具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面通过具体实施方式结合附图对本发明实施例作进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例一:
本实施例提供了一种基站覆盖管理方法,请参考图1,该方法包括:
S101、确定影响基站覆盖范围的各类维度特征因子;
S102、基于维度特征因子,对各基站的覆盖场景进行聚类;
S103、按照聚类结果,绘制各基站覆盖范围对应的泰森多边形。
基站的实际覆盖范围,受到多种参数的影响,比如说,基站的发射功率,基站自身所处的高度,基站周围的地理环境,如建筑物的高度,以及基站周围的用户等等。所有的这些因素,都可能会影响到基站的实际覆盖效果,也就会相应的影响基站的覆盖范围。而为了更加准确的确定基站的覆盖范围,本实施例通过确定影响了基站覆盖范围的各类维度特征因子,且该维度特征因子可以包括至少包括两类,从而实现对基站覆盖范围准确性的提升。
然后,可以根据维度特征因子,对基站的覆盖场景进行聚类。所谓对基站的覆盖场景进行聚类,表示的是,对基站按照覆盖场景类型的不同进行分类。不同的场景下,基站的覆盖范围应当有所区别,比如说,两台射频参数一致的基站,其周边的人口密集度越大,为了保证用户体验,其覆盖范围应当越小,不然就会导致基站的超负荷运行。基于这种参考,结合维度特征因子,可以对各个基站进行聚类。当然,聚类的标准并不限于人口密度等特征,可以根据具体场景和网络要求确定相应的标准。
在聚类完成之后,对于相应的基站的覆盖范围划分就有了一定的差异和比例。这样,就可以根据聚类的结果,来绘制泰森多边形。泰森多边形又叫做冯洛诺伊图,是一组由连接两邻点线段的垂直平分线组成的连续多边形组成。泰森多边形最大的特点,就是在该多边形内的任一点到该多边形的控制点的距离,小于到其他多边形的控制点的距离,也就是说,在多边形内的点,始终比在多边形外的点到多边形控制点的距离要近。这就正好契合了基站覆盖的要求,一个多边形对应于一个基站的覆盖范围,而控制点也就是基站所在的点,在某多边形内的点,也就是用户,距离本多边形中的控制点,也就是本覆盖范围内的基站,永远比其他基站更近。而且泰森多边形的这一特性,也让其形成的图形是连续的图形,这也满足了基站覆盖的要求。因此,采用泰森多边形,来对应于基站的覆盖范围,可以显著提升基站覆盖的合理性。
在确定基站覆盖范围的过程中,考虑到各种参数对基站覆盖范围影响的重要性,本实施例中,考虑一些特定种类的维度特征,来确定维度特征因子。具体而言,确定影响基站覆盖范围的维度特征因子中,维度特征因子所对应的维度特征至少可以包括射频RF信息、用户信息以及地理信息。其中,射频信息也就是基站自身的射频收发相关的信息,如发射功率,发射角度等等。用户信息则表示的是在基站周边范围内,用户的数量、占用网络情况等等。地理信息则表示的是基站周边的环境信息,比如建筑物的高度等。
在一些实施例中,在确定影响基站覆盖范围的维度特征因子之前,还可以包括:
获取基站对应的基础信息;
确定影响基站覆盖范围的维度特征因子包括:基于基础信息,确定基础信息对应的维度特征因子。其中基础信息是指的可以根据已有的条件直接获取的信息,比如说基站的射频收发功率,基站所建的高度,基站的发射倾角,基站附近的人口或终端密度,基站周围的建筑物高度等等。很多基础信息都可以作为,影响基站覆盖范围的维度特征因子所对应的维度特征,如上文所列举的RF信息、用户信息以及地理信息等。
在一些实施例中,基于基础信息,确定影响基站覆盖范围的维度特征因子可以包括:
按照基站覆盖范围,与对应的维度特征之间的关系,确定相应的维度特征因子。在确定维度特征之后,可以根据想要的基站覆盖范围的结果,来相应的确定维度特征因子。维度特征因子所指的是,对基站覆盖范围具有相应的影响度的因素,这类因素可以根据获取得到的维度特征按照一定的计算方式得到,例如:
在一些实施例中,按照基站覆盖范围,与对应的维度特征之间的关系,确定相应的维度特征因子可以包括:
根据公式R=h*cos(α)+μp*p,计算RF特征因子R;其中h为站高,α为站点下倾角,p为站点功率,μp为功率因子;从公式中可以看出,RF特征因子,与基站的高度h,基站的站点下倾角α,站点功率p以及功率因子μp有关;具体的,在其他变量不变的情况下,h值越大,则R越大;P值越大,则R值越大;而在0°~180°范围内时,α越大,则R越小。其中涉及到μp,根据Cost231-Hata传播模型
