CN112243237B - 小微站选址方法、装置及电子设备 - Google Patents

小微站选址方法、装置及电子设备 Download PDF

Info

Publication number
CN112243237B
CN112243237B CN201910642004.2A CN201910642004A CN112243237B CN 112243237 B CN112243237 B CN 112243237B CN 201910642004 A CN201910642004 A CN 201910642004A CN 112243237 B CN112243237 B CN 112243237B
Authority
CN
China
Prior art keywords
micro
station
grid
sampling points
covered
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
CN201910642004.2A
Other languages
English (en)
Other versions
CN112243237A (zh
Inventor
杨占军
王国治
张士聪
姜奇华
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.)
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Zhejiang 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 China Mobile Communications Group Co Ltd, China Mobile Group Zhejiang Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN201910642004.2A priority Critical patent/CN112243237B/zh
Publication of CN112243237A publication Critical patent/CN112243237A/zh
Application granted granted Critical
Publication of CN112243237B publication Critical patent/CN112243237B/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
    • 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)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明实施例涉及通信技术领域，公开了一种小微站选址方法、装置及电子设备。该方法包括：根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和；根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和；采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。通过上述方式，本发明实施例可以精准快速找到小微站站址，能准确投放小微站到覆盖热点区域。

Description

小微站选址方法、装置及电子设备
技术领域
本发明实施例涉及通信技术领域，具体涉及一种小微站选址方法、装置及电子设备。
背景技术
随着长期演进(Long Term Evolution，LTE)网络的发展和4G用户的快速增长，导致网络高话务的问题逐渐凸显，热点区域小区已经不能保障多用户的业务需求，比如重要体育赛事、大型演唱会等活动均为可能形成高话务场景。在高话务场景下，大量用户短时间内同时发起随机接入，集中并发使用数据业务进行图片和视频的上传，导致无线接通率等KPI指标恶化，严重影响用户感知，甚至危及网络安全。降低高话务量提升用户感知的长远部署显得越发重要。
一个小微站可以同时解决多个测量报告(Measurement Report，MR)覆盖热点区域。为了提高用户感知度，运营商们会选择增站扩容，以增加小微站来扩充网络容量，已达到吸收话务量提高用户感知度的目标。然而，无线通信网络的持续扩大及新基站的建设相应的会增加基站间的相互干扰，影响网络的服务质量，因此小微站的选址和建设遇到很多难题。
目前，小微站选址由专门提供网络规划与优化服务的第三方服务公司通过相应软件找出信号较弱的地区，经过测量后选择出大致的候选基站位置；然后对每个候选站点进行相应的现场查勘、场强预测，通过反复的局部调整最终确定满足网络整体要求的站址位置。另外一种方式是通过仿真手段确定基站选址，获取目标区域的按照预设方式划分的栅格和栅格的位置等效点；根据未覆盖位置等效点对应栅格的权重选择作为基站站址的栅格。
