中ω为惯性权重，在0.1-0.9之间取值；C1和C2为加速常数；r1∈U(0,1)；r2∈ U(0,1)；为两个相互独立的随机函数；
根据上式对微粒的速度、位置进化，直至满足最大迭代次数或满足精度要求；
步骤S4.7.2、设置部署基站数为N，基站位置由经度lon和纬度lat决定，即搜索空间维度为2N，初始化种群大小为M，x(k)表示粒子k在2N维空间上的位置。
x(k)＝(klon1,klon2,...,klonN,klat1,klat2,...,klatN),k＝1,2,...M
在搜索过程中将粒子经过的个体最优位置记为(pi1,pi2,...,piN)，整个群体中粒子经过的最优位置记为(pg1,pg2,...,pgN)，粒子的位置
Figure BDA0002657509080000142
以及速度
Figure BDA0002657509080000143
更新的公式如下：
Figure BDA0002657509080000151
Figure BDA0002657509080000152
在求解过程中，不断调节粒子的位置与更新速度，使目标函数总弱覆盖栅格数最小，对于基站数N，初始化基站数为目前实际情况中采样区域所部署的基站总数，不断减小N，直到找到最小的N能最好的解决弱覆盖栅格。
步骤S4.7.3、当前全局最优粒子位置的总弱覆盖栅格数表示为SUMg，粒子个体经历过的最优位置的总弱覆盖栅格数表示为SUMk，当前全局最优粒子位置记为Xg，粒子个体当前经历过的最优位置记为Xk，最终粒子的最优位置记为X。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于大数据挖掘的网络规划方法，其特征在于，包括如下步骤：
步骤S1、从蜂窝无线网络中采集实际环境中的路测数据集，包括基站工参侧数据与采样点用户侧数据，对所述路测数据集进行基站-采样点空间与时间相关性分析；具体包括：
(1)空间相关性分析
根据路测数据集绘制空间基站分布与采样点分布、基站分布与弱覆盖点分布、以网格为单位各网格的弱覆盖率分布、各网格基站个数与弱覆盖点数的相关性表；
(2)时间相关性分析
根据路测数据绘制空间中单个基站覆盖范围的采样点在1天内随小时变化的弱覆盖率分布、单个基站覆盖范围的采样点在一周内随小时变化的弱覆盖率变化情况；
步骤S2、通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理；首先对原始数据进行预处理，进行初步清洗并通过随机森林模型对特征进行筛选；
步骤S3、将处理后的数据集放入回归模型和神经网络模型学习训练，对用户参考信号接收功率进行预测，并用均方根误差值对模型进行评估，建立用户参考信号接收功率预测模型；
步骤S4、采用基于粒子群算法对步骤S2中产生的数据集进行网络规划，获取得到的基站新位置和数量；具体目标函数如下：
Figure FDA0003654389340000011
Figure FDA0003654389340000012
其中，N表示采样区域的总栅格数；ypoor_grid代表总的弱覆盖栅格数，即在整体采样区域覆盖信号质量未达标准的区域；所述弱覆盖点为当前采样点用户参考信号接收功率值<-107dbm，以采样区域总的弱覆盖栅格数最小作为整个规划过程的目标函数；
所述基于粒子群算法的网络规划方法具体步骤如下：
步骤S4.1、通过采集的基站工参侧数据初始化基站位置；
步骤S4.2、对采集的用户侧数据进行栅格划分；
步骤S4.3、根据用户侧的采样点与各基站的距离，采样点所属基站为距离最近的基站，更新采样点对应的基站；
