CN112040507A - 一种基于终端采样数据aoa的方位角的预测方法 - Google Patents

一种基于终端采样数据aoa的方位角的预测方法 Download PDF

Info

Publication number
CN112040507A
CN112040507A CN202011206401.4A CN202011206401A CN112040507A CN 112040507 A CN112040507 A CN 112040507A CN 202011206401 A CN202011206401 A CN 202011206401A CN 112040507 A CN112040507 A CN 112040507A
Authority
CN
China
Prior art keywords
aoa
azimuth
data
base station
user
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
Application number
CN202011206401.4A
Other languages
English (en)
Other versions
CN112040507B (zh
Inventor
陈大龙
霍永章
王计斌
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 Howso Technology Co ltd
Original Assignee
Nanjing Howso Technology Co ltd
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 Howso Technology Co ltd filed Critical Nanjing Howso Technology Co ltd
Priority to CN202011206401.4A priority Critical patent/CN112040507B/zh
Publication of CN112040507A publication Critical patent/CN112040507A/zh
Application granted granted Critical
Publication of CN112040507B publication Critical patent/CN112040507B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/006—Locating users or terminals or network equipment for network management purposes, e.g. mobility management with additional information processing, e.g. for direction or speed determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明公布了一种基于终端采样数据AOA的方位角的预测方法，步骤为：S1获取小区的MDT数据、实时资管工参数据和勘站方位角；S2将MDT数据进行时间提前量和用户‑基站距离关系数据清洗处理并筛选出AOA指标数据；S3先将筛选的AOA指标数据转化为顺时针方向递增的角度指标，再计算小区用户相对基站的方位角，确定AOA和天线方位角的关系，构建AOA‑方位角关系的数学模型；S4利用步骤S3中的AOA‑方位角关系的数学模型，获得全部用户的预测方位角，进行平均运算，获得最终方位角。该方法建立终端上报AOA、用户经纬度和基站经纬度之间的数学关系模型，利用实时上报MDT数据，实现天线方位角的实时准确检测。