PathLoss=46.3+33.9lgf-13.82lghb-a(hm)+(44.9-6.55lghb)(lgd)+kclutter
推导可得功率增加3dB,覆盖半径增加20%左右。得出功率系数μp=0.6。这是RF特征因子R的计算方式。本实施例虽然仅列出一种计算方式,本领域技术人员也可以合理的利用其他计算方式来确定RF特征因子,而不应当认为是对本申请的限定。
根据公式U=1/logn,计算用户特征因子U;其中n为区域内用户密度;显而易见的是,区域内用户密度n越大,用户特征因子U也就越小,换言之,范围内的用户越多,基站的覆盖范围也就越小。
根据公式P=1/m,计算地理特征因子P;其中m为区域内平均建筑物高度。显然,区域内平均建筑物高度m越大,地理特征因子P也就越小,换言之,范围内的建筑物越高,基站的覆盖范围也就越小。
上面所提及的三种维度特征因子,是对基站覆盖范围影响较大的,而在实际应用中,还可以结合其他的维度特征因子一起作为基站覆盖范围的参考,本实施例并不对此进行限定。
在一些实施例中,确定影响基站覆盖范围的维度特征因子可以包括:
分别对维度特征因子进行归一化处理,保证各维度特征因子的数值大小均在[0,1]范围内,并基于处理后的维度特征因子的数值建立特征矩阵。其中,归一化处理的目的是为了便于直接对各维度特征因子一同比较处理,在同一层次上作为影响基站覆盖范围的因素进行考虑,比如说在归一化处理后,可以直接对不同类型的维度特征因子之间进行运算。以维度特征因子包括RF特征因子、用户特征因子和地理特征因子为例,所得到的特征矩阵如表1所示。
表1
r1 |
u1 |
p1 |
r2 |
u2 |
p2 |
r3 |
u3 |
p3 |
... |
... |
... |
在一些实施例中,基于维度特征因子,对各基站的覆盖场景进行聚类可以包括:
按特征矩阵中,每类维度特征因子的数值高低分为两类;
按各类维度特征因子各自的数值高低进行组合,形成聚类,确定各基站的覆盖场景。对于每个基站而言,其各维度特征因子的数值大小都是有高有低的,而如果全部参考其实际树脂进行划分的话,其种类会非常繁多,而且实用性较差。在本实施例中,可以根据每一类维度特征因子自己的高低,分为高维度特征因子和低维度特征因子两类,在分为两类之后,再根据高低之间的界限,比如说维度特征因子数值大于0.5为高,小于0.5为低,将各基站对应的维度特征因子各自划分为高维度特征因子和低维度特征因子。而根据上述实施例中,所列举的三类维度特征因子,即RF特征因子、用户特征因子以及地理特征因子,每类维度特征因子各自包括高低的情况下,所得到的组合就一共是8种,即(rhigh,uhigh,phigh)、(rhigh,uhigh,plow)、(rhigh,ulow,phigh)、(rhigh,ulow,plow)、(rlow,uhigh,phigh)、(rlow,uhigh,plow)、(rlow,ulow,phigh)、(rlow,ulow,plow)。从而,每一种组合,对应于一种聚类,各聚类结果初始点坐标请参考表2。
表2
(rhigh,uhigh,phigh) |
(1,1,1) |
(rhigh,uhigh,plow) |
(1,1,0) |
(rhigh,ulow,phigh) |
(1,0,1) |
(rhigh,ulow,plow) |
(1,0,0) |
(rlow,uhigh,phigh) |
(0,1,1) |
(rlow,uhigh,plow) |
(0,1,0) |
(rlow,ulow,phigh) |
(0,0,1) |
(rlow,ulow,plow) |
(0,0,0) |
值得一提的是,上述对于维度特征因子进行高低划分仅仅是一种可选的方案,本领域技术人员还可以通过其他方式进行划分,比如说更加细化的划分为高、中、低三种门限等等,本实施例并不对其进行具体的限定。
在一些实施例中,按照聚类结果,绘制各基站覆盖范围对应的泰森多边形可以包括:
根据聚类结果,以及各维度特征因子所占的权重,确定各类覆盖场景下的泰森图权值;
根据聚类结果以及泰森图权值,绘制各基站范围对应的加权泰森多边形。本实施例中所列举的三种维度特征因子,虽然对基站覆盖范围都存在较大的影响,但是不同的维度特征因子其影响的程度是不一样的,比如说,RF特征因子对基站的覆盖范围的影响显然会更大,因为这是实实在在的基站的射频收发相关的参数所决定的维度特征因子,相比而言,其他的维度特征参数的影响就更小一些。因此,可以对不同类型的维度特征因子,赋予不同的权重,从而使得计算的结果更加符合实际情况。