步骤S4.4、将基站工参侧数据表与采样点用户侧数据表进行匹配；
步骤S4.5、采用基于KNN的用户参考信号接收功率预测模型对更新后的采样点数据进行训练预测；
步骤S4.6、计算各栅格的弱覆盖率并统计弱覆盖栅格的数量；
步骤S4.7、基于粒子群算法调整基站位置和更新速度，重复上述步骤S4.3-S4.6，直到迭代次数满足预先设定的最大迭代值；具体地，
步骤S4.7.1、将Xi＝(xi1,xi2,...,xin)标记为微粒i当前位置，Vi＝(vi1,vi2,...,vin)为微粒i的当前速度；进化过程中，记录微粒到当前为止的历史最优位置Pi＝(pi1,pi2,...,pim)和所有颗粒的全局最好位置Pg＝(pg1,pg2,...,pgn)，则粒子群算法进化方程如下：
vij(t+1)＝ωvij(t)+c1r1j(Pij(t)-xij(t))+c2r2j(Pgi(t)-xij(t))
xi(t+1)＝xi(t)+vi(t+1)
其中ω为惯性权重，在0.1-0.9之间取值；C1和C2为加速常数；r1∈U(0,1)；r2∈U(0,1)；为两个相互独立的随机函数；
根据上式对微粒的速度、位置进化，直至满足最大迭代次数或满足精度要求；
步骤S4.7.2、设置部署基站数为N，基站位置由经度lon和纬度lat决定，即搜索空间维度为2N，初始化种群大小为M，x(k)表示粒子k在2N维空间上的位置；
x(k)＝(klon1,klon2,...,klonN,klat1,klat2,...,klatN),k＝1,2,...M
在搜索过程中将粒子经过的个体最优位置记为(pi1,pi2,...,piN)，整个群体中粒子经过的最优位置记为(pg1,pg2,...,pgN)，粒子的位置
Figure FDA0003654389340000021
以及速度
Figure FDA0003654389340000022
更新的公式如下：
Figure FDA0003654389340000023
Figure FDA0003654389340000024
在求解过程中，不断调节粒子的位置与更新速度，使目标函数总弱覆盖栅格数最小，对于基站数N，初始化基站数为目前实际情况中采样区域所部署的基站总数，不断减小N，直到找到最小的N能最好的解决弱覆盖栅格；
步骤S4.7.3、当前全局最优粒子位置的总弱覆盖栅格数表示为SUMg，粒子个体经历过的最优位置的总弱覆盖栅格数表示为SUMk，当前全局最优粒子位置记为Xg，粒子个体当前经历过的最优位置记为Xk，最终粒子的最优位置记为X；
步骤S4.8、改变基站数，重复步骤S4.1-S4.7。
2.根据权利要求1所述的一种基于大数据挖掘的网络规划方法，其特征在于，所述步骤S2中通过数据挖掘对采集到的路测数据集进行数据清洗及数据处理具体包括：
(1)删除所有包含缺值的数据；
(2)删除用户侧数据和工参侧数据中与预测无关的特征，所述特征包括：lte_info.collect_time时间、lte_info.ul_freq上行中心频率、lte_info.ul_bw上行带宽、lte_info.dl_bw下行带宽、频段指示、lte_info.duplexmod双工模式、lte_info.subscriber_id用户id、lte_info.dl_freq下行频率、lte_info.datatype数据类型、lte_info.pci物理小区标识、lte_info.tac跟踪区、lte_info.dlbw下行带宽与lte_info.day日期；
(3)删除异常的数据点；异常数据点为用户的用户参考信号接收功率值不在所有用户参考信号接收功率值的平均值±2倍标准差的范围内；