Description

一种基于终端采样数据AOA的方位角的预测方法
技术领域
本发明涉及通信网络技术领域，尤其涉及一种基于终端采样数据AOA的方位角的预测方法，利用终端上报的AOA数据与天线方位角建立关系数学模型，实现方位角预测。
背景技术
通信服务作为最重要的基础服务之一，为了保障网络质量，解决覆盖问题，运营商建立了大量的基站系统，提高民众服务体验的同时，也带来了巨大的优化压力。无线网络优化主要是针对天线设备进行优化。天线是用户和主机信息交换的枢纽，绝大多数通信问题都是由于天线设备的覆盖不合理引起的。
方位角直接关系到天线的覆盖范围和受干扰情况，是最重要的天线参数。实际环境中，由于天气变化、地震、台风等外界因素的影响，天线方位角可能发生变化，导致覆盖区域发生变化，影响用户感知，因此方位角的获取需要有时效性的保障。
目前天线方位角的获取工作主要依赖人工进行，巡检人员需要克服地形和高度等因素，利用罗盘等仪器进行测量，过程耗时耗力，还会存在一定的安全隐患。罗盘等设备易受到周围磁场干扰，人工疲劳作业也容易出现差错，很难保证方位角的精确性和时效性，不利于无线网优工作的高效进行。
随着AI算法的流行，方位角预测也开始进行智能化尝试，但数据清洗大多缺乏目的性，预测方法也缺乏科学性。例如，专利《基于移动终端数据实现小区方位角预测的方法》主要通过如下方式进行方位角预测：
（1）AOA中心值筛选：计算AOA中心值
Figure 100002_DEST_PATH_IMAGE002
，筛选保留
Figure 100002_DEST_PATH_IMAGE004
的数据；
（2）TA上限异常值去除：TA和用户-基站距离（distance）拟合，利用TA和distance关系，剔除上限异常值（TA*78>distance）；
（3）聚类：以RSRP、TA、AOA、用户经度和用户纬度为指标，进行聚类处理；
（4）利用RSRP平均值预测方位角：选择RSRP平均值最大的聚类簇，以中心点相对基站正北方向的角度为最终方位角。
但专利内容却存在如下问题：
（1）数据清洗盲目性和不严谨性：首先，AOA易受环境影响存在偏差，直接中心值筛选存在盲目；其次，TA表示的是距离区间，存在上下限，但利用上限进行异常剔除，缺乏严谨性；
（2）方法科学性不足：聚类处理本身不属于精确性的处理，RSRP也是不稳定性指标，利用聚类簇中心点确定方位角存在较大的不确定性。
因此，本发明提出一种基于终端采样数据AOA的方位角预测方法，根据反射现象对AOA的影响原理，利用时间提前量Tadv-用户距离关系（distance）进行上下限异常剔除，提升AOA数据质量；再利用AOA和方位角在原理上联系，建立二者之间的数学模型，作为理论支撑进行方位角预测，本发明有目的地利用Ta-distance筛选提高AOA质量，再利用科学建立的数学模型预测方位角，更有利于提升预测精度。
发明内容
本发明要解决的技术问题是提供一种基于终端采样数据AOA的方位角预测方法，根据反射现象对AOA的影响原理，利用时间提前量Tadv-用户距离关系（distance）进行上下限异常剔除，提升AOA数据质量；再利用AOA和方位角在原理上联系，建立二者之间的数学模型，作为理论支撑进行方位角预测，本发明有目的地利用Ta-distance筛选提高AOA质量，再利用科学建立的数学模型预测方位角，更有利于提升预测精度。
为解决上述问题，本发明采用的技术方案为：该基于终端采样数据AOA的方位角的预测方法及装置，包括以下步骤：
S1数据收集：获取小区的MDT数据、实时资管工参数据和勘站方位角；
S2数据清洗：将步骤S1中的MDT数据进行时间提前量Tadv和用户-基站距离distance关系数据清洗处理并筛选出AOA指标数据；
S3 AOA-方位角关系分析：先将清洗后的MDT数据中筛选的AOA指标数据转化为顺时针方向递增的角度指标，再计算小区用户相对基站的方位角，从而确定AOA和天线方位角的关系，构建AOA-方位角关系的数学模型；
S4基于AOA-方位角关系的数学模型的方位角分析确定：利用步骤S3中的AOA-方位角关系的数学模型，获得小区全部用户的预测方位角，进行平均运算，获得小区的最终方位角。
采用上述技术方案，根据反射现象对AOA指标数据（简称AOA）的影响原理，利用Tadv-用户距离关系（distance）进行上下限异常剔除，提升AOA质量；再利用AOA和方位角在原理上联系，建立二者之间的数学模型，作为理论支撑进行方位角预测，主要包括基于Tadv-distance筛选提高AOA质量和基于AOA-方位角关系的数学模型进行方位角预测；其中，基于Tadv-distance筛选提高AOA质量中时间提前量（Tadv）和用户-基站距离（distance）都是点站位置的距离指标，二者之间存在对应关系，但反射和折射情况会使二者关系失衡，因此进行Tadv-distance可以去除部分反射和折射的影响，提高数据质量；基于AOA-方位角关系的数学模型预测方位角中根据AOA和方位角关系图，可知天线方位角和和AOA数值之前存在一定的数学关系，AOA是用户相对天线方位角的角度特征，因此通过建立二者之间的数学模型，可以利用AOA实现方位角预测。
