CN112543069A - 天馈接反检测方法和装置 - Google Patents

Abstract

本申请公开了一种天馈接反检测方法、模型训练方法、电子装置和计算机可读存储介质。其中，天馈接反检测方法包括：获取同一基站下m个扇区的馈线端口的检测数据；按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出m个端口组合；根据选出的所述m个端口组合，构建第一集合；提取所述第一集合的判断特征集；将所述判断特征集输入天馈接反检测模型，并输出相应的检测结果。模型训练方法包括：获取训练集；使用所述训练集进行训练；输出模型文件。本申请实施例的技术方案，天馈接反检测准确率较高，误判、漏判率极低。

Description

天馈接反检测方法和装置

技术领域

本申请涉及通信领域，特别是涉及天馈接反检测方法和装置。

背景技术

在无线通信网络中，天馈接反是一类常见的硬件安装错误导致的故障，这类故障通常会给网络性能指标带来比较大的影响，且一般不太容易排查。现有的天馈接反的自动检测方法，主要利用不同天线的接收信号间的相关性和预设得门限值来实现，相关系数超过预设门限值即认为接反。这种检测方法通过实际应用发现存在比较明显的缺陷，检测准确率比较低，误检和漏检情况较多，上述缺陷主要是门限值设置不恰当造成，如果把门限值设置得比较宽松，结果中就会存在大量误判，如果把门限设置得比较严格，就有可能漏掉很多实际确实接反的情况。基于上述缺陷，上述自动检测方法还无法满足商用部署的条件。

发明内容

以下是对本文详细描述的主题的概述。本概述并非是为了限制权利要求的保护范围。

一方面，本申请实施例提供了天馈接反检测方法、模型训练方法、电子装置和计算机可读存储介质,可以提高天馈接反检测的准确率。

另一方面，本申请实施例提供了天馈接反检测方法，包括：

获取同一基站下m个扇区的馈线端口的检测数据，其中，m为大于1的整数，所述检测数据包含第一检测数据；

获取所述m个扇区所有连接情况下的端口组合；

根据所述第一检测数据，计算各个所述端口组合的相关系数，按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出m个端口组合，且选出的所述m个端口组合互不相交；

根据选出的所述m个端口组合，构建第一集合；

提取所述第一集合的判断特征集；

将所述判断特征集输入天馈接反检测模型，所述天馈接反检测模型根据所述判断特征集，判断是否存在天馈接反情况，并输出相应的检测结果。

另一方面，本申请实施例提供了一种模型训练方法，用于获取天馈接反检测模型，所述方法包括：

获取训练集；使用所述训练集进行训练；输出模型文件；

其中，所述获取训练集具体包括：

获取同一基站下r个扇区的馈线端口的训练样本数据，其中，r为大于1的整数，所述训练样本数据包含第一训练数据；

获取所述r个扇区所有连接情况下的端口组合；

根据所述第一训练数据，计算各个所述端口组合的相关系数，按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出r个端口组合，且选出的所述r个端口组合互不相交；

根据选出的所述r个端口组合，构建第三集合；

提取所述第三集合的训练特征集；

对应于所述训练特征集，对是否存在接反的结果进行标注，得到训练目标；

将所述训练特征集和所述训练目标进行合并，加入训练集中。

另一方面，本申请实施例提供了一种电子装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序运行时执行所述的天馈接反检测方法或者所述的模型训练方法。

再一方面，本申请实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行所述的天馈接反检测方法或者所述的模型训练方法。

本申请实施例包括：获取同一基站下m个扇区的馈线端口的检测数据，其中，m为大于1的整数，所述检测数据包含第一检测数据；获取所述m个扇区所有连接情况下的端口组合；根据所述第一检测数据，计算各个所述端口组合的相关系数，按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出m个端口组合，且选出的所述m个端口组合互不相交；根据选出的所述m个端口组合，构建第一集合；提取所述第一集合的判断特征集；将所述判断特征集输入天馈接反检测模型，所述天馈接反检测模型根据所述判断特征集，判断是否存在天馈接反情况，并输出相应的检测结果。本申请实施例的技术方案，天馈接反检测准确率较高，误判、漏判率极低。

本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。

附图说明

附图用来提供对本申请技术方案的进一步理解，并且构成说明书的一部分，与本申请的实施例一起用于解释本申请的技术方案，并不构成对本申请技术方案的限制。

图1A是一种天馈接反场景示意图；

图1B是另一种天馈接反场景示意图；

图2是本申请实施例提供的一种天馈接反检测方法的流程图；

图3是本申请实施例的检测结果的示意图；

图4是本申请实施例提供的另一种天馈接反检测方法的流程图；

图5是本申请实施例提供的一种模型训练方法的流程图；

图6是本申请实施例提供的一种获取训练集方法的流程图；

图7是本申请实施例提供的另一种获取训练集方法的流程图；

图8是本申请实施例提供的另一种模型训练方法的流程图；

图9是本申请实施例提供的一种电子装置的结构示意图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本申请，并不用于限定本申请。

需要说明的是，在本申请实施例的描述中，若干的含义是一个或者多个，多个(或多项)的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到“第一”、“第二”“第三”、“第四”等(如果存在)只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