目前的小微站选址方式，第一种方式消耗了大量的人力物力且准确性低，第二种方式无法对带状交通干线等区域进行仿真，无法实现准确的基站选址。因此现有技术的选址结果往往与实际问题中的最优站址相差甚远。
发明内容
鉴于上述问题，本发明实施例提供了一种小微站选址方法、装置及电子设备，克服了上述问题或者至少部分地解决了上述问题。
根据本发明实施例的一个方面，提供了一种小微站选址方法，所述方法包括：根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格；根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格；采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
在一种可选的方式中，所述方法基于微站的建站模型图进行，在所述根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和之前，所述方法还包括：将所述微站的建站模型图的经纬度转换成墨卡托坐标系。
在一种可选的方式中，所述没有被微站重复覆盖的采样点为
Figure BDA0002132204570000021
其中ai表示第i栅格上的MR采样点，Si表示第i栅格被微站覆盖的面积，Sa表示栅格总面积，所述第i栅格属于第一栅格。
在一种可选的方式中，所述被微站重复覆盖的采样点为
Figure BDA0002132204570000022
其中aj表示第j栅格上的MR采样点，Cj表示第j栅格被所有微站覆盖的面积，Dj表示第j栅格被任意两个微站重复覆盖的面积，Sa表示栅格总面积，所述第j栅格属于第二栅格。
在一种可选的方式中，所述采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置之前，所述方法还包括：根据所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和建立目标函数。
在一种可选的方式中，所述采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置，进一步包括：初始化符合微站建站约束条件的微粒及其参数，其中所述微粒为微站随机点；评价每个所述微粒的适应值，根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，以及根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置；调整所述微粒的速度和位置，并重复计算微粒的适应值，直至满足建站要求；输出微站建站位置。
在一种可选的方式中，所述根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，进一步包括：根据所述微粒的适应值计算目标函数f的值，得到f1；根据所述微粒经过的最好位置计算目标函数的值，得到f2；比较所述f1和f2；若f1>f2，则将所述微粒的适应值确定为当前该微粒经过的最好位置；所述根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置，进一步包括：根据所述微粒的适应值计算目标函数f的值，得到f1’；根据所有微粒中经过的最好位置计算目标函数的值，得到f2’；比较所述f1’和f2’；若f1’>f2’，则将所述微粒的适应值确定为当前所有微粒中经过的最好位置。
在一种可选的方式中，所述直至满足建站要求，进一步包括：当最大迭代次数或者微粒群搜索到的最优位置满足预定最小适应阈值时，确定满足建站要求。
根据本发明实施例的另一方面，提供了一种小微站选址装置，所述装置包括：第一确定模块，用于根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格；第二确定模块，用于根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格；第三确定模块，用于采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
根据本发明实施例的另一方面，提供了一种电子设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如上所述的小微站选址方法的操作。
根据本发明实施例的另一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上所述的小微站选址方法的操作。
本发明实施例根据小微站的建站原则和MR数据，通过线性递减权值的微粒寻优算法可以精准快速找到小微站站址，能准确投放小微站到覆盖热点区域；与人工测试相比节省了人工寻址成本，与仿真栅格化方式相比能够更加准确的寻找到站址，从而避免小微站址不准确资源浪费的情形。
上述说明仅是本发明实施例技术方案的概述，为了能够更清楚了解本发明实施例的技术手段，而可依照说明书的内容予以实施，并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的小微站选址方法的流程图；