本发明进一步改进在于，该基于终端采样数据AOA的方位角的预测方法还包括步骤S5预测精度分析，包括分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量和分析步骤S4中获得的小区最终方位角的精度。
作为本发明的优选技术方案，所述步骤S1中的MDT数据包括：小区识别码cell_id、用户经度longitude、用户纬度latitude、AOA指标数据和时间提前量ta；所述资管工参数据包括小区识别码ci、小区经度longitude、小区纬度latitude和方位角azimuth；所述勘站方位角为人工勘站得到的方位角，用于验证小区最终方位角的精度。
作为本发明的优选技术方案，所述步骤S2中的所述用户-基站距离distance通过球面距离公式计算得到：
Figure 100002_DEST_PATH_IMAGE006
；
式中，D为用户和基站之间的直线距离；
Figure 100002_DEST_PATH_IMAGE008
，
Figure 100002_DEST_PATH_IMAGE010
分别为基站经度和基站纬度；
Figure 100002_DEST_PATH_IMAGE012
，
Figure 100002_DEST_PATH_IMAGE014
分别为用户经度longitude和用户纬度longitude；R为地球半径；则时间提前量Tadv与用户-基站距离distance的关系为：
Figure 100002_DEST_PATH_IMAGE016
。时间提前量（Tadv）和用户-基站距离（distance）都是反映用户和基站空间距离的指标，当发生物理反射折射等情况时，时间提前量Tadv开始增大，二者的关系开始异常，因此剔除异常数据理论上可以提高AOA指标数据的质量。
作为本发明的优选技术方案，所述步骤S3 的AOA-方位角关系分析的具体步骤为：
S31：将MDT数据中的AOA指标数据转化为顺时针方向递增的角度指标，其公式为：
Figure 100002_DEST_PATH_IMAGE018
；
式中，
Figure 100002_DEST_PATH_IMAGE020
为转化后的AOA指标数据的顺时针角度；
Figure 100002_DEST_PATH_IMAGE022
为MDT数据中的AOA指标数据；n为整数，将
Figure 393246DEST_PATH_IMAGE020
转化到0-360°范围内；
S32：计算用户相对基站的方位角，以正北方向为参考方向，顺指针递增，数值范围为0-360°，可利用用户和基站的经纬度计算得到：
Figure 100002_DEST_PATH_IMAGE024
；
式中，
Figure 100002_DEST_PATH_IMAGE026
为小区的用户相对基站的方位角；
Figure 100002_DEST_PATH_IMAGE028
和
Figure 100002_DEST_PATH_IMAGE030
分别为用户经度longitude和用户纬度latitude；
Figure 100002_DEST_PATH_IMAGE032
和
Figure 100002_DEST_PATH_IMAGE034
分别为基站经度longitude和基站纬度latitude；
S33：根据AOA的原理确定AOA和天线方位角的关系，该二者的数学关系为：
Figure 100002_DEST_PATH_IMAGE036
；
式中，
Figure 100002_DEST_PATH_IMAGE038
为转化后的AOA指标数据的顺时针角度；
Figure 100002_DEST_PATH_IMAGE040
为用户相对基站的方位角；
Figure 100002_DEST_PATH_IMAGE042
为天线的法线方位角；n为整数，将
Figure 100002_DEST_PATH_IMAGE044
转化到0-360°范围内。根据AOA和方位角关系图，可知天线方位角和和AOA指标数据之前存在一定的数学关系，AOA指标数据是用户相对天线方位角的角度特征。
作为本发明的优选技术方案，所述步骤S4利用步骤S3中建立的AOA-方位角关系的数学模型，获得全部用户的预测方位角再进行平均运算，从而获得小区全部用户的预测方位角的计算公式为：
Figure 100002_DEST_PATH_IMAGE046
；
式中，i为虚数单位；j为角度
Figure 100002_DEST_PATH_IMAGE048
的次序；n为角度总数量；
Figure 100002_DEST_PATH_IMAGE050
为角度
Figure 100002_DEST_PATH_IMAGE052
的极坐标复数表示；
Figure 100002_DEST_PATH_IMAGE054
为平均角度。
作为本发明的优选技术方案，所述步骤S5具体包括以下步骤：
S51分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量：基于AOA-方位角关系的数学模型，利用基站经度longitude、基站纬度latitude和用户经度计算用户和勘测方位角计算理论AOA指标数据，并与MDT数据AOA指标数据进行比较，并分别计算偏差10°、20°和30°内数量占比，作为10°准确率、20°准确率和30°准确率；