本申请实施例的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本申请实施例中的具体含义。

在无线通信网络中，天馈接反是一类常见的硬件安装错误导致的故障，这类故障通常会给网络性能指标带来比较大的影响，且一般不太容易排查。现有的天馈接反的自动检测方法，主要通过计算不同天线的接收信号间的相关性来实现，例如利用RTWP(ReceivedTotal Wideband Power，宽带接收总功率)相关性或者RSSI(Received Signal StrengthIndication，接收的信号强度)相关性，检测判断天线是否接反。这类自动检测方法本质上都依赖于不同天线接收信号间的相关系数门限进行检测，超过预设门限值即认为接反。由于RTWP/RSSI数据波动的剧烈程度和复杂程度，如果把门限值设置的比较宽松，结果中就会存在大量误判，如果把门限设置的比较严格，就有可能漏掉很多实际确实接反的情况，从而无法满足商用部署的条件。

因此，本申请实施例提供了天馈接反检测方法、模型训练方法、电子装置和计算机可读存储介质,可以提高天馈接反检测的准确率。

下面对本申请实施例所适用的场景进行介绍：

通常情况下，一个基站100包括天线、馈线、扇区。具体地，一个基站100下通常设有多个扇区，每个扇区设有至少两个馈线端口110，负责各扇区的天线通过馈线120连接到对应扇区的馈线端口110上，实现对预设扇区方向角的信号覆盖。例如，如图1A和图1B中，天线正确的接法是：天线1连接的两根馈线120应当对应地与扇区1的两个馈线端口110连接，形成扇区1的信号覆盖，天线2连接的两根馈线120应当对应地与扇区2的两个馈线端口110连接，形成扇区2的信号覆盖。但是，图1A中扇区1和扇区2的天线馈线120完全接反(俗称大鸳鸯)，图1B中扇区1和扇区2的部分天线馈线120交叉(俗称小鸳鸯)。本申请实施例提供的方案主要用于对同一基站100下所有扇区的天线馈线120是否存在上述两类接反问题进行检测。

下面结合附图，对本申请实施例作进一步阐述。

第一方面，本申请的一个实施例提供了一种天馈接反检测方法，请参照图2，该方法包括但不限于如下步骤：

S1001，获取同一基站下m个扇区的馈线端口的检测数据，其中m为大于1的整数，一般性地，m代表该基站包含的扇区总数。

本实施例中，检测数据应当至少包含第一检测数据。一个示例中，第一检测数据可以是RTWP数据，RTWP为宽带接收总功率，能够反映扇区馈线端口信号的功率。另一个示例中，第一检测数据可以是RSSI数据，RSSI为接收信号强度指示值，能够反映扇区馈线端口接收信号的强度。当然，第一检测数据还可以是其他能够反映信号能量/强度的数据，本申请对此不作过多的限制。

在一些实施例中，检测数据还包含第二检测数据，第二检测数据具体可以是平衡次数数据。平衡次数反映扇区的任意两个馈线端口信号强度的平衡程度，具体可以通过周期性地测量这两个馈线端口接收的能量，判断两个馈线端口的能量差是否大于预设的门限值，若是，则对能量大的馈线端口平衡次数加一；若否，则两个馈线端口的平衡次数同时加一。两个馈线端口的平衡次数相差越小说明两个馈线端口接收信号强度越平衡，反之说明接收信号强度越不平衡。

在一些实施例中，检测数据还包含第三检测数据，第三检测数据具体可以是MIMO激活比例数据。MIMO激活比例为用户激活MIMO的时长相对用户占用业务的总时长(总时长包括激活MIMO的时长和未激活MIMO的时长)的比率。只有当用户能够接收到同一个扇区发出的两路信号时才有可能激活MIMO，在天馈接反的情况下，用户一般只能接收到同一个扇区发出的一路信号，因此很难激活MIMO，导致MIMO激活比例比较低。

具体实现时，上述的RTWP数据、RSSI数据、平衡次数数据和MIMO激活比例数据均可以直接从基站输出至数据中心的性能数据中获取。

S1002，获取m个扇区所有连接情况下的端口组合。

示例性地，假设某一基站站点共设有m个扇区，每个扇区中有n个馈线端口，那么把n*m个馈线端口分成m组的所有可能的组合数为：

例如，一种常见的情况是，一个基站下设有3个扇区，每个扇区设有4个馈线端口，那么一共有：

种端口组合。

S1003，根据第一检测数据，计算各个端口组合的相关系数，按照相关系数由大到小依次从所有连接情况下的端口组合中选出m个端口组合，且选出的m个端口组合的元素互不相交。