图2示出了小微站建站模型图；
图3示出了本发明实例提供的求解目标函数的流程图；
图4示出了本发明实施例提供的小微站选址装置的结构示意图；
图5示出了本发明实施例提供的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
测量报告(Measurement Report，MR)采样点一定程度上可以表示业务量的多少，本发明实施例提供了一种小微站选址方法，根据MR定位栅格化采样点分布和小微站的建站原则，基于改进的线性递减权值(Linearly Decreasing Weight，LDW)的微粒寻优算法(Particle Swarm Optimization，PSO)，改进后的微粒寻优算法能有效减少微粒的无效迭代，提高效率的同时具有较高的收敛精度，能有效避免早熟收敛问题。以小微站覆盖MR采样点总和最多为目标，以建站的原则为约束条件，找出小微站的建站位置，使小微站选址规划更加合理。
图1示出了本发明实施例提供的小微站选址方法的流程图。如图1所示，该方法包括：
步骤11：根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格。
步骤12：根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格。
步骤13：采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
本发明实施例根据小微站的建站原则和MR数据，通过线性递减权值的微粒寻优算法可以精准快速找到小微站站址，能准确投放小微站到覆盖热点区域；与人工测试相比节省了人工寻址成本，与仿真栅格化方式相比能够更加准确的寻找到站址，从而避免小微站址不准确资源浪费的情形。
本发明上述实施例的方法可以基于微站的建站模型图进行。图2示出了小微站建站模型图，如图2所示，根据测试或平台已知高话务场景区域50×50米栅格以及每个栅格里采样点数，可用集合A表示为{a1，a2，...，ai，...，ak}，需要建小微站的数目为n。建站目标是小微站吸收的业务量最多，即小微站覆盖MR的采样点总和最多，也即以小微站为圆心，半径为100米，需覆盖采样点总和最大。
建站约束条件为：(1)小微站覆盖范围内不能重复建站；(2)小微站覆盖50米范围内不能有室内分布系统(室分系统)。
建立小微站选址目标函数的步骤如下：
将建小微站的经纬度转换成墨卡托坐标系，小微站的位置分别为{(x1，y1)，(x2，y2)，…，(xn，yn)}。也即在执行步骤11之前，需要先执行将所述微站的建站模型图的经纬度转换成墨卡托坐标系的步骤。已知的m个室分位置为{(X1，Y1)，(X2，Y2)，…，(Xm，Ym)}。
则所述没有被微站重复覆盖的采样点为
Figure BDA0002132204570000061
其中ai表示第i栅格上的MR采样点，Si表示第i栅格被微站覆盖的面积，Sa表示栅格总面积，所述第i栅格属于第一栅格。
具体的，Si为小微站覆盖与第i个栅格相交面积为，本实施例中栅格总面积Sa为2500平米，则小微站与单个栅格的等效采样点为
Figure BDA0002132204570000062
单个微站没有重复覆盖采样点和为
Figure BDA0002132204570000063
其中t为单个微站覆盖范围内与栅格相交、且不与其它微站覆盖重合的微站个数。
所述被微站重复覆盖的采样点为
Figure BDA0002132204570000064
其中aj表示第j栅格上的MR采样点，Cj表示第j栅格被所有微站覆盖的面积，Dj表示第j栅格被任意两个微站重复覆盖的面积，Sa表示栅格总面积，所述第j栅格属于第二栅格。
具体的，q个微站同时覆盖第j栅格，小微站覆盖与第j个栅格相交面积分别为{Sj1，Sj2，…，Sjq}，其面积总和
Figure BDA0002132204570000071
小微站覆盖之间相交面积分别为{S′j1，S′j2，...，S′jp}，其面积总和
Figure BDA0002132204570000072
本实施例中栅格总面积Sa为2500平米，则小微站采样点覆盖重合采样点
Figure BDA0002132204570000073
微站重复覆盖采样点和为
Figure BDA0002132204570000074
其中g为微站重复覆盖与栅格相交的个数，即只计算一次覆盖栅格面积占有的采样点。
本发明实施例中，小微站建站的约束条件为：
(1)(xi，yi)≠(Xh，Yh)为圆心，50米为半径内的点；
(2)
Figure BDA0002132204570000075
d≥100，其中i≠j，任意两个小微站的距离要大于或等于100米；
其中(xi，yi)，(xj，yj)为第i和第j个微站的位置，(Xh，Yh)为室分位置。
下面对采用改进的线性递减权值的微粒寻优算法，求解目标函数的过程进行详细说明。步骤13进一步包括：