Figure 100002_DEST_PATH_IMAGE056
；
式中式中，
Figure 100002_DEST_PATH_IMAGE058
、
Figure 100002_DEST_PATH_IMAGE060
、
Figure 100002_DEST_PATH_IMAGE062
分别为10°准确率、20°准确率和30°准确率；
Figure 100002_DEST_PATH_IMAGE064
、
Figure 100002_DEST_PATH_IMAGE066
、
Figure 100002_DEST_PATH_IMAGE068
分别为偏差在10°、20°和30°之内的用户数量；
Figure 100002_DEST_PATH_IMAGE070
为总用户数量；
S52分析步骤S4中获得的小区最终方位角的精度：通过对方位角预测值和勘测值比较，并分别统计二者偏差率在10°、20°、30°之内的小区数量占比，作为10°准确率、20°准确率和30°准确率：
Figure 100002_DEST_PATH_IMAGE072
；
式中，
Figure 100002_DEST_PATH_IMAGE074
、
Figure 100002_DEST_PATH_IMAGE076
、
Figure 100002_DEST_PATH_IMAGE078
分别为10°准确率、20°准确率和30°准确率；
Figure 100002_DEST_PATH_IMAGE080
、
Figure 100002_DEST_PATH_IMAGE082
、
Figure 100002_DEST_PATH_IMAGE084
分别偏差在10°、20°、30°之内的小区数量；
Figure 100002_DEST_PATH_IMAGE086
为预测的总样本小区数的数量。
与现有技术相比，本发明技术方案具有的有益效果是：根据反射现象对AOA的影响原理，利用时间提前量Tadv-用户距离关系（distance）进行上下限异常剔除，提升AOA数据质量；再利用AOA和方位角在原理上联系，建立二者之间的数学模型，作为理论支撑进行方位角预测，本发明有目的地利用Ta-distance筛选提高AOA质量，再利用科学建立的数学模型预测方位角，更有利于提升预测精度，同时利用实时上报的MDT数据，实现天线方位角的实时准确检测，得出小区的方位角，为后续的网络优化、网络规划提供了可靠的依据。
附图说明
下面结合附图进一步描述本发明的技术方案：
图1是本发明基于终端采样数据AOA的方位角的预测方法的流程图；
图2 是本发明基于终端采样数据AOA的方位角的预测方法中的AOA原理图；
图3是本发明基于终端采样数据AOA的方位角的预测方法中的工参AOA角度与真实AOA角度关系图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：如图1所示，本发明从AOA和方位角的原理出发，寻找二者之间的数学关系，作为方位角预测的理论支撑，可以保证方法的合理性。为了尽可能减小数据质量的影响，要进行Tadv-distance关系数据清洗，通过剔除部分受反射影响的用户点，提高AOA质量。基于终端采样数据AOA的方位角的预测方法，包括以下步骤：
S1数据收集：获取小区的MDT数据、实时资管工参数据和勘站方位角；
所述步骤S1中的MDT数据包括：小区识别码cell_id、用户经度longitude、用户纬度latitude、AOA指标数据和时间提前量ta；所述资管工参数据包括小区识别码ci、小区经度longitude、小区纬度latitude和方位角azimuth；所述勘站方位角为人工勘站得到的方位角，用于验证小区最终方位角的精度；
S2数据清洗：将步骤S1中的MDT数据进行时间提前量Tadv和用户-基站距离distance关系数据清洗处理并筛选出AOA指标数据；
所述步骤S2中的所述用户-基站距离distance通过球面距离公式计算得到：
Figure 100002_DEST_PATH_IMAGE088
；
式中，D为用户和基站之间的直线距离；
Figure 100002_DEST_PATH_IMAGE090
，
Figure 100002_DEST_PATH_IMAGE092
分别为基站经度和基站纬度；
Figure DEST_PATH_IMAGE094
，
Figure DEST_PATH_IMAGE096
分别为用户经度longitude和用户纬度longitude；为地球半径；则时间提前量Tadv与用户-基站距离distance的关系为：
Figure DEST_PATH_IMAGE098
。时间提前量（Tadv）和用户-基站距离（distance）都是反映用户和基站空间距离的指标，当发生物理反射折射等情况时，时间提前量Tadv开始增大，二者的关系开始异常，因此剔除异常数据理论上可以提高AOA指标数据的质量；
S3 AOA-方位角关系分析：利用AOA原理图（如图2所示），图2中AOA终端上报为是对用户和基站相对角度的反映，以法线方向为参考方向，以0.5度为单位角度，逆时针方向旋转一周，数值在0~719范围内逐渐离散递增；