示例性地，计算各个端口组合的相关系数，具体可以对每一种可能的组合，计算组合内任意两两端口的相关系数并求和。

例如，某个组合包含端口1,2,3,4，该组合的相关系数之和为：

ρ(1，2，3，4)＝ρ(1，2)+ρ(1，3)+ρ(1，4)+ρ(2，3)+ρ(2，4)+ρ(3，4)；

其中，任意两两端口的相关系数可以通过如下公式计算得出：

其中，

其中，

分别为数组X和数组Y的平均数，i＝1，2，…，N。

这里数组X和数组Y是指两个端口的第一检测数据，例如，RSTW数据或者RSSI数据。

当得到各个端口组合的相关系数后，按照相关系数由大到小依次从所有连接情况下的端口组合中选出m个端口组合，且选出的m个端口组合的元素互不相交，即：按照相关系数由大到小选出m个端口组合的过程中，每选出一个端口组合，当前选出的端口组合包含的元素均不能包含在之前选出的端口组合中。举例来说，假设步骤S1002得到的所有组合中，相关系数最大的组合为(1_1，1_2，1_3，1_4)，因此将该组合作为第一个组合选出，相关系数第二大的组合为(1_1，2_2，2_3，2_4)，这里由于端口1_1已在上述第一个组合出现，所以该相关系数第二大的组合不能选，基于此规则，依次选出m个端口组合，并且m个端口组合的元素互不相交。

S1004，根据选出的m个端口组合，构建第一集合。基于步骤S1003中选出这些端口组合是按照相关系数由大到小依次选出的，而端口组合的相关性高说明组合中的端口很可能接在同一天线设备上，因此第一集合很大程度反映与当前实际接线情况相符的端口组合的集合，后续可以根据第一集合的特征确定天馈有无接反。

S1005，提取第一集合的判断特征集。

以下为对步骤S1005的进一步示例性说明。

假设有m个扇区，每个扇区中有n个天线，并设第一集合为P；

P中每个组合的相关系数为：ρp1,ρp2，…，ρpm；

P的相关系数为各组合相关系数之和：ρ(P)＝ρp1+ρp2+…+ρpm；

P所对应的第一检测数据(可以是RTWP/RSSI数据或者类似的相关数据)的值为：{(rs_p11,rs_p12，…，rs_p1n),(rs_p21,rs_p22，…，rs_p2n)，…,(rs_pm1,rs_pm2，…，rs_pmn)}；

P所对应的第二检测数据(这里是平衡次数数据)的值为：{(bl_p11,bl_p12，…，bl_p1n),(bl_p21,bl_p22，…，bl_p2n)，…,(bl_pm1,bl_pm2，…，bl_pmn)}；

P所对应的第三检测数据(这里是Mimo激活比例数据)的值为：{(mi_p11,mi_p12，…，mi_p1n),(mi_p21,mi_p22，…，mi_p2n)，…,(mi_pm1,mi_pm2，…，mi_pmn)}；

设第二集合为A；

A中每个组合的相关系数为：ρa1,ρa2，…，ρam；

A的相关系数为各组合相关系数之和：为ρ(A)＝ρa1+ρa2+…+ρam；

A所对应的第一检测数据(可以是RTWP数据、RSSI数据或者类似的相关数据)的值为：{(rs_a11,rs_a12，…，rs_a1n),(rs_a21,rs_a22，…，rs_a2n)，…,(rs_am1,rs_am2，…，rs_amn)}；

A所对应的第二检测数据(这里是平衡次数数据)的值为{(bl_a11,bl_a12，…，bl_a1n),(bl_a21,bl_a22，…，bl_a2n)，…,(bl_am1,bl_am2，…，bl_amn)}；

A所对应的第三检测数据(这里是Mimo激活比例数据)的值为{(mi_a11,mi_a12，…，mi_a1n),(mi_a21,mi_a22，…，mi_a2n)，…,(mi_am1,mi_am2，…，mi_amn)}。

本实施例基于以上数据提取如下判断特征，并构建判断特征集：

(1)第一集合相对第二集合的相关系数增长率：

relation_increase_rate＝(ρ(P)-ρ(A))/ρ(A)。

(2)第一集合相对第二集合的第一检测数据差值绝对值增长率；

第一集合P的第一检测数据差值绝对值为：

rs_p＝abs(max(rs_p11,rs_p12，…，rs_p1n)-min(rs_p11,rs_p12，…，rs_p1n))+abs(max(rs_p21,rs_p22，…，rs_p2n)-min(rs_p21,rs_p22，…，rs_p2n))+…+abs(max(rs_pm1,rs_pm2，…，rs_pmn)-min(rs_pm1,rs_pm2，…，rs_pmn))；

第二集合A的第一检测数据差值绝对值为：

rs_a＝abs(max(rs_a11,rs_a12，…，rs_a1n)-min(rs_a11,rs_a12，…，rs_a1n))+abs(max(rs_a21,rs_a22，…，rs_a2n)-min(rs_a21,rs_a22，…，rs_a2n))+…+abs(max(rs_am1,rs_am2，…，rs_amn)-min(rs_am1,rs_am2，…，rs_amn))；

则，第一集合P相对第二集合A的第一检测数据差值绝对值增长率为：average_increase_rate＝(rs_p–rs_a)/rs_a*100％。

(3)第一集合的相关系数的最小值：

relation_cross_min＝min(ρp1,ρp2，…，ρpm)。

(4)第一集合中第一检测数据去重后样本点的最小值；

设第一集合P中某个端口的第一检测数据为rs_pij，其去重后样本点为rs_numpij,则，第一集合P去重后样本点的最小值为：range_cross_num＝min(min(rs_nump11,rs_nump12，…，，rs_nump1n),min(rs_nump21,rs_nump22，…，rs_nump2n)，…,min(rs_numpm1,rs_numpm2，…，rs_numpmn))；