步骤131：根据所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和建立目标函数。
其中，建立目标函数
Figure BDA0002132204570000076
后续将据此求f值最大时的微站站址。
步骤132：初始化符合微站建站约束条件的微粒及其参数，其中所述微粒为微站随机点。
步骤133：评价每个所述微粒的适应值，根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，以及根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置。
步骤134：调整所述微粒的速度和位置，并重复计算微粒的适应值，直至满足建站要求。
其中，当最大迭代次数或者微粒群搜索到的最优位置满足预定最小适应阈值时，确定满足建站要求。
步骤135：输出微站建站位置。
进一步的，本发明的上述实施例中步骤133包括：
步骤A1：所述根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置进一步包括：
步骤A2：根据所述微粒的适应值计算目标函数f的值，得到f1；
步骤A3：根据所述微粒经过的最好位置计算目标函数的值，得到f2；
步骤A4：比较所述f1和f2；
步骤A5：若f1>f2，则将所述微粒的适应值确定为当前该微粒经过的最好位置。
进一步的，本发明的上述实施例中步骤203还包括：
步骤B1：所述根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置，进一步包括：
步骤B2：根据所述微粒的适应值计算目标函数f的值，得到f1’；
步骤B3：根据所有微粒中经过的最好位置计算目标函数的值，得到f2’；
步骤B4：比较所述f1’和f2’；
步骤B5：若f1’>f2’，则将所述微粒的适应值确定为当前所有微粒中经过的最好位置。
下面通过一具体实例对本发明上述实施例中采用改进的线性递减权值的微粒寻优算法，求解目标函数的过程进行进一步详细说明。图3示出了本发明实例提供的求解目标函数的流程图，如图3所示，该流程包括：
步骤31：初始化微粒群各参数。
初始化一群微粒，微粒为符合约束条件的随机点。初始化参数群体规模为N、动态惯性因子为ω(t)，ωini为初始惯性因子，ωend为迭代至最大进化代数时的惯性因子，因子学习c1和c2，r1和r2是介于(0，1)之间的随机数，最大速度为Vmax，最大迭代次数为Gk。
步骤32：微粒适应度计算。
本步骤评价每个微粒的适应度(也即适应值)。明实施例中，使用目标函数f＝At+Dg评价微粒的适应度。
步骤33：寻找个体极值和群体极值。
寻找个体极值时，对每个微粒，将其适应值与其经过的最好位置pbest作比较，如果较好，则将其作为当前最好位置Pbest；寻找群体极值时，对每个微粒，将其适应值与其经过的最好位置gbest作比较，如果较好，则将其作为当前最好位置gbest。
其中，在比较适应值与其经过的最好位置时，可根据适应值计算出目标函数f的值，建站目标是希望f最大。因此，比较适应值计算函数f与pbest/gbest计算函数f的大小，若适应值计算函数f的大小比pbest/gbest大，则将适应值赋值给pbest/gbest。
步骤34：根据公式更新速度和位置。
根据以下公式调整速度和位置，实现惯性因子的线性递减策略。
更新速度：
Figure BDA0002132204570000091
更新位移(也即位置)
Figure BDA0002132204570000092
其中
Figure BDA0002132204570000093
为微粒的当前位置，
Figure BDA0002132204570000094
的最大值为Vmax(大于0)，如果
Figure BDA0002132204570000095
大于Vmax，则
Figure BDA0002132204570000096
惯性因子：
Figure BDA0002132204570000097
步骤35：微粒适应度计算。
本步骤在更新速度和位置后，重新计算微粒适应度。具体计算方式可参考步骤32。
步骤36：个体极值和群体极值更新。
本步骤与步骤33相同，具体执行过程可参考步骤33。
步骤37：判断是否满足终止条件。若满足，执行步骤38，否则，执行步骤34。
迭代终止条件根据具体问题一般选为最大迭代次数Gk或者微粒群迄今为止搜索到的最优位置满足预定最小适应阈值。最小适应阈值一般根据实际情况设定，本发明对此不做限定。
步骤38：输出建站位置。
至此，完成小微站的选址。
图4示出了本发明实施例提供的小微站选址装置的结构示意图。如图4所示，该装置40包括：第一确定模块41、第二确定模块42和第三确定模块43。
第一确定模块41用于根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格；第二确定模块42用于根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格；第三确定模块43用于采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