先将清洗后的MDT数据中筛选的AOA指标数据转化为顺时针方向递增的角度指标，再计算小区用户相对基站的方位角，从而确定AOA和天线方位角的关系，构建AOA-方位角关系的数学模型；
所述步骤S3 的AOA-方位角关系分析的具体步骤为：
S31：将MDT数据中的AOA指标数据转化为顺时针方向递增的角度指标，其公式为：
Figure DEST_PATH_IMAGE100
；
式中，
Figure DEST_PATH_IMAGE102
为转化后的AOA指标数据的顺时针角度；
Figure DEST_PATH_IMAGE104
为MDT数据中的AOA指标数据；n为整数，将
Figure 595207DEST_PATH_IMAGE102
转化到0-360°范围内；
S32：计算用户相对基站的方位角，以正北方向为参考方向，顺指针递增，数值范围为0-360°，可利用用户和基站的经纬度计算得到：
Figure DEST_PATH_IMAGE106
；
式中，
Figure DEST_PATH_IMAGE108
为小区的用户相对基站的方位角；
Figure DEST_PATH_IMAGE110
和
Figure DEST_PATH_IMAGE112
分别为用户经度longitude和用户纬度latitude；
Figure DEST_PATH_IMAGE114
和
Figure DEST_PATH_IMAGE116
分别为基站经度longitude和基站纬度latitude；；
S33：根据AOA的原理确定AOA和天线方位角的关系，该二者的数学关系为：
Figure DEST_PATH_IMAGE118
；
式中，
Figure DEST_PATH_IMAGE120
为转化后的AOA指标数据的顺时针角度；
Figure DEST_PATH_IMAGE122
为用户相对基站的方位角；
Figure DEST_PATH_IMAGE124
为天线的法线方位角；
Figure DEST_PATH_IMAGE126
为整数，将
Figure DEST_PATH_IMAGE128
转化到0-360°范围内;根据AOA和方位角关系图（如图3所示），可知天线方位角和和AOA指标数据之前存在一定的数学关系，AOA指标数据是用户相对天线方位角的角度特征；图3中若工参法线方向为
Figure DEST_PATH_IMAGE130
，真实法线方向为
Figure DEST_PATH_IMAGE132
，则根据AOA-方位角关系可知，对于某一MDT用户，基于
Figure DEST_PATH_IMAGE134
和
Figure DEST_PATH_IMAGE136
的AOA角度
Figure DEST_PATH_IMAGE138
和
Figure DEST_PATH_IMAGE140
关系如图3所示；
S4基于AOA-方位角关系的数学模型的方位角分析确定：利用步骤S3中的AOA-方位角关系的数学模型，获得小区全部用户的预测方位角，进行平均运算，获得小区的最终方位角；
所述步骤S4利用步骤S3中建立的AOA-方位角关系的数学模型，获得全部用户的预测方位角再进行平均运算，从而获得小区全部用户的预测方位角的计算公式为：
Figure DEST_PATH_IMAGE142
；
式中，i为虚数单位；j为角度
Figure 989324DEST_PATH_IMAGE048
的次序；n为角度总数量；
Figure 650112DEST_PATH_IMAGE050
为角度
Figure 730064DEST_PATH_IMAGE052
的极坐标复数表示；
Figure 818106DEST_PATH_IMAGE054
为平均角度；
S5预测精度分析，包括分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量和分析步骤S4中获得的小区最终方位角的精度；所述步骤S5具体包括以下步骤：
S51分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量：基于AOA-方位角关系的数学模型，利用基站经度longitude、基站纬度latitude和用户经度计算用户和勘测方位角计算理论AOA指标数据，并与MDT数据AOA指标数据进行比较，并分别计算偏差10°、20°和30°内数量占比，作为10°准确率、20°准确率和30°准确率；
Figure DEST_PATH_IMAGE144
；
式中式中，
Figure 632609DEST_PATH_IMAGE058
、
Figure 97088DEST_PATH_IMAGE060
、
Figure 31546DEST_PATH_IMAGE062
分别为10°准确率、20°准确率和30°准确率；
Figure 290489DEST_PATH_IMAGE064
、
Figure 575977DEST_PATH_IMAGE066
、
Figure 578568DEST_PATH_IMAGE068
分别为偏差在10°、20°和30°之内的用户数量；
Figure 616800DEST_PATH_IMAGE070
为总用户数量；
