CN112040507B - 一种基于终端采样数据aoa的方位角的预测方法 - Google Patents

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AOA_mid，筛选保留AOA＝AOA_mid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Ta-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Ta-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Ta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Ta-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Ta-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Ta-distance筛选提高AOA质量中时间提前量(Ta)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Ta-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Ta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cell_id、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：

D＝R×arccos[cosβ₁cosβ₂cos(α₁-α₂)+sinβ₁sinβ₂]；

式中，D为用户和基站之间的直线距离；α₁，β₁分别为基站经度和基站纬度；α₂，β₂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Ta与用户-基站距离distance的关系为：Ta×78≤D≤(Ta+1)×78。时间提前量(Ta)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Ta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：

angle_AOA＝(-AOA×0.5)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；AOA为MDT数据中的AOA指标数据；n为整数，将angle_AOA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：

式中，angle为小区的用户相对基站的方位角；lon和lat分别为用户经度longitude和用户纬度latitude；lon_cell和lat_cell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：

angle_AOA＝(angle-angleaz_azi)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；angle为用户相对基站的方位角；angle_azi为天线的法线方位角；n为整数，将angle_AOA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：

式中，i为虚数单位；j为角度θ_j的次序；n为角度总数量；z_j为角度θ_j的极坐标复数表示；

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Ta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；

式中，

分别为10°准确率、20°准确率和30°准确率；

分别为偏差在10°、20°和 30°之内的用户数量；

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：

式中，Rate₁₀、Rate₂₀、Rate₃₀分别为10°准确率、20°准确率和30°准确率； num₁₀、num₂₀、num₃₀分别偏差在10°、20°、30°之内的小区数量；num_all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Ta-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Ta-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cell_id、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Ta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：

D＝R×arccos[cosβ₁cosβ₂cos(α₁-α₂)+sinβ₁sinβ₂]；

式中，D为用户和基站之间的直线距离；α₁，β₁分别为基站经度和基站纬度；α₂，β₂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Ta与用户-基站距离distance的关系为：Ta×78≤D≤(Ta+1)×78。时间提前量(Ta)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Ta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：

angle_AOA＝(-AOA×0.5)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；AOA为MDT 数据中的AOA指标数据；n为整数，将angle_AOA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：

式中，angle为小区的用户相对基站的方位角；lon和lat分别为用户经度longitude和用户纬度latitude；lon_cell和lat_cell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：

angle_AOA＝(angle-angle_azi)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；angle为用户相对基站的方位角；angle_azi为天线的法线方位角；n为整数，将angle_AOA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azi_sm，真实法线方向为azi_real，则根据AOA-方位角关系可知，对于某一MDT用户，基于azi_real和azi_sm的AOA 角度

和

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：

式中，i为虚数单位；j为角度θ_j的次序；n为角度总数量；z_j为角度θ_j的极坐标复数表示；

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Ta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Ta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；

式中，

分别为10°准确率、20°准确率和30°准确率；

分别为偏差在10°、20°和30°之内的用户数量；

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：

式中，Rate₁₀、Rate₂₀、Rate₃₀分别为10°准确率、20°准确率和30°准确率；num₁₀、num₂₀、num₃₀分别偏差在10°、20°、30°之内的小区数量；num_all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

(2)数据清洗：利用Ta-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，Ta和用户-基站距离存在如下关系：

式中，D为用户和基站之间的直线距离；TA为终端上报的Ta数据；α₁，β₁分别为基站经纬度；α₂，β₂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：

式中，angle为用户相对基站的方位角；lon和lat分别为用户经度和纬度，来自MDT数据；lon_cell和lat_cell分别为基站经度和纬度，来自资管工参； angle_AOA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；angle_azi天线的法线方位角；n为整数，将angle_AOA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：

式中，i为虚数单位；j为角度θ_j的次序；n为角度总数量；z_j为角度θ_j的极坐标复数表示；

为平均角度。

(5)预测结果与精度验证：

S51、时间提前量Ta-distance清洗前后AOA质量：

本发明利用Ta-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，Ta-distance 筛选前后AOA质量有明显的提升。

表2 Ta-distance筛选前后AOA质量

S52、方位角预测结果的精度分析：

对Ta-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

偏差	准确数量	总数量	准确率(％)
				偏差≤10°	167	256	65.23
偏差≤20°	219	256	85.55
				偏差≤30°	238	256	92.97

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 (3)

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Ta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；

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：

D＝R×arccos[cosβ₁cosβ₂cos(α₁-α₂)+sinβ₁sinβ₂]；

式中，D为用户和基站之间的直线距离；α₁，β₁分别为基站经度和基站纬度；α₂，β₂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Ta与用户-基站距离distance的关系为：Ta×78≤D≤(Ta+1)×78；

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：

angle_AOA＝(-AOA×0.5)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；AOA为MDT数据中的AOA指标数据；n为整数，将angle_AOA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：

式中，angle为小区的用户相对基站的方位角；lon和lat分别为用户经度longitude和用户纬度latitude；lon_cell和lat_cell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：

angle_AOA＝(angle-angle_azi)+n×360；

式中，angle_AOA为转化后的AOA指标数据的顺时针角度；angle为用户相对基站的方位角；angle_azi为天线的法线方位角；n为整数，将angle_AOA转化到0-360°范围内；

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：

式中，i为虚数单位；j为角度θ_j的次序；n为角度总数量；z_j为角度θ_j的极坐标复数表示；

为平均角度；

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Ta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；

式中，

分别为10°准确率、20°准确率和30°准确率；

分别为偏差在10°、20°和30°之内的用户数量；

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：

式中，Rate₁₀、Rate₂₀、Rate₃₀分别为10°准确率、20°准确率和30°准确率；num₁₀、num₂₀、num₃₀分别偏差在10°、20°、30°之内的小区数量；num_all为预测的总样本小区数的数量。

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Ta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cell_id、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。

Images