在一种可选的方式中，所述装置基于微站的建站模型图进行小微站选址，所述装置还包括经纬度转换模块，用于将所述微站的建站模型图的经纬度转换成墨卡托坐标系。
在一种可选的方式中，所述没有被微站重复覆盖的采样点为
Figure BDA0002132204570000111
其中ai表示第i栅格上的MR采样点，Si表示第i栅格被微站覆盖的面积，Sa表示栅格总面积，所述第i栅格属于第一栅格。
在一种可选的方式中，所述被微站重复覆盖的采样点为
Figure BDA0002132204570000112
其中aj表示第j栅格上的MR采样点，Cj表示第j栅格被所有微站覆盖的面积，Dj表示第j栅格被任意两个微站重复覆盖的面积，Sa表示栅格总面积，所述第j栅格属于第二栅格。
在一种可选的方式中，所述装置还包括函数建立模块，用于根据所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和建立目标函数。
在一种可选的方式中，所述第三确定模块43进一步用于：
初始化符合微站建站约束条件的微粒及其参数，其中所述微粒为微站随机点；
评价每个所述微粒的适应值，根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，以及根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置；
调整所述微粒的速度和位置，并重复计算微粒的适应值，直至满足建站要求；
输出微站建站位置。
在一种可选的方式中，所述第三确定模块43进一步用于：
根据所述微粒的适应值计算目标函数f的值，得到f1；
根据所述微粒经过的最好位置计算目标函数的值，得到f2；
比较所述f1和f2；
若f1＞f2，则将所述微粒的适应值确定为当前该微粒经过的最好位置；
在一种可选的方式中，所述第三确定模块43进一步用于：
根据所述微粒的适应值计算目标函数f的值，得到f1’；
根据所有微粒中经过的最好位置计算目标函数的值，得到f2’；
比较所述f1’和f2’；
若f1’>f2’，则将所述微粒的适应值确定为当前所有微粒中经过的最好位置。
在一种可选的方式中，所述直至满足建站要求，进一步包括：
当最大迭代次数或者微粒群搜索到的最优位置满足预定最小适应阈值时，确定满足建站要求。
本发明实施例根据小微站的建站原则和MR数据，通过线性递减权值的微粒寻优算法可以精准快速找到小微站站址，能准确投放小微站到覆盖热点区域；与人工测试相比节省了人工寻址成本，与仿真栅格化方式相比能够更加准确的寻找到站址，从而避免小微站址不准确资源浪费的情形。
本发明实施例提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行上述任意方法实施例中的小微站选址方法的步骤。
本发明实施例提供了一种计算机程序产品，所述计算机程序产品包括存储在计算机存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，使所述计算机执行上述任意方法实施例中的小微站选址方法的步骤。
图5示出了本发明实施例提供的电子设备的结构示意图，本发明具体实施例并不对电子设备的具体实现做限定。
如图5所示，该电子设备可以包括：处理器(processor)502、通信接口(Communications Interface)504、存储器(memory)506、以及通信总线508。
其中：处理器502、通信接口504、以及存储器506通过通信总线508完成相互间的通信。通信接口504，用于与其它设备比如客户端或其它服务器等的网元通信。处理器502，用于执行程序510，具体可以执行上述任意方法实施例中的小微站选址方法。
具体地，程序510可以包括程序代码，该程序代码包括计算机操作指令。
处理器502可能是中央处理器CPU，或者是特定集成电路ASIC(ApplicationSpecific Integrated Circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路。电子设备包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器506，用于存放程序710。存储器506可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。
本发明实施例通过利用FA对接收端采集的原始RSSI信号进行预处理，提取其中的定位特征量，减少RSSI信号之间的相关性，有效的降低了在线计算量，且减少了多径效应和阴影效应的影响，提高了室内定位的准确性，此外采用BP神经网络算法收敛速度快且准确度高，整体上兼顾了效率和准确性。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。