S52分析步骤S4中获得的小区最终方位角的精度：通过对方位角预测值和勘测值比较，并分别统计二者偏差率在10°、20°、30°之内的小区数量占比，作为10°准确率、20°准确率和30°准确率：
Figure DEST_PATH_IMAGE146
；
式中，
Figure 843382DEST_PATH_IMAGE074
、
Figure 350587DEST_PATH_IMAGE076
、
Figure 891290DEST_PATH_IMAGE078
分别为10°准确率、20°准确率和30°准确率；
Figure 800340DEST_PATH_IMAGE080
、
Figure 417397DEST_PATH_IMAGE082
、
Figure 411898DEST_PATH_IMAGE084
分别偏差在10°、20°、30°之内的小区数量；
Figure 756292DEST_PATH_IMAGE086
为预测的总样本小区数的数量。
采用上述基于终端采样数据AOA的方位角预测方法的流程图利用宁德市256个样本小区进行检测，可以有效实现高精度筛选，且保证较高的筛选比例。
（1）数据收集：据来源主要是福建移动省公司的MR大数据采集平台，首先在福建省宁德市随机选择样本小区，然后依次调取终端上报的MDT数据、实时资管工参、实际方位角人工勘测数据。为了保证数据质量，需要保证样本小区无明显异常情况发生，保证数据之间时间对应，详细情况如表1所示。
表1数据选择详细情况表
Figure DEST_PATH_IMAGE148
（2）数据清洗：利用Tadv-distance关系清洗数据，去除部分发生反射折射的MDT用户，以提高AOA数据质量，Tadv和用户-基站距离存在如下关系：
Figure DEST_PATH_IMAGE150
；
式中，D为用户和基站之间的直线距离；TA为终端上报的Tadv数据；
Figure DEST_PATH_IMAGE152
，
Figure DEST_PATH_IMAGE154
分别为基站经纬度；
Figure DEST_PATH_IMAGE156
，
Figure DEST_PATH_IMAGE158
分别为用户经纬度；R为地球半径。利用二者关系进行数据清洗，剔除关系异常的用户。
（3）AOA-方位角关系分析：利用AOA原理图（如图2），构建AOA-方位角关系的数学模型：
Figure DEST_PATH_IMAGE160
；
式中，
Figure DEST_PATH_IMAGE162
为用户相对基站的方位角；
Figure DEST_PATH_IMAGE164
和
Figure DEST_PATH_IMAGE166
分别为用户经度和纬度，来自MDT数据；
Figure DEST_PATH_IMAGE168
和
Figure DEST_PATH_IMAGE170
分别为基站经度和纬度，来自资管工参；
Figure DEST_PATH_IMAGE172
为转化后的AOA顺时针角度；AOA为MDT数据中的AOA指标，来自MDT数据；
Figure DEST_PATH_IMAGE174
天线的法线方位角；n为整数，将
Figure DEST_PATH_IMAGE176
转化到0-360°范围内；
（4）基于AOA-方位角关系的数学模型的方位角预测：利用AOA-方位角关系的数学模型，计算得到每个MDT用户的方位角预测值，在进行平均运算，即为最终方位角，过程如下：
Figure DEST_PATH_IMAGE178
；
式中，i为虚数单位；j为角度
Figure 568783DEST_PATH_IMAGE048
的次序；n为角度总数量；
Figure 120856DEST_PATH_IMAGE050
为角度
Figure 337074DEST_PATH_IMAGE052
的极坐标复数表示；
Figure 485158DEST_PATH_IMAGE054
为平均角度。
（5）预测结果与精度验证：
S51 时间提前量Tadv-distance清洗前后AOA质量：
本发明利用Tadv-distance关系进行MDT数据清洗，去除部分反射折射用户数据，提高AOA质量。将数据清洗前后的AOA指标转化为角度，分别于计算得到理论AOA角度进行比较和统计精度，结果如表2所示；由表2可知，Tadv-distance筛选前后AOA质量有明显的提升。
表2 Tadv-distance筛选前后AOA质量
Figure DEST_PATH_IMAGE180
S52方位角预测结果的精度分析：
对Tadv-distance关系清洗后的MDT数据，根据AOA-方位角关系的数学模型实现方位角预测，并与人工勘测结果进行比较和统计精度，结果如表3所示；由表3可知，本发明的方法在样本小区的方位角预测中效果明显20°和30°偏差内准确率均在85%以上。
表3基于终端采样数据AOA的方位角预测结果
Figure DEST_PATH_IMAGE182
对于本领域的普通技术人员而言，具体实施例只是对本发明进行了示例性描述，显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，或未经改进将本发明的构思和技术方案直接应用于其它场合的，均在本发明的保护范围之内。