(4)删除重复数据；
(5)删除包含特殊字符的数据。
3.根据权利要求1所述的一种基于大数据挖掘的网络规划方法，其特征在于，所述步骤S2中通过随机森林模型进行特征筛选的具体步骤包括：
步骤S2.1、将变量重要性评分用VIM表示，不纯度采用gini指数用GI表示，在m个特征X1，X2，…，Xm中计算每个特征Xj的gini指数评分
Figure FDA0003654389340000031
即第j个特征在所有决策树中节点分裂不纯度的平均改变量；
步骤S2.2、Gini指数的计算公式为：
Figure FDA0003654389340000032
其中K代表特征类别总数，Pmk表示节点m中类别k所占的比例；
特征Xj在节点m的重要性，即节点m分支前后的gini指数变化量如下：
Figure FDA0003654389340000033
其中GIl为分枝前的节点gini指数，GIr为分枝后的节点gini指数；
步骤S2.3、当特征Xj在决策树i中出现的节点在集合M中，则Xj在第i棵决策树中的重要性采用gini指数评分表示如下：
Figure FDA0003654389340000041
共有n棵决策树时，则
Figure FDA0003654389340000042
将上述gini指数评分作归一化处理可得：
Figure FDA0003654389340000043
4.根据权利要求1所述的一种基于大数据挖掘的网络规划方法，其特征在于，所述步骤S3中建立用户参考信号接收功率预测模型具体步骤如下：
步骤S3.1、采用步骤S2中经过清洗和筛选的路测数据集建立用户参考信号接收功率预测模型；在回归模型和神经网络模型中，采用邻近算法模型KNN作为规划模型；
步骤S3.2、选择n_neighbor作为KNN模型的待优化超参数；其中n_neighbor为选择距离最近的K个点来投票的数量；
步骤S3.3、采用自行搜索找到最优超参数，遍历超参数的所有的取值组合，通过交叉验证获得最优的超参数，最优超参数的衡量标准为不同参数时的KNN预测模型的准确性，在搜索超参数过程中选取数据集的80％来训练KNN预测模型，20％来测试KNN的准确性。
5.根据权利要求1所述的一种基于大数据挖掘的网络规划方法，其特征在于，所述步骤S4.2中对用户侧数据进行栅格划分的具体方法如下：
以采样点的经纬度数字中小数点前一位数字与小数点后四位数字作为判断栅格的标准；当不同采样点的经纬度数字中小数点前一位数字与小数点后四位数字均相同时，这些点即划分在同一个栅格；栅格精确度为11.132m*11.113m；计算每个栅格的栅格弱覆盖率；所述栅格弱覆盖率计算方法如下：
Figure FDA0003654389340000044
栅格弱覆盖率>10％时，该栅格为弱覆盖栅格；统计采样区域的弱覆盖栅格得到总的弱覆盖栅格个数。
CN202010892797.6A 2020-08-31 2020-08-31 一种基于大数据挖掘的网络规划方法 Active CN112004233B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010892797.6A CN112004233B (zh) 2020-08-31 2020-08-31 一种基于大数据挖掘的网络规划方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010892797.6A CN112004233B (zh) 2020-08-31 2020-08-31 一种基于大数据挖掘的网络规划方法