Claims (10)

1.一种小微站选址方法，其特征在于，所述方法包括：
根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格；所述采样点表征业务量的多少；
根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格；
采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
2.根据权利要求1所述的方法，其特征在于，所述方法基于微站的建站模型图进行，在所述根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和之前，所述方法还包括：
将所述微站的建站模型图的经纬度转换成墨卡托坐标系。
3.根据权利要求1所述的方法，其特征在于，所述没有被微站重复覆盖的采样点为
Figure FDA0003565615510000011
其中ai表示第i栅格上的MR采样点，Si表示第i栅格被微站覆盖的面积，Sa表示栅格总面积，所述第i栅格属于第一栅格。
4.根据权利要求1所述的方法，其特征在于，所述被微站重复覆盖的采样点为
Figure FDA0003565615510000012
其中aj表示第j栅格上的MR采样点，Cj表示第j栅格被所有微站覆盖的面积，Dj表示第j栅格被任意两个微站重复覆盖的面积，Sa表示栅格总面积，所述第j栅格属于第二栅格。
5.根据权利要求1所述的方法，其特征在于，所述采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置之前，所述方法还包括：
根据所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和建立目标函数。
6.根据权利要求5所述的方法，其特征在于，所述采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置，进一步包括：
初始化符合微站建站约束条件的微粒及其参数，其中所述微粒为微站随机点；
评价每个所述微粒的适应值，根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，以及根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置；
调整所述微粒的速度和位置，并重复计算微粒的适应值，直至满足建站要求；
输出微站建站位置。
7.根据权利要求6所述的方法，其特征在于，所述根据所述目标函数比较每个微粒的所述适应值与该微粒经过的最好位置，选择二者中最好的位置作为当前该微粒经过的最好位置，进一步包括：
根据所述微粒的适应值计算目标函数f的值，得到f1；
根据所述微粒经过的最好位置计算目标函数的值，得到f2；
比较所述f1和f2；
若f1＞f2，则将所述微粒的适应值确定为当前该微粒经过的最好位置；
所述根据所述目标函数比较每个微粒的所述适应值与所有微粒中经过的最好位置，选择二者中最好的位置作为当前所有微粒中经过的最好位置，进一步包括：
根据所述微粒的适应值计算目标函数f的值，得到f1’；
根据所有微粒中经过的最好位置计算目标函数的值，得到f2’；
比较所述f1’和f2’；
若f1’＞f2’，则将所述微粒的适应值确定为当前所有微粒中经过的最好位置。
8.根据权利要求6所述的方法，其特征在于，所述直至满足建站要求，进一步包括：
当最大迭代次数或者微粒群搜索到的最优位置满足预定最小适应阈值时，确定满足建站要求。
9.一种小微站选址装置，其特征在于，所述装置包括：
第一确定模块，用于根据第一栅格的MR采样点、所述第一栅格被微站覆盖的面积以及栅格总面积，确定没有被微站重复覆盖的采样点之和，其中，所述第一栅格为被单个微站覆盖的栅格；所述采样点表征业务量的多少；
第二确定模块，用于根据第二栅格的MR采样点、所述第二栅格被所有微站覆盖的面积之和、所述第二栅格被任意两个微站重复覆盖的面积之和以及栅格总面积，确定被微站重复覆盖的采样点之和，其中，所述第二栅格为至少被两个微站重复覆盖的栅格；
第三确定模块，用于采用线性递减权值的微粒寻优算法确定所述没有被微站重复覆盖的采样点之和与所述被微站重复覆盖的采样点之和的总和最大时的微站建站位置。
10.一种电子设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-8中任意一项所述的小微站选址方法的操作。
CN201910642004.2A 2019-07-16 2019-07-16 小微站选址方法、装置及电子设备 Active CN112243237B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910642004.2A CN112243237B (zh) 2019-07-16 2019-07-16 小微站选址方法、装置及电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910642004.2A CN112243237B (zh) 2019-07-16 2019-07-16 小微站选址方法、装置及电子设备

