CN112312342A - 基于指纹库精准分离算法的4g室内深度覆盖优化方法 - Google Patents

基于指纹库精准分离算法的4g室内深度覆盖优化方法 Download PDF

Info

Publication number
CN112312342A
CN112312342A CN202011214603.3A CN202011214603A CN112312342A CN 112312342 A CN112312342 A CN 112312342A CN 202011214603 A CN202011214603 A CN 202011214603A CN 112312342 A CN112312342 A CN 112312342A
Authority
CN
China
Prior art keywords
indoor
sampling point
method based
optimization method
separation algorithm
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.)
Pending
Application number
CN202011214603.3A
Other languages
English (en)
Inventor
谢丹
左修玉
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.)
Inspur Tianyuan Communication Information System Co Ltd
Original Assignee
Inspur Tianyuan Communication Information System 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 Inspur Tianyuan Communication Information System Co Ltd filed Critical Inspur Tianyuan Communication Information System Co Ltd
Priority to CN202011214603.3A priority Critical patent/CN112312342A/zh
Publication of CN112312342A publication Critical patent/CN112312342A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/30—Services specially adapted for particular environments, situations or purposes
    • H04W4/33—Services specially adapted for particular environments, situations or purposes for indoor environments, e.g. buildings
    • 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
    • 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
    • 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
    • H04W16/20—Network planning tools for indoor coverage or short range network deployment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Remote Sensing (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

本发明特别涉及一种基于指纹库精准分离算法的4G室内深度覆盖优化方法。该基于指纹库精准分离算法的4G室内深度覆盖优化方法，利用指纹库技术准确定位MR采样点经纬度，结合MR采样点的切换特性、室内外移动特性以及主服务小区数量特性因素，对MR采样点进行室内外区分，对室内网络覆盖进行透视，对室内覆盖进行优化，结合室内外场景对用户行为进行分析，对用户感知提升，从而为网络优化提供优化依据，支撑客户的业务发展和网络建设的需求。该基于指纹库精准分离算法的4G室内深度覆盖优化方法，不仅降低了人工测试投入成本和人工分析成本，还提高了室内4G无线网络覆盖质量，从而提高用户满意度，有利于提高通信运营商品牌形象。