Publications (2)

Publication Number Publication Date
CN112004233A CN112004233A (zh) 2020-11-27
CN112004233B true CN112004233B (zh) 2022-08-02

Family

ID=73465495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010892797.6A Active CN112004233B (zh) 2020-08-31 2020-08-31 一种基于大数据挖掘的网络规划方法

Country Status (1)

Country Link
CN (1) CN112004233B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022119485A1 (en) * 2020-12-03 2022-06-09 Telefonaktiebolaget Lm Ericsson (Publ) Devices, methods, and systems for predicting radio access network performance
CN113890833B (zh) * 2021-10-28 2023-06-13 中国联合网络通信集团有限公司 网络覆盖预测方法、装置、设备及存储介质
CN114004417A (zh) * 2021-11-09 2022-02-01 广东电网有限责任公司江门供电局 一种电力设施共享基站建设方法和装置

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107231649A (zh) * 2016-03-25 2017-10-03 中国移动通信有限公司研究院 一种室内弱覆盖的确定方法及装置
CN108255854A (zh) * 2016-12-29 2018-07-06 南京南瑞继保电气有限公司 基于粒子群优化的模糊神经网络数据挖掘方法
CN108260075A (zh) * 2016-12-27 2018-07-06 中国移动通信集团浙江有限公司 一种基站部署位置的寻址方法及装置
CN108810911A (zh) * 2018-06-04 2018-11-13 南京邮电大学 一种基于数据挖掘的低功耗广域网网络规划方法
CN109963300A (zh) * 2017-12-22 2019-07-02 中国移动通信集团浙江有限公司 方位角的确定方法、装置、电子设备和存储介质
CN110418354A (zh) * 2019-08-06 2019-11-05 北京邮电大学 一种基于机器学习的免传播模型无线网络规划方法
CN111225367A (zh) * 2020-01-08 2020-06-02 西安电子科技大学 基于混合粒子群算法的rfid网络规划方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107231649A (zh) * 2016-03-25 2017-10-03 中国移动通信有限公司研究院 一种室内弱覆盖的确定方法及装置
CN108260075A (zh) * 2016-12-27 2018-07-06 中国移动通信集团浙江有限公司 一种基站部署位置的寻址方法及装置
CN108255854A (zh) * 2016-12-29 2018-07-06 南京南瑞继保电气有限公司 基于粒子群优化的模糊神经网络数据挖掘方法
CN109963300A (zh) * 2017-12-22 2019-07-02 中国移动通信集团浙江有限公司 方位角的确定方法、装置、电子设备和存储介质
CN108810911A (zh) * 2018-06-04 2018-11-13 南京邮电大学 一种基于数据挖掘的低功耗广域网网络规划方法
CN110418354A (zh) * 2019-08-06 2019-11-05 北京邮电大学 一种基于机器学习的免传播模型无线网络规划方法
CN111225367A (zh) * 2020-01-08 2020-06-02 西安电子科技大学 基于混合粒子群算法的rfid网络规划方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于LTE-TA数据挖掘的覆盖场景分类研究及其优化;傅树雄;《信息通信》;20171215;全文 *
基于大数据挖掘的基站流量预测与覆盖优化算法研究;邓扬鑫;《中国优秀硕士学位论文全文数据库 信息科技辑》;20220315;全文 *
邓扬鑫 ; 赵夙 ; 朱晓荣.基于大数据挖掘的LTE网络弱覆盖分析及覆盖优化研究.《南京邮电大学学报》.2021, *

Also Published As

Publication number Publication date
CN112004233A (zh) 2020-11-27

Similar Documents

Publication Publication Date Title
CN112004233B (zh) 一种基于大数据挖掘的网络规划方法
CN110418354A (zh) 一种基于机器学习的免传播模型无线网络规划方法
CN112054943B (zh) 一种移动网络基站流量预测方法
CN114092769B (zh) 基于联邦学习的变电站多场景巡检分析方法
CN109151866B (zh) 基于用户数据实现天线方位角纠偏的方法
CN109548041A (zh) 一种无线覆盖分析方法及系统
CN110418285A (zh) 一种无线电地图的建立方法及装置
JP2002057614A (ja) 無線通信システム中のｒｆ伝播評価方法と装置
CN108462965B (zh) 一种铁塔需求站址共享规划方法
US20220191818A1 (en) Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus
CN110430578A (zh) 基于移动终端数据实现小区方位角预测的方法
CN112867147B (zh) 定位方法和定位装置
CN105916202A (zh) 一种概率性的WiFi室内定位指纹库构建方法
CN110536310A (zh) 基于用户数据识别天线接反的方法
CN111491262A (zh) 移动宽带网络信号强度确定方法和装置
CN111257830A (zh) 基于预先设定ap位置的wifi定位算法
WO2023026024A2 (en) Methods and apparatus for determining above ground coverage of a mobile telecommunications network
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
CN114638465A (zh) 一种基于二次评分的采集终端网络信号质量评价方法
CN111491255B (zh) 一种回填经纬度定位扩量方法、系统及存储介质
CN108429627A (zh) 宽带接入规划方法和装置
CN111314926B (zh) 覆盖关系确定方法、装置及计算机可读存储介质
Ponce-Rojas et al. A Geographic Information System Applied to Coverage Maps of 3G Cellular Communications Networks.
CN117295093B (zh) 一种基于数据驱动的终端业务流量行为建模方法
CN110913408A (zh) 一种基于mro的室内弱覆盖定位分析方法及系统

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