(5)第一集合的第一检测数据波动范围的最小值；

设第一集合P中某个端口的第一检测数据为rs_pij，其波动范围rs_rangepij＝max(rs_pij)-min(rs_pij)；

则，第一集合P的第一检测数据波动范围的最小值为：

range_cross_min＝min(min(rs_rangep11,rs_rangep12，…，，rs_rangep1n),min(rs_rangep21,rs_rangep22，…，rs_rangep2n)…,min(rs_rangepm1,rs_rangepm2，…，rs_rangepmn))。

(6)第一集合的第一检测数据波动范围的最大值；

设第一集合P中某个端口的第一检测数据为rs_pij，其波动范围rs_rangepij＝max(rs_pij)-min(rs_pij)；

则，第一集合P的第一检测数据波动范围的最大值为：

range_cross_max＝max(max(rs_rangep11,rs_rangep12,…rs_rangep1n),max(rs_rangep21,rs_rangep22，…，rs_rangep2n)，…,max(rs_rangepm1,rs_rangepm2，…，rs_rangepmn))。

(7)第一集合的第一检测数据波动范围的最大值与最小值的比值：range_cross_rate＝range_cross_max/range_cross_min。

(8)第一集合相对第二集合的平衡次数差值绝对值的增长率；

第一集合P平衡次数差值绝对值：bl_p＝abs(max(bl_p11,bl_p12，…，bl_p1n)-min(bl_p11,bl_p12，…，bl_p1n))+abs(max(bl_p21,bl_p22，…，bl_p2n)-min(bl_p21,bl_p22，…，bl_p2n))+…+abs(max(bl_pm1,bl_pm2，…，bl_pmn)-min(bl_pm1,bl_pm2，…，bl_pmn))；

第二集合A平衡次数差值绝对值：bl_a＝abs(max(bl_a11,bl_a12，…，bl_a1n)-min(bl_a11,bl_a12，…，bl_a1n))+abs(max(bl_a21,bl_a22，…，bl_a2n)-min(bl_a21,bl_a22，…，bl_a2n))+…+abs(max(bl_am1,bl_am2，…，bl_amn)-min(bl_am1,bl_am2，…，bl_amn))；

则，第一集合P相对第二集合A的平衡次数差值绝对值增长率为：average_increase_rate_balance＝(bl_p–bl_a)/bl_a*100％。

(9)第一集合的MIMO激活比例最小值；

设第一集合P中某个端口的MIMO的数据为mi_pij，其均值mi_meanpij＝mean(mi_pij)；则，第一集合P的MIMO激活比例最小值：

mimo_rate＝min(min(mi_meanp11,mi_meanp12,…mi_meanp1n),min(mi_meanp21,mi_meanp22，…，mi_meanp2n)…,min(mi_meanpm1,mi_meanpm2,…mi_meanpmn))。

需了解，判断特征集可以包含上述判断特征(1)至(9)中的任一项或多项，本申请不作过多限制。

S1006，将判断特征集输入天馈接反检测模型，天馈接反检测模型根据判断特征集，判断是否存在天馈接反情况，并输出相应的检测结果。采用天馈接反检测模型对步骤S1005得到的判断特征集进行处理，并输出相应的检测结果。

其中，检测结果中可以包括如下一项或多项：

(1)存在天馈接反的站点ID或站点名称；

(2)存在天馈接反对应的小区频点信息；

(3)存在天馈接反对应的扇区编号；

(4)存在天馈接反对应的端口号或端口号对。

这里，存在天馈接反的站点ID或站点名称、小区频点信息、扇区编号均可以在步骤S1001获取检测数据时同时获取；存在天馈接反对应的端口号或端口号对可以根据第一集合得到，具体是将第一集合与第二集合进行比较，第一集合与第二集合不相同的端口组合，即为存在天馈接反对应的端口对，根据端口对可获得对应的端口号。

示例性地，如图3所示，天馈接反检测模型输出的结果可以通过表格展示，该表格包含存在天馈接反情况的站点-载频信息，例如，制式(图中的“Product”列)，站点名称(图中的“Site Name”列)，接反的频段(图中的“Band”列)，是否存在接反(图中的“Antennacross result”列)，接反的扇区编号以及相应的馈线端口号(图中的“Detail”列)。

图4示出了本申请另一实施例提供的天馈接反检测方法，在该实施例中，方法包括：

S2001，获取同一基站下m个扇区的馈线端口的检测数据，其中m为大于1的整数。这里，步骤S2001的具体实现方式可以参照上述步骤S1001的相关描述，此处不再赘述。

S2002，检测检测数据是否包含异常数据，在包含异常数据的情况下，对异常数据进行剔除，以提高检测准确度。其中，异常数据可以包括但不限于如下数据：持续异常的数据(全是相同值)；偶尔异常的数据(一段时间都是相同值)；采样点数过少的数据；波动过小(没有业务量)的数据；个别点异常的数据。