Publications (2)

Publication Number Publication Date
CN112243237A CN112243237A (zh) 2021-01-19
CN112243237B true CN112243237B (zh) 2022-07-01

Family

ID=74167001

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910642004.2A Active CN112243237B (zh) 2019-07-16 2019-07-16 小微站选址方法、装置及电子设备

Country Status (1)

Country Link
CN (1) CN112243237B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105516992A (zh) * 2015-12-14 2016-04-20 广东省电信工程有限公司 一种lte网络的pci规划方法
CN105657726A (zh) * 2016-04-11 2016-06-08 长讯通信服务有限公司 一种pci规划基站选址方法
CN108243425A (zh) * 2016-12-23 2018-07-03 中国移动通信集团公司 一种待建基站的位置确定方法及装置
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
CN109429234A (zh) * 2017-08-23 2019-03-05 中兴通讯股份有限公司 一种基站的部署方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105516992A (zh) * 2015-12-14 2016-04-20 广东省电信工程有限公司 一种lte网络的pci规划方法
CN105657726A (zh) * 2016-04-11 2016-06-08 长讯通信服务有限公司 一种pci规划基站选址方法
CN108243425A (zh) * 2016-12-23 2018-07-03 中国移动通信集团公司 一种待建基站的位置确定方法及装置
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
CN109429234A (zh) * 2017-08-23 2019-03-05 中兴通讯股份有限公司 一种基站的部署方法及装置

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
TD-LTE农村广覆盖规划方案分析;杨云;《电信工程技术与标准化》;20170915(第09期);全文 *
Ultra-Dense 5G Small Cell Deployment for Fiber and Wireless Backhaul-Aware Infrastructures;Ali Lotfi Rezaabad et al.;《IEEE Transactions on Vehicular Technology》;20181010;全文 *
改进粒子群算法及其在基站优化选址中的应用研究;周玉光;《中国优秀硕士学位论文全文数据库 信息科技辑》;20141015;全文 *

Also Published As

Publication number Publication date
CN112243237A (zh) 2021-01-19

Similar Documents

Publication Publication Date Title
CN111836358B (zh) 定位方法、电子设备和计算机可读存储介质
CN110418354A (zh) 一种基于机器学习的免传播模型无线网络规划方法
CN110346654B (zh) 基于普通克里金插值的电磁频谱地图构建方法
CN111417066B (zh) 定位方法、装置、电子设备和计算机可读存储介质
CN108271171B (zh) 建筑物网络状况统计方法及装置
CN106921989B (zh) 一种通信网络场强分布确定方法及装置
CN114501530B (zh) 基于深度强化学习的天线参数的确定方法和装置
Hashimoto et al. SICNN: Spatial interpolation with convolutional neural networks for radio environment mapping
JP6696859B2 (ja) 品質推定装置及び品質推定方法
CN114630348B (zh) 基站天线参数调整方法、装置、电子设备及存储介质
CN112950243A (zh) 一种5g站址规划方法、装置、电子设备及存储介质
CN112469066A (zh) 5g网络覆盖评估方法及装置
CN113056005A (zh) 波束确定方法、装置、电子设备及计算机可读存储介质
CN115412926A (zh) 基站站址规划方法、基站站址规划系统、设备及介质
CN114710787B (zh) 网络规划方法、装置、设备及存储设备
CN113133022B (zh) 一种基于构建mimo多径的下载速率提升方法和系统
CN112566143B (zh) 负载均衡方法、装置及计算设备
CN108616836A (zh) 一种基于信号统计分布的wlan定位组网方法
CN113301503B (zh) 弱覆盖区域检测方法及装置
CN112469116B (zh) 定位方法、装置、电子设备和计算机可读存储介质
US8358305B2 (en) Method for 3D preprocessing for ray tracing
CN111506104B (zh) 一种规划无人机位置的方法及装置
CN112243237B (zh) 小微站选址方法、装置及电子设备
CN109615680B (zh) 基于泰森多边形和距离反比实现无线频谱资源空间分布插值处理的方法、装置及其存储介质
CN114390534B (zh) 波束模式确定方法、装置、电子设备及存储介质

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