Description

基于指纹库精准分离算法的4G室内深度覆盖优化方法
技术领域
本发明涉及通信行业无线室内网络质量评估技术领域，特别涉及一种基于指纹库精准分离算法的4G室内深度覆盖优化方法。
背景技术
室内环境特点是无线传播环境复杂、盲点区域多、室内覆盖质量判断困难。传统采用路测法方法进行室内覆盖质量测试。
现有路测技术为测试人员携带测试设备进入室内区域，通过测试设备测试室内信号质量。该方法具有时间、地域、人员安排的限制，导致测试不能实时进行，无法准实时的掌握室内覆盖质量。
基于上述问题，本发明提出了一种基于指纹库精准分离算法的4G室内深度覆盖优化方法。
发明内容
本发明为了弥补现有技术的缺陷，提供了一种简单高效的基于指纹库精准分离算法的4G室内深度覆盖优化方法。
本发明是通过如下技术方案实现的：
一种基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：利用指纹库技术准确定位MR(Measurement Report，测量报告)采样点经纬度，结合MR采样点的切换特性、室内外移动特性以及主服务小区数量特性因素，对MR采样点进行室内外区分，对室内网络覆盖进行透视，对室内覆盖进行优化，结合室内外场景对用户行为进行分析，对用户感知提升，从而为网络优化提供优化依据，支撑客户的业务发展和网络建设的需求。
该基于指纹库精准分离算法的4G室内深度覆盖优化方法，采用MDT(MinimizationDrive Test，最小化路测)的高精度定位数据，并采用机器学习模型预测填充MDT中缺失的经纬度数据，对用户进行精准定位。
该基于指纹库精准分离算法的4G室内深度覆盖优化方法，利用MDT数据结合机器学习Deep Learning(深度学习)模型，通过分类加回归的方法进行指纹特征提取与训练，完善优化指纹库，提高指纹库定位准确度。
所述机器学习Deep Learning(深度学习)模型采用含有经纬度值的MDT数据作为训练数据集，经数据清洗后，进行模型训练。
所述机器学习Deep Learning(深度学习)模型的数据特征包括主服务小区的经纬度，PCI(Physical Cell Identifier，即物理小区标识)和RSRP(Reference SignalReceiving Power，参考信号接收功率)。
采用模型堆叠(Model Stacking)的集成方法，建立双层综合模型。
基于MRO(Maintenance维护、Repair维修、Operation运行)数据和工参数据，结合MR采样点的切换特性，室内外移动特性以及小区数量特性因素，对MR采样点进行室内外区分，结合室内外场景对用户行为进行分析。
基于分离后的MR室内采样点，识别室内弱覆盖、过覆盖与重叠覆盖，并根据室内覆盖问题类型、室内小区参数以及反馈信息，智能输出4G室内覆盖问题优化方案。
基于指纹库精准分离算法的4G室内深度覆盖优化方法，包括以下步骤：
S1.对MR采样点的MRO数据按照用户时序进行排列，并打上时段标签；
S2.若MRO数据和工参数据来自室分天线，则认为该MR采样点为室内采样点；
若MRO数据和工参数据来自宏站天线，则判断邻区是否有室分天线，RSRP是否小于90，若邻区有室分天线，且RSRP不小于90，则认为该MR采样点为室内采样点，否则跳转步骤S3；
S3.判断2个室分采样点时间间隔是否在3分钟以内，若在3分钟以内，，则认为该MR采样点为室内采样点；若不在3分钟在内，则跳转步骤S4；
S4.判断5分钟内主服务小区是否不变，以及RSRP在3db占比是否为80％，若5分钟内主服务小区不变，且RSRP在3db占比为80％，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则跳转步骤S5；
S5.判断3分钟内主服务小区变化数是否大于3个，每个主服务RSRP在6db内占比是否为80％，若3分钟内主服务小区变化数不大于3个，每个主服务RSRP在6db内占比为80％，，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点；
S6.判断是否符合室内距离特性，若符合则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点。
本发明的有益效果是：该基于指纹库精准分离算法的4G室内深度覆盖优化方法，不仅降低了人工测试投入成本和人工分析成本，还提高了室内4G无线网络覆盖质量，从而提高用户满意度，有利于提高通信运营商品牌形象。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
附图1为本发明基于指纹库精准分离算法的4G室内深度覆盖优化方法示意图。
具体实施方式
为了使本技术领域的人员更好的理解本发明中的技术方案，下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚，完整的描述。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，都应当属于本发明保护的范围。
该基于指纹库精准分离算法的4G室内深度覆盖优化方法，利用指纹库技术准确定位MR(Measurement Report，测量报告)采样点经纬度，结合MR采样点的切换特性、室内外移动特性以及主服务小区数量特性因素，对MR采样点进行室内外区分，对室内网络覆盖进行透视，对室内覆盖进行优化，结合室内外场景对用户行为进行分析，对用户感知提升，从而为网络优化提供优化依据，支撑客户的业务发展和网络建设的需求。
该基于指纹库精准分离算法的4G室内深度覆盖优化方法，采用MDT(MinimizationDrive Test，最小化路测)的高精度定位数据，并采用机器学习模型预测填充MDT中缺失的经纬度数据，对用户进行精准定位。
该基于指纹库精准分离算法的4G室内深度覆盖优化方法，利用MDT数据结合机器学习Deep Learning(深度学习)模型，通过分类加回归的方法进行指纹特征提取与训练，完善优化指纹库，提高指纹库定位准确度。
所述机器学习Deep Learning(深度学习)模型采用含有经纬度值的MDT数据作为训练数据集，经数据清洗后，进行模型训练。
所述机器学习Deep Learning(深度学习)模型的数据特征包括主服务小区的经纬度，PCI(Physical Cell Identifier，即物理小区标识)和RSRP(Reference SignalReceiving Power，参考信号接收功率)。
采用模型堆叠(Model Stacking)的集成方法，建立双层综合模型。
基于MRO(Maintenance维护、Repair维修、Operation运行)数据和工参数据，结合MR采样点的切换特性，室内外移动特性以及小区数量特性因素，对MR采样点进行室内外区分，结合室内外场景对用户行为进行分析。
基于分离后的MR室内采样点，识别室内弱覆盖、过覆盖与重叠覆盖，并根据室内覆盖问题类型、室内小区参数以及反馈信息，智能输出4G室内覆盖问题优化方案。
基于指纹库精准分离算法的4G室内深度覆盖优化方法，包括以下步骤：
S1.对MR采样点的MRO数据按照用户时序进行排列，并打上时段标签；
S2.若MRO数据和工参数据来自室分天线，则认为该MR采样点为室内采样点；
若MRO数据和工参数据来自宏站天线，则判断邻区是否有室分天线，RSRP是否小于90，若邻区有室分天线，且RSRP不小于90，则认为该MR采样点为室内采样点，否则跳转步骤S3；
S3.判断2个室分采样点时间间隔是否在3分钟以内，若在3分钟以内，，则认为该MR采样点为室内采样点；若不在3分钟在内，则跳转步骤S4；
S4.判断5分钟内主服务小区是否不变，以及RSRP在3db占比是否为80％，若5分钟内主服务小区不变，且RSRP在3db占比为80％，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则跳转步骤S5；
S5.判断3分钟内主服务小区变化数是否大于3个，每个主服务RSRP在6db内占比是否为80％，若3分钟内主服务小区变化数不大于3个，每个主服务RSRP在6db内占比为80％，，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点；
S6.判断是否符合室内距离特性，若符合则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点。
与目前的现有技术相比，该基于指纹库精准分离算法的4G室内深度覆盖优化方法，具有以下特点：
第一、减少了人工测试投入成本
通过无线侧数据实现室内4G覆盖质量的测试，减少了人工现场测试过程，原有每年度测试一次的频率可实现分钟级测试评估。
第二、减少了人工分析成本
通过IT、AI技术实现室内4G覆盖优化问题分析，减少了人工发现问题、分析问题、制定优化方案的成本，室内4G覆盖优化问题分析由原有3天节省为2小时。
第三、提高了间接效益
提高了室内4G无线网络覆盖质量，减少用户投诉，提高了用户满意度，有利于提高通信运营商品牌形象。
以上所述的实施例，只是本发明具体实施方式的一种，本领域的技术人员在本发明技术方案范围内进行的通常变化和替换都应包含在本发明的保护范围内。