S2003，获取m个扇区所有连接情况下的端口组合。这里，步骤S2003的具体实现方式可以参照上述步骤S1002的相关描述，此处不再赘述。

S2004，根据第一检测数据，计算各个端口组合的相关系数，按照相关系数由大到小依次从所有连接情况下的端口组合中选出m个端口组合，且选出的m个端口组合互不相交。这里，步骤S2004的具体实现方式可以参照上述步骤1003的相关描述，此处不再赘述。

S2005，根据选出的m个端口组合，构建第一集合。这里，步骤S2005的具体实现方式可以参照上述步骤S1004的相关描述，此处不再赘述。

S2006，根据m个扇区的馈线端口在正确连接情况下的端口组合，构建第二集合；当第一集合与第二集合相等时，可以直接输出检测结果：天馈无接反，当第一集合与第二集合不相等时，执行下一步骤。例如：设第一集合为P，第二集合为A，当P＝A(例如，P＝A＝{(1_1,1_2),(2_1,2_2)})时，则输出检测结果：天馈无接反；如果P≠A(例如，P＝{(1_1,2_1),(1_2,2_2)}，A＝{(1_1,1_2),(2_1,2_2)})，则判定为可能存在接反，继续执行下一步骤。

S2007，计算第一集合相对第二集合的相关系数的增长率，当增长率不大于预设门限值时，可以直接输出检测结果：天馈无接反；当增长率大于预设门限值时，则判定为可能存在接反，继续执行下一步骤。例如，第一集合为P和第二集合为A的相关系数分别为ρ(P)和ρ(A)，预设门限值为Threshold，若(ρ(P)-ρ(A))/ρ(A)≤Threshold，则输出检测结果：天馈无接反；若(ρ(P)-ρ(A))/ρ(A)>Threshold，则认为可能存在天馈接反情况，执行下一步骤。需说明的是，这里门限值应当设置得比较宽松，例如设置在接近0的范围(例如将门限值设置在0.01至0.03的范围)内，确保不会漏掉可能接反的情况。

S2008，提取第一集合的判断特征集。这里，步骤S2008的具体实现方式可以参照上述步骤S1005的相关描述，此处不再赘述。

S2009，将判断特征集输入天馈接反检测模型，天馈接反检测模型根据判断特征集，判断是否存在天馈接反情况，并输出相应的检测结果。这里，步骤S2009的具体实现方式可以参照上述步骤S1006的相关描述，此处不再赘述。

图4所示的实施例，通过步骤S2006和/或步骤S2007，实现对天馈接反的预检测，先排除明显无接反的情况，对于可能存在接反的情况，通过后续的步骤进一步检测判断，这样既能提高检测速度，又能保证检测准确性。

需了解，有一些实施例，实现天馈接反检测方法的过程可以仅包含上述步骤S2002、步骤S2006、步骤S2007中的任一项或任两项。另外，步骤S2006和步骤S2007可以交换顺序。

根据本申请实施例的上述技术方案，通过计算各个端口组合的相关系数，按照相关系数由大到小选出m个端口组合来构建第一集合，由此得到的第一集合可以很大程度反映与当前实际接线情况相符的端口组合的集合，所以基于第一集合可以进行接反判断检测以及得到当前接反的组合。为确保天馈接反检测的准确性，提取第一集合的若干特征构建判断特征集，将判断特征集输入天馈接反检测模型进行处理，输出检测结果，相较现有技术仅将RSSI/RTWP相关性作为接反判断依据，本申请方案的检测准确性更高。

第二方面，图5示出了本申请实施例提供的一种模型训练方法，该模型训练方法用于获取天馈接反检测模型，通过天馈接反检测模型能够对判断特征集进行处理，并获得检测结果。该模型训练方法包括：

S3100，获取训练集；

S3200，使用训练集进行训练；

S3300，输出模型文件。

如图6所示，获取训练集具体可以包括如下步骤：

S3101，获取同一基站下r个扇区的馈线端口的训练样本数据，其中，r为大于1的整数，一般性地，m代表该基站包含的扇区总数。

训练样本数据应当至少包含第一训练数据。第一训练数据可以是RTWP数据或者RSSI数据。当然，第一训练数据还可以是其他能够反映信号能量/强度的数据，本申请对此不作过多的限制。

在一些实施例中，训练样本数据还包含第二训练数据，第二训练数据具体可以是平衡次数数据。

在一些实施例中，训练样本数据还包含第三训练数据，第三训练数据具体可以是MIMO激活比例数据。

具体实现时，上述的RTWP数据、RSSI数据、平衡次数数据和MIMO激活比例数据均可以直接从基站输出至数据中心的性能数据中获取。

S3102，获取r个扇区所有连接情况下的端口组合。这里，步骤S3102的具体实现方式与上述的步骤S1002类似，可以参照上述的步骤S1002的相关描述，此处不再赘述。