Claims (7)

1.一种基于终端采样数据AOA的方位角的预测方法，其特征在于，包括以下步骤：
S1数据收集：获取小区的MDT数据、实时资管工参数据和勘站方位角；
S2数据清洗：将步骤S1中的MDT数据进行时间提前量Tadv和用户-基站距离distance关系数据清洗处理并筛选出AOA指标数据；
S3 AOA-方位角关系分析：先将清洗后的MDT数据中筛选的AOA指标数据转化为顺时针方向递增的角度指标，再计算小区用户相对基站的方位角，从而确定AOA和天线方位角的关系，构建AOA-方位角关系的数学模型；
S4基于AOA-方位角关系的数学模型的方位角分析确定：利用步骤S3中的AOA-方位角关系的数学模型，获得小区全部用户的预测方位角，进行平均运算，获得小区的最终方位角。
2.根据权利要求1所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，该基于终端采样数据AOA的方位角的预测方法还包括步骤S5预测精度分析，包括分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量和分析步骤S4中获得的小区最终方位角的精度。
3.根据权利要求1所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，所述步骤S1中的MDT数据包括：小区识别码cell_id、用户经度longitude、用户纬度latitude、AOA指标数据和时间提前量ta；所述资管工参数据包括小区识别码ci、小区经度longitude、小区纬度latitude和方位角azimuth；所述勘站方位角为人工勘站得到的方位角，用于验证小区最终方位角的精度。
4.根据权利要求2所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，所述步骤S2中的所述用户-基站距离distance通过球面距离公式计算得到：
Figure DEST_PATH_IMAGE002
；
式中，
Figure DEST_PATH_IMAGE004
为用户和基站之间的直线距离；
Figure DEST_PATH_IMAGE006
，
Figure DEST_PATH_IMAGE008
分别为基站经度和基站纬度；
Figure DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE012
分别为用户经度longitude和用户纬度longitude；
Figure DEST_PATH_IMAGE014
为地球半径；则时间提前量Tadv与用户-基站距离distance的关系为：
Figure DEST_PATH_IMAGE016
。
5.根据权利要求4所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，所述步骤S3 的AOA-方位角关系分析的具体步骤为：
S31：将MDT数据中的AOA指标数据转化为顺时针方向递增的角度指标，其公式为：
Figure DEST_PATH_IMAGE018
；
式中，
Figure DEST_PATH_IMAGE020
为转化后的AOA指标数据的顺时针角度；
Figure DEST_PATH_IMAGE022
为MDT数据中的AOA指标数据；
Figure DEST_PATH_IMAGE024
为整数，将
Figure DEST_PATH_IMAGE026
转化到0-360°范围内；
S32：计算用户相对基站的方位角，以正北方向为参考方向，顺指针递增，数值范围为0-360°，可利用用户和基站的经纬度计算得到：
Figure DEST_PATH_IMAGE028
；
式中，
Figure DEST_PATH_IMAGE030
为小区的用户相对基站的方位角；
Figure DEST_PATH_IMAGE032
和
Figure DEST_PATH_IMAGE034
分别为用户经度longitude和用户纬度latitude；
Figure DEST_PATH_IMAGE036
和
Figure DEST_PATH_IMAGE038
分别为基站经度longitude和基站纬度latitude；
S33：根据AOA的原理确定AOA和天线方位角的关系，该二者的数学关系为：
Figure DEST_PATH_IMAGE040
；
式中，
Figure DEST_PATH_IMAGE042
为转化后的AOA指标数据的顺时针角度；
Figure DEST_PATH_IMAGE044
为用户相对基站的方位角；
Figure DEST_PATH_IMAGE046
为天线的法线方位角；
Figure DEST_PATH_IMAGE048
为整数，将
Figure DEST_PATH_IMAGE050
转化到0-360°范围内。
6.根据权利要求5所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，所述步骤S4利用步骤S3中建立的AOA-方位角关系的数学模型，获得全部用户的预测方位角再进行平均运算，从而获得小区全部用户的预测方位角的计算公式为：
Figure DEST_PATH_IMAGE052
；
式中，i为虚数单位；j为角度
Figure DEST_PATH_IMAGE054
的次序；n为角度总数量；
Figure DEST_PATH_IMAGE056
为角度
Figure DEST_PATH_IMAGE058
的极坐标复数表示；
Figure DEST_PATH_IMAGE060
为平均角度。
7.根据权利要求2所述的基于终端采样数据AOA的方位角的预测方法，其特征在于，所述步骤S5具体包括以下步骤：
S51分析步骤S2中时间提前量Tadv和用户-基站距离distance关系数据清洗处理后筛选出的AOA指标数据的质量：基于AOA-方位角关系的数学模型，利用基站经度longitude、基站纬度latitude和用户经度计算用户和勘测方位角计算理论AOA指标数据，并与MDT数据AOA指标数据进行比较，并分别计算偏差10°、20°和30°内数量占比，作为10°准确率、20°准确率和30°准确率；
Figure DEST_PATH_IMAGE062
；
式中式中，
Figure DEST_PATH_IMAGE064
、
Figure DEST_PATH_IMAGE066
、
Figure DEST_PATH_IMAGE068
分别为10°准确率、20°准确率和30°准确率；
Figure DEST_PATH_IMAGE070
、
Figure DEST_PATH_IMAGE072
、
Figure DEST_PATH_IMAGE074
分别为偏差在10°、20°和30°之内的用户数量；
Figure DEST_PATH_IMAGE076
为总用户数量；
S52分析步骤S4中获得的小区最终方位角的精度：通过对方位角预测值和勘测值比较，并分别统计二者偏差率在10°、20°、30°之内的小区数量占比，作为10°准确率、20°准确率和30°准确率：
Figure DEST_PATH_IMAGE078
；
式中，
Figure DEST_PATH_IMAGE080
、
Figure DEST_PATH_IMAGE082
、
Figure DEST_PATH_IMAGE084
分别为10°准确率、20°准确率和30°准确率；
Figure DEST_PATH_IMAGE086
、
Figure DEST_PATH_IMAGE088
、
Figure DEST_PATH_IMAGE090
分别偏差在10°、20°、30°之内的小区数量；
Figure DEST_PATH_IMAGE092
为预测的总样本小区数的数量。
CN202011206401.4A 2020-11-03 2020-11-03 一种基于终端采样数据aoa的方位角的预测方法 Active CN112040507B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011206401.4A CN112040507B (zh) 2020-11-03 2020-11-03 一种基于终端采样数据aoa的方位角的预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011206401.4A CN112040507B (zh) 2020-11-03 2020-11-03 一种基于终端采样数据aoa的方位角的预测方法