Claims (9)

1.一种基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：利用指纹库技术准确定位MR采样点经纬度，结合MR采样点的切换特性、室内外移动特性以及主服务小区数量特性因素，对MR采样点进行室内外区分，对室内网络覆盖进行透视，对室内覆盖进行优化，结合室内外场景对用户行为进行分析，对用户感知提升，从而为网络优化提供优化依据，支撑客户的业务发展和网络建设的需求。
2.根据权利要求1所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：采用MDT的高精度定位数据，并采用机器学习模型预测填充MDT中缺失的经纬度数据，对用户进行精准定位。
3.根据权利要求2所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：利用MDT数据结合机器学习Deep Learning模型，通过分类加回归的方法进行指纹特征提取与训练，完善优化指纹库，提高指纹库定位准确度。
4.根据权利要求3所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：所述机器学习Deep Learning模型采用含有经纬度值的MDT数据作为训练数据集，经数据清洗后，进行模型训练。
5.根据权利要求4所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：所述机器学习Deep Learning模型的数据特征包括主服务小区的经纬度，PCI和RSRP。
6.根据权利要求5所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：采用模型堆叠Model Stacking的集成方法，建立双层综合模型。
7.根据权利要求6所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：基于MRO数据和工参数据，结合MR采样点的切换特性，室内外移动特性以及小区数量特性因素，对MR采样点进行室内外区分，结合室内外场景对用户行为进行分析。
8.根据权利要求7所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于：基于分离后的MR室内采样点，识别室内弱覆盖、过覆盖与重叠覆盖，并根据室内覆盖问题类型、室内小区参数以及反馈信息，智能输出4G室内覆盖问题优化方案。
9.根据权利要求8所述的基于指纹库精准分离算法的4G室内深度覆盖优化方法，其特征在于，包括以下步骤：
S1.对MR采样点的MRO数据按照用户时序进行排列，并打上时段标签；
S2.若MRO数据和工参数据来自室分天线，则认为该MR采样点为室内采样点；
若MRO数据和工参数据来自宏站天线，则判断邻区是否有室分天线，RSRP是否小于90，若邻区有室分天线，且RSRP不小于90，则认为该MR采样点为室内采样点，否则跳转步骤S3；
S3.判断2个室分采样点时间间隔是否在3分钟以内，若在3分钟以内，，则认为该MR采样点为室内采样点；若不在3分钟在内，则跳转步骤S4；
S4.判断5分钟内主服务小区是否不变，以及RSRP在3db占比是否为80％，若5分钟内主服务小区不变，且RSRP在3db占比为80％，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则跳转步骤S5；
S5.判断3分钟内主服务小区变化数是否大于3个，每个主服务RSRP在6db内占比是否为80％，若3分钟内主服务小区变化数不大于3个，每个主服务RSRP在6db内占比为80％，，同时MR采样点在休息时段，则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点；
S6.判断是否符合室内距离特性，若符合则认为该MR采样点为室内采样点，否则认为该MR采样点为室外采样点。
CN202011214603.3A 2020-11-04 2020-11-04 基于指纹库精准分离算法的4g室内深度覆盖优化方法 Pending CN112312342A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011214603.3A CN112312342A (zh) 2020-11-04 2020-11-04 基于指纹库精准分离算法的4g室内深度覆盖优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011214603.3A CN112312342A (zh) 2020-11-04 2020-11-04 基于指纹库精准分离算法的4g室内深度覆盖优化方法