S3103，根据第一训练数据，计算各个端口组合的相关系数，按照相关系数由大到小依次从所有连接情况下的端口组合中选出r个端口组合，且选出的r个端口组合互不相交。示例性地，计算各个端口组合的相关系数，具体可以对每一种可能的组合，计算组合内任意两两端口的相关系数并求和。当得到各个端口组合的相关系数后，按照相关系数由大到小依次从所有连接情况下的端口组合中选出m个端口组合，且选出的m个端口组合的元素互不相交，即：按照相关系数由大到小选出m个端口组合的过程中，每选出一个端口组合，当前选出的端口组合包含的元素均不能包含在之前选出的端口组合中。本步骤S3103的具体实现方式与上述的步骤S1003类似，可以参照上述的步骤S1003的相关描述，此处不再赘述。

S3104，根据选出的r个端口组合，构建第三集合。步骤S3103中选出的端口组合是按照相关系数由大到小依次选出的，而端口组合的相关性高说明组合中的端口很可能接在同一天线设备上，因此第三集合很大程度反映与当前实际接线情况相符的端口组合的集合，后续可以根据第三集合的特征训练检测天馈有无接反。

S3105，提取第三集合的训练特征集。其中，训练特征集可以包括以下任一项或多项：

(1)第三集合相对第四集合的相关系数增长率；

(2)第三集合相对第四集合的第一检测数据差值绝对值增长率；

(3)第三集合的相关系数的最小值；

(4)第一集合中第一检测数据去重后样本点的最小值；

(5)第三集合的第一检测数据波动范围的最小值；

(6)第三集合的第一检测数据波动范围的最大值；

(7)第三集合的第一检测数据波动范围的最大值与最小值的比值；

(8)第三集合相对第四集合的平衡次数差值绝对值的增长率；

(9)第三集合的MIMO激活比例最小值。

以上各项特征的具体获取过程与上述的步骤S1005类似，可以参照上述的步骤S1005的相关描述，此处不再赘述。

S3106，对应于训练特征集，对是否存在接反的结果进行标注，得到训练目标。示例性地，可以对训练特征集进行编号，并根据获得的第一训练数据进行画图(例如，RSSI/RTWP图形)，根据RSSI/RTWP图形，对结果进行标注，例如，可以用“0”表示未接反，用“1”表示接反。

S3107，将训练特征集和训练目标进行合并，加入训练集中。利用获得的训练集，对天馈接反检测模型进行训练。

如图7所示，在另一实施例中，获取训练集的过程还包括可选的步骤S3108。在步骤S3108中，检测训练样本数据是否包含异常数据，在包含异常数据的情况下，对异常数据进行剔除，以提高训练样本数据的精度，避免异常值对于模型准确率的不利影响。其中，异常数据可以包括但不限于如下数据：持续异常的数据(全是相同值)；偶尔异常的数据(一段时间都是相同值)；采样点数过少的数据；波动过小(没有业务量)的数据；个别点异常的数据。

在另一实施例中，获取训练集的过程还包括可选的步骤S3109。在步骤S3109中，根据m个扇区的馈线端口在正确连接情况下的端口组合，构建第四集合；当第三集合与第四集合相等时，剔除训练样本数据，当第三集合与第四集合不相等时，执行下一步骤。例如：设第三集合为P，第四集合为A，当P＝A(例如，P＝A＝{(1_1,1_2),(2_1,2_2)})时，则输出检测结果：天馈无接反；如果P≠A(例如，P＝{(1_1,2_1),(1_2,2_2)}，A＝{(1_1,1_2),(2_1,2_2)})，则执行下一步骤。

S3110，计算第三集合相对第四集合的相关系数的增长率，当增长率不大于预设门限值时，剔除训练样本数据；当增长率大于预设门限值时，执行下一步骤。例如，第三集合为P和第四集合为A的相关系数分别为ρ(P)和ρ(A)，预设门限值为Threshold，若(ρ(P)-ρ(A))/ρ(A)≤Threshold，则输出检测结果：天馈无接反；若(ρ(P)-ρ(A))/ρ(A)>Threshold，则认为可能存在天馈接反情况，执行下一步骤。需说明的是，这里门限值应当设置得比较宽松，例如设置在接近0的范围内，确保不会漏掉可能接反的情况。

图6所示的实施例，通过步骤S3109和/或步骤S3110，对天馈是否接反进行预判，对可明显得出无接反情况的训练样本数据进行剔除，对于可能存在接反的情况，进一步对第三集合进行训练特征提取。这样，一方面可以减少训练集的标注量，另一方面有利于获得训练价值度更高的训练集，进而使得天馈接反检测模型输出的检测结果也更为准确。

需了解，在一些实施例中，获取训练集的过程可以仅包含上述步骤S3108、步骤S3109、步骤S3110中的任一项或任两项。另外，步骤S3109和步骤S3110可以交换顺序。

在步骤S3200中，使用训练集进行训练，具体可以是通过机器学习算法进行训练。机器学习算法可以是逻辑回归、随机森林、支持向量机、深度学习中的任一项，本申请实施例对此不作限制。

如图8所示，实现模型训练方法时，还可以包括可选的步骤S3400，在训练特征集包含多项特征的情况下，调整训练特征集中各项特征的权重，以将准确率和召回率控制在可接受的范围内，并最终输出模型文件。