Publications (2)

Publication Number Publication Date
CN112040507A true CN112040507A (zh) 2020-12-04
CN112040507B CN112040507B (zh) 2021-01-26

Family

ID=73573414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011206401.4A Active CN112040507B (zh) 2020-11-03 2020-11-03 一种基于终端采样数据aoa的方位角的预测方法

Country Status (1)

Country Link
CN (1) CN112040507B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112351449A (zh) * 2021-01-08 2021-02-09 南京华苏科技有限公司 一种Massive MIMO单小区权值优化方法
WO2023103583A1 (zh) * 2021-12-10 2023-06-15 中兴通讯股份有限公司 小区工程参数测量方法、装置、电子设备及存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107015198A (zh) * 2017-05-08 2017-08-04 西安电子科技大学 一种基于天线非规则布设的室内定位方法
CN107063171A (zh) * 2017-04-21 2017-08-18 南京华苏科技有限公司 基于加权算法的姿态测量方法
US20180138941A1 (en) * 2010-03-22 2018-05-17 DecaWave, Ltd Timing recovery for use in an ultra-wideband communication system
US20190152476A1 (en) * 2017-11-17 2019-05-23 Subaru Corporation Lane deviation prevention control device for vehicle
CN110430578A (zh) * 2019-08-12 2019-11-08 北京互联无界科技有限公司 基于移动终端数据实现小区方位角预测的方法
US10735163B2 (en) * 2018-02-12 2020-08-04 Marvell International Ltd. Secure ranging measurement

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180138941A1 (en) * 2010-03-22 2018-05-17 DecaWave, Ltd Timing recovery for use in an ultra-wideband communication system
CN107063171A (zh) * 2017-04-21 2017-08-18 南京华苏科技有限公司 基于加权算法的姿态测量方法
CN107015198A (zh) * 2017-05-08 2017-08-04 西安电子科技大学 一种基于天线非规则布设的室内定位方法
US20190152476A1 (en) * 2017-11-17 2019-05-23 Subaru Corporation Lane deviation prevention control device for vehicle
US10735163B2 (en) * 2018-02-12 2020-08-04 Marvell International Ltd. Secure ranging measurement
CN110430578A (zh) * 2019-08-12 2019-11-08 北京互联无界科技有限公司 基于移动终端数据实现小区方位角预测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LEE BURCHETT: "《angle of arrival geolocation using non-linear optimization》", 《2012 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPSIUM》 *
朱格苗: "《基于用户数据实现天线方位角纠偏的方法》", 《无线通信》 *
顾涛: "《基于AOA的最大用户群方向角自优化方法》", 《移动通信》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112351449A (zh) * 2021-01-08 2021-02-09 南京华苏科技有限公司 一种Massive MIMO单小区权值优化方法
WO2023103583A1 (zh) * 2021-12-10 2023-06-15 中兴通讯股份有限公司 小区工程参数测量方法、装置、电子设备及存储介质

Also Published As

Publication number Publication date
CN112040507B (zh) 2021-01-26

Similar Documents

Publication Publication Date Title
CN105744535B (zh) 移动网络小区信息侦测与覆盖标定方法
CN112040507B (zh) 一种基于终端采样数据aoa的方位角的预测方法
WO2020107712A1 (zh) 基于用户数据实现天线方位角纠偏的方法
CN110430578B (zh) 基于移动终端数据实现小区方位角预测的方法
CN112203293B (zh) 小区过覆盖识别方法、装置、设备及计算机存储介质
CN110769459B (zh) 一种移动终端的定位方法、装置、存储介质及服务器
CN109714784B (zh) 一种天线方位角的优化方法和装置
CN109286946B (zh) 基于无依托定位的移动通信室内无线网络优化方法和系统
CN105761191A (zh) 一种城市动态空间结构圈层界定法
CN109429249A (zh) 一种基于mr定位数据的天线方位角优化方法及设备
CN109143156B (zh) 一种定位指纹库的校准方法及装置
CN111741493B (zh) 一种基于aoa与mdt的方位角的纠偏方法及装置
CN105491586A (zh) 小区基站天线方位角度测量方法与系统
CN110727752B (zh) 位置指纹库处理方法、设备及计算机可读存储介质
EP3197200A1 (en) Identification method, device and system of wcdma network cell soft handover band and storage medium
CN109600792B (zh) 一种lte mr数据的定位方法
WO2022267455A1 (zh) 欺诈用户集中区域的预测方法、装置、设备及存储介质
CN107484133B (zh) 一种基站覆盖范围的预测方法及预测系统
CN108541011B (zh) 无线网络信号覆盖区域的强度分析方法和装置
CN117135664A (zh) 一种测算指定目标区域5g覆盖小区的方法
CN110839251A (zh) 基于用户数据识别天线前后抑制比异常的方法
CN115412851B (zh) 室内定位方法、装置、服务器及存储介质
CN109600762A (zh) 基站天线的优化分布方法及装置
Jiangtao et al. An improved WKNN algorithm using in indoor positioning
CN107182066B (zh) 一种基于周期性测量数据的全网站点工参核查方法及装置

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