Publications (1)

Publication Number Publication Date
CN112312342A true CN112312342A (zh) 2021-02-02

Family

ID=74324775

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011214603.3A Pending CN112312342A (zh) 2020-11-04 2020-11-04 基于指纹库精准分离算法的4g室内深度覆盖优化方法

Country Status (1)

Country Link
CN (1) CN112312342A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411813A (zh) * 2021-07-05 2021-09-17 浪潮天元通信信息系统有限公司 基于用户特性的mro采样点室内外分离方法及装置
CN114422955A (zh) * 2021-12-21 2022-04-29 北京东土拓明科技有限公司 5g室内弱覆盖区域的定位方法及装置、设备、存储介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8532676B1 (en) * 2012-05-22 2013-09-10 Polaris Wireless, Inc. Estimating whether a wireless terminal is indoors versus outdoors using probabilities and classifications
CN106937324A (zh) * 2015-12-30 2017-07-07 华为技术服务有限公司 一种判断终端所处环境的方法、装置和设备

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8532676B1 (en) * 2012-05-22 2013-09-10 Polaris Wireless, Inc. Estimating whether a wireless terminal is indoors versus outdoors using probabilities and classifications
CN106937324A (zh) * 2015-12-30 2017-07-07 华为技术服务有限公司 一种判断终端所处环境的方法、装置和设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
孙瑜峰: "基于4G大数据的深度覆盖探测研究", 《中国新通信》 *
宫元峰等: "基于大数据分析的室内深度覆盖优化方法研究", 《电信科学》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113411813A (zh) * 2021-07-05 2021-09-17 浪潮天元通信信息系统有限公司 基于用户特性的mro采样点室内外分离方法及装置
CN114422955A (zh) * 2021-12-21 2022-04-29 北京东土拓明科技有限公司 5g室内弱覆盖区域的定位方法及装置、设备、存储介质

Similar Documents

Publication Publication Date Title
CN107920362B (zh) 一种基于微区域的lte网络性能评估方法
CN108683527B (zh) 一种基于mr和xdr的用户感知深度检测方法
CN103796227B (zh) 进行无线信号覆盖分析的方法和系统
CN102256290B (zh) 一种td-scdma无线通信网络用户终端异常数据采集方法
CN104853379B (zh) 一种无线网络质量评估方法及装置
CN109996284A (zh) 移动通信故障投诉工单处理方法、装置、设备及介质
CN108616900B (zh) 一种室内外测量报告的区分方法及网络设备
CN106572495A (zh) 基于信令和mr数据的网络质量监测方法和覆盖评估方法
CN108513251A (zh) 一种基于mr数据的定位方法及系统
CN112312342A (zh) 基于指纹库精准分离算法的4g室内深度覆盖优化方法
CN104283732A (zh) 网络测试方法及其数据采集方法、网络测试装置及系统
CN109151890A (zh) 一种移动终端定位方法及装置
CN108307427B (zh) 一种lte网络覆盖分析、预测方法及系统
CN105679335B (zh) 基于无线分析的语音质量评估方法及系统
WO2021103577A1 (zh) 一种基于mdt的室内信号外泄分析方法及系统
CN103546904A (zh) 一种无线网络智能测试分析系统及测试方法
CN110636515A (zh) 电力无线专网的网络规划评估方法
CN103888972A (zh) 一种弱覆盖区域的确定方法及装置
CN102256297A (zh) 一种td-scdma无线通信网络服务用户感知数据采集方法
US20180352451A1 (en) Method and system for testing telecommunications infrastructure
CN107371183B (zh) 一种网络质量报告的输出方法和装置
CN106998563B (zh) 一种基于网络性能的室分系统预警方法及装置
CN109151845A (zh) 识别室分高层小区的方法、装置、电子设备和存储介质
CN108235335B (zh) 一种室内网络弱覆盖区域的确定方法及装置
CN102711131B (zh) 长期演进网络中基于用户分布密度的覆盖与容量优化方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210202

RJ01 Rejection of invention patent application after publication