根据本申请实施例的方案，通过计算各个端口组合的相关系数，按照相关系数由大到小选出r个端口组合来构建第三集合，由此得到的第三集合可以很大程度反映与当前实际接线情况相符的端口组合的集合，因此根据第三集合提取的训练特征集也较能表达天馈接反情况，进而基于上述训练特征集训练得到的天馈接反检测模型输出的结果具有更高的准确性。

第三方面，图9示出了本申请实施例提供了本申请实施例提供的电子装置200。电子装置200包括：存储器220、处理器210及存储在存储器220上并可在处理器210上运行的计算机程序，计算机程序运行时用于执行上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法。

处理器210和存储器220可以通过总线或者其他方式连接。

存储器220作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序，如本申请实施例中第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法。处理器210通过运行存储在存储器220中的非暂态软件程序以及指令，从而实现上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法。

存储器220可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储执行上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法。此外，存储器220可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器220可选包括相对于处理器210远程设置的存储器，这些远程存储器可以通过网络连接至该终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法所需的非暂态软件程序以及指令存储在存储器220中，当被一个或者多个处理器210执行时，执行上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法，例如，执行图2中描述的方法步骤S1001至S1006，图4中描述的方法步骤S2001至S2009，图5中描述的方法步骤S3100至S3300，图6中描述的方法步骤S3101至S3107，图7中描述的方法步骤S3101至S3307，图8中描述的方法步骤S3100至S3300。

本申请实施例还提供了计算机可读存储介质，存储有计算机可执行指令，计算机可执行指令用于执行上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法。

在一实施例中，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器210执行，例如，被上述电子装置200中的一个处理器210执行，可使得上述一个或多个处理器210执行上述第一方面描述的任一项天馈接反检测方法或者第二方面描述的任一项模型训练方法，例如，执行图2中描述的方法步骤S1001至S1006，图4中描述的方法步骤S2001至S2009，图5中描述的方法步骤S3100至S3300，图6中描述的方法步骤S3101至S3107，图7中描述的方法步骤S3101至S3307，图8中描述的方法步骤S3100至S3300。

以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请的较佳实施进行了具体说明，但本申请并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请精神的共享条件下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (21)

1.天馈接反检测方法，包括：

获取同一基站下m个扇区的馈线端口的检测数据，其中，m为大于1的整数，所述检测数据包含第一检测数据；

获取所述m个扇区所有连接情况下的端口组合；

根据所述第一检测数据，计算各个所述端口组合的相关系数，按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出m个端口组合，且选出的所述m个端口组合互不相交；

根据选出的所述m个端口组合，构建第一集合；

提取所述第一集合的判断特征集；

将所述判断特征集输入天馈接反检测模型，所述天馈接反检测模型根据所述判断特征集，判断是否存在天馈接反情况，并输出相应的检测结果。

2.根据权利要求1所述的天馈接反检测方法，其特征在于，还包括：根据所述m个扇区的馈线端口在正确连接情况下的端口组合，构建第二集合；在所述第一集合与所述第二集合不相等的情况下，执行提取所述第一集合的判断特征集。

3.根据权利要求1所述的天馈接反检测方法，其特征在于，还包括：根据所述m个扇区的馈线端口在正确连接情况下的端口组合，构建第二集合；计算所述第一集合相对所述第二集合的相关系数的增长率，在所述增长率大于预设门限值的情况下，执行提取所述第一集合的判断特征集。

4.根据权利要求1所述的天馈接反检测方法，其特征在于，所述第一检测数据为RTWP数据或者RSSI数据。

5.根据权利要求1或4所述的天馈接反检测方法，其特征在于，所述提取所述第一集合的判断特征集，包括：根据所述第一检测数据，提取以下任一项或多项判断特征加入至判断特征集：

所述第一集合相对第二集合的相关系数增长率，其中，所述第二集合是同一基站下m个扇区的馈线端口在正确连接情况下的端口组合的集合；

所述第一集合相对第二集合的第一检测数据差值绝对值增长率，其中，所述第二集合是同一基站下m个扇区的馈线端口在正确连接情况下的端口组合的集合；

所述第一集合的相关系数的最小值；

所述第一集合中第一检测数据去重后样本点的最小值；

所述第一集合的第一检测数据波动范围的最小值；

所述第一集合的第一检测数据波动范围的最大值；

所述第一集合的第一检测数据波动范围的最大值与最小值的比值。

6.根据权利要求1或4所述的天馈接反检测方法，其特征在于，所述检测数据还包含第二检测数据，所述第二检测数据为平衡次数数据；

对应的，所述提取所述第一集合的判断特征集，包括：根据所述第二检测数据，提取以下判断特征加入至判断特征集：

所述第一集合相对第二集合的平衡次数差值绝对值增长率，其中，所述第二集合是同一基站下m个扇区的馈线端口在正确连接情况下的端口组合的集合。

7.根据权利要求1或4所述的天馈接反检测方法，其特征在于，所述检测数据还包含第三检测数据，所述第三检测数据为MIMO激活比例数据；

对应的，所述提取所述第一集合的判断特征集，包括：根据所述第三检测数据，提取以下判断特征加入至判断特征集：

所述第一集合的MIMO激活比例最小值。

8.根据权利要求1所述的天馈接反检测方法，其特征在于，当获取同一基站下m个扇区的馈线端口的检测数据，还检测所述检测数据是否包含异常数据，在包含异常数据的情况下，对所述异常数据进行剔除。

9.根据权利要求1所述的天馈接反检测方法，其特征在于，所述检测结果包括以下任一项或多项：

存在天馈接反的站点ID或站点名称；

存在天馈接反对应的小区频点信息；

存在天馈接反对应的扇区编号；

存在天馈接反对应的端口号或端口号对。

10.根据权利要求1所述的天馈接反检测方法，其特征在于，所述天馈接反检测模型通过训练集进行训练得到，所述训练集包括训练特征集和训练目标，其中，所述训练特征集来自同一基站下扇区的馈线端口的训练样本数据；训练目标为对应于所述训练特征集，对是否存在接反的结果进行的标注。

11.一种模型训练方法，其特征在于，用于获取天馈接反检测模型，所述方法包括：

获取训练集；使用所述训练集进行训练；输出模型文件；

其中，所述获取训练集具体包括：

获取同一基站下r个扇区的馈线端口的训练样本数据，其中，r为大于1的整数，所述训练样本数据包含第一训练数据；

获取所述r个扇区所有连接情况下的端口组合；

根据所述第一训练数据，计算各个所述端口组合的相关系数，按照所述相关系数由大到小依次从所述所有连接情况下的端口组合中选出r个端口组合，且选出的所述r个端口组合互不相交；

根据选出的所述r个端口组合，构建第三集合；

提取所述第三集合的训练特征集；

对应于所述训练特征集，对是否存在接反的结果进行标注，得到训练目标；

将所述训练特征集和所述训练目标进行合并，加入训练集中。

12.根据权利要求11所述的模型训练方法，其特征在于，还包括：根据同一基站下r个扇区的馈线端口在正确连接情况下的端口组合，构建第四集合；在所述第三集合与所述第四集合不相等的情况下，执行提取所述第三集合的训练特征集。

13.根据权利要求11或12所述的模型训练方法，其特征在于，还包括：根据同一基站下n个扇区的馈线端口在正确连接情况下的端口组合，构建第四集合；计算所述第三集合相对第四集合的相关系数的增长率，在所述增长率大于预设门限值的情况下，执行提取所述第三集合的训练特征集。

14.根据权利要求11所述的模型训练方法，其特征在于，所述第一训练数据为RTWP数据或者RSSI数据。

15.根据权利要求11或14所述的模型训练方法，其特征在于，所述提取所述第三集合的训练特征集，包括：根据所述第一训练数据，提取以下任一项或多项训练特征加入至训练特征集：

所述第三集合相对第四集合的相关系数增长率，其中，所述第四集合是同一基站下m个扇区的馈线端口在正确连接情况下的端口组合的集合；

所述第三集合相对第四集合的第一训练数据差值绝对值增长率，其中，所述第四集合是同一基站下m个扇区的馈线端口在正确连接情况下的端口组合的集合；

所述第三集合的相关系数的最小值；

所述第三集合中第一训练数据去重后样本点的最小值；

所述第三集合的第一训练数据波动范围的最小值；

所述第三集合的第一训练数据波动范围的最大值；

所述第三集合的第一训练数据波动范围的最大值与最小值的比值。

16.根据权利要求11所述的模型训练方法，其特征在于，所述训练样本数据还包含第二训练数据，所述第二训练数据为平衡次数数据；

对应的，所述提取所述第三集合的训练特征集，包括：根据所述第二训练数据，提取以下训练特征加入至训练特征集：

所述第三集合相对第四集合的平衡次数差值绝对值的增长率，其中，所述第四集合是同一基站下n个扇区的馈线端口在正确连接情况下的端口组合的集合。

17.根据权利要求11所述的模型训练方法，其特征在于，所述训练样本数据还包含第三训练数据，所述第三训练数据为MIMO激活比例数据；

对应的，所述提取所述第三集合的训练特征集，包括：根据所述第三训练数据，提取以下训练特征加入至训练特征集：

所述第三集合的MIMO激活比例最小值。

18.根据权利要求11所述的模型训练方法，其特征在于，当使用所述训练集进行训练，在所述训练特征集包含多项特征的情况下，还调整所述训练特征集中各项特征的权重。

19.根据权利要求11所述的模型训练方法，其特征在于，当获取同一基站下m个扇区的天线的训练样本数据，还检测所述训练样本数据是否包含异常数据，在包含异常数据的情况下，对所述异常数据进行剔除。

20.电子装置，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述计算机程序运行时执行：

如权利要求1至10任一项所述的天馈接反检测方法；或者

如权利要求11至19任一项所述的模型训练方法。

21.计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令用于执行：

权利要求1至10中任一项所述的天馈接反检测方法；或者

权利要求11至19中任一项所述的模型训练方法。

Images