在一些实施例中,根据聚类结果,以及各维度特征因子所占的权重,确定各类覆盖场景下的泰森图权值具体可以包括:
根据聚类结果,确定各类维度特征因子的基础权重;
根据各维度特征因子在本类别内的数值高低,并结合基础权重,确定实际权重;
叠加基站的各类维度特征因子的实际权重,得到泰森图权值。其中,基础权重按照不同的维度特征因子对基站覆盖范围的影响来确定,因RF参数影响度>用户影响度>地理影响度,则可以设置不同维度特征因子的权重:
RF特征因子基础权重:a=0.5;
用户特征因子基础权重:b=0.3;
地理特征因子基础权重:c=0.2;
然后,根据各维度特征因子的基础权重计算得到泰森图权值ρ(r,u,p),可以按照下述公式确定:
而相应的,聚类结果所对应的最终权值,也就是各类基站所对应的泰森图权值参考表3。
表3
然后,就可以相应的绘制泰森图;绘制过程具体如下:
随机选取站点sserver,与其归属同一Delaunay德劳内三角形的站点snb1、snb2。通过以下公式,确定sserver到sserver与snb1连线的垂线距离vtcDisn1,请参考图2:
vtcDisn1=Dn1*Q(sserver)/(Q(sserver)+Q(snb1)),其中:
Dn1为sserver与snb1距离;T1和T2分别是sserver与snb1、snb2连线之间的垂直平分线。
Q(s)为站点覆盖场景泰森图权值;
同理可得vtcDisn2,也就是sserver到sserver与snb2连线的垂线距离。
根据vtcDisn1和vtcDisn2计算得到加权后的泰森多边形顶点。对站点sserver所有的Delaunay三角形进行上述操作,即可得sserver的加权特征泰森覆盖图。对每一个站点处理按同样方法处理,即可得整个区域的的泰森覆盖图。
本实施例提供了一种基站覆盖管理方法,确定影响基站覆盖范围的各类维度特征因子;基于维度特征因子,对各基站的覆盖场景进行聚类;按照聚类结果,绘制各基站覆盖范围对应的泰森多边形。从而通过各类维度特征因子的聚类,提升基站覆盖范围的实用性,并且通过绘制泰森多边形来对应于基站覆盖范围,提高了覆盖的精准度和全面性。
实施例二
本实施例中提供了一种的基站覆盖管理方法,请参考图4,该流程包括如下步骤:
S401、维度特征搜集及画像。
本步骤主要包括:基础信息获取、射频特征画像、用户特征画像、地理特征画像、特征矩阵生成几个部分。
S4011、基础信息获取:
根据对于的维度特征因子,对应的基础信息获取包括RF信息获取、用户信息获取、地理信息获取。1)RF信息包含:站高、下倾角、发射功率、天线振子数,发射模式等;2)用户信息包括:人口密度、VIP用户数、智能终端比例等;3)地理信息包括:平均建物高度、植被覆盖率、降水概率等。
S4012、射频特征画像:
基于步骤S4011中获取到的RF数据,选取站高、下倾角、发射功率作为子特征,采用如下方法计算射频特征因子:
一般而言,基站覆盖距离与下倾角成反比,与站高、发射功率成正比。射频特征因子R=h*cos(α)+μp*p,其中:
h为站高;
α为站点下倾角均值;
p为站点功率;
μp为功率因子,μp的计算如下:
根据Cost231-Hata传播模型:
PathLoss=46.3+33.9lgf-13.82lghb-a(hm)+(44.9-6.55lghb)(lgd)+kclutter
推导可得功率增加3dB,覆盖半径增加20%左右。得出功率系数μp=0.6。
S4013、用户特征画像:
基于步骤S4011中获取到的用户数据,选取人口密度作为子特征,采用如下方法计算用户特征因子:
一般而言,用户密度越大,区域内话务量越大,用户间干扰越大,则小区覆盖半径越小。即用户密度与覆盖半径成反比。
用户特征特征因子U=1/logn,其中:
n为区域内用户密度。
S4013、地理特征画像:
基于步骤S4011中获取到的地理数据,选取平均建物高度作为子特征,采用如下方法计算地理特征因子:
一般而言,平均建物高度越大,信号被遮挡概率越大;反之,信号越不易遮挡。即平均建物高度与覆盖半径成反比。
地理特征因子P=1/m,其中:
m为域内平均建物高度。
S4045、特征矩阵生成:
根据之前获取到的射频特征因子R、用户特征因子U、地理特征因子P,针对每一维度,采用归一化处理,保证特征系数在[0,1]范围内。根据地理位置关联ri ui pi,得到特征矩阵。
S402、覆盖场景聚类。
基于步骤S4045生成的特征矩阵,采用k-means聚类方法,将样本聚为8类。聚类方法描述如下:
中心点(类数)获取方法如下:
基于数据采集3个维度,也就是三种维度特征因子所对应的维度,每种维度按特征因子分为高低两类,则根据排列组合共8类。因此设置8个初始中心点为(rhigh,uhigh,phigh)、(rhigh,uhigh,plow)、(rhigh,ulow,phigh)、(rhigh,ulow,plow)、(rlow,uhigh,phigh)、(rlow,uhigh,plow)、(rlow,ulow,phigh)、(rlow,ulow,plow)。
聚类半径计算方法如下:
采用曼哈顿距离公式,计算样本到类中心点距离,n维空间两点距公式为:
S403、覆盖场景判别及权值计算。
基于步骤S402中生成的聚类结果,将各类命名,由于RF参数影响度>用户影响度>地理影响度,即设各维度初始权重,并计算各站点的泰森图权值。
S404、加权泰森图绘制。
根据各站点的泰森图权值,以及各站点周边的站点,计算该站点对应的泰森图顶点信息,随即确定相应的泰森图。
实施例三
本实施例提供了一种基站覆盖管理装置,请参考图5,该装置包括:
因子确定模块51,用于确定影响基站覆盖范围的各类维度特征因子;
聚类模块52,用于基于维度特征因子,对各基站的覆盖场景进行聚类;
绘制模块53,用于按照聚类结果,绘制各基站覆盖范围对应的泰森多边形。
基站的实际覆盖范围,受到多种参数的影响,比如说,基站的发射功率,基站自身所处的高度,基站周围的地理环境,如建筑物的高度,以及基站周围的用户等等。所有的这些因素,都可能会影响到基站的实际覆盖效果,也就会相应的影响基站的覆盖范围。而为了更加准确的确定基站的覆盖范围,本实施例通过确定影响了基站覆盖范围的各类维度特征因子,且该维度特征因子可以包括至少包括两类,从而实现对基站覆盖范围准确性的提升。
然后,可以根据维度特征因子,对基站的覆盖场景进行聚类。所谓对基站的覆盖场景进行聚类,表示的是,对基站按照覆盖场景类型的不同进行分类。不同的场景下,基站的覆盖范围应当有所区别,比如说,两台射频参数一致的基站,其周边的人口密集度越大,为了保证用户体验,其覆盖范围应当越小,不然就会导致基站的超负荷运行。基于这种参考,结合维度特征因子,可以对各个基站进行聚类。当然,聚类的标准并不限于人口密度等特征,可以根据具体场景和网络要求确定相应的标准。
在聚类完成之后,对于相应的基站的覆盖范围划分就有了一定的差异和比例。这样,就可以根据聚类的结果,来绘制泰森多边形。泰森多边形又叫做冯洛诺伊图,是一组由连接两邻点线段的垂直平分线组成的连续多边形组成。泰森多边形最大的特点,就是在该多边形内的任一点到该多边形的控制点的距离,小于到其他多边形的控制点的距离,也就是说,在多边形内的点,始终比在多边形外的点到多边形控制点的距离要近。这就正好契合了基站覆盖的要求,一个多边形对应于一个基站的覆盖范围,而控制点也就是基站所在的点,在某多边形内的点,也就是用户,距离本多边形中的控制点,也就是本覆盖范围内的基站,永远比其他基站更近。而且泰森多边形的这一特性,也让其形成的图形是连续的图形,这也满足了基站覆盖的要求。因此,采用泰森多边形,来对应于基站的覆盖范围,可以显著提升基站覆盖的合理性。
在确定基站覆盖范围的过程中,考虑到各种参数对基站覆盖范围影响的重要性,本实施例中,考虑一些特定种类的维度特征,来确定维度特征因子。具体而言,确定影响基站覆盖范围的维度特征因子中,维度特征因子所对应的维度特征至少可以包括射频RF信息、用户信息以及地理信息。其中,射频信息也就是基站自身的射频收发相关的信息,如发射功率,发射角度等等。用户信息则表示的是在基站周边范围内,用户的数量、占用网络情况等等。地理信息则表示的是基站周边的环境信息,比如建筑物的高度等。
在一些实施例中,在确定影响基站覆盖范围的维度特征因子之前,还可以包括:
获取基站对应的基础信息;
确定影响基站覆盖范围的维度特征因子包括:基于基础信息,确定基础信息对应的维度特征因子。其中基础信息是指的可以根据已有的条件直接获取的信息,比如说基站的射频收发功率,基站所建的高度,基站的发射倾角,基站附近的人口或终端密度,基站周围的建筑物高度等等。很多基础信息都可以作为,影响基站覆盖范围的维度特征因子所对应的维度特征,如上文所列举的RF信息、用户信息以及地理信息等。
在一些实施例中,基于基础信息,确定影响基站覆盖范围的维度特征因子可以包括:
按照基站覆盖范围,与对应的维度特征之间的关系,确定相应的维度特征因子。在确定维度特征之后,可以根据想要的基站覆盖范围的结果,来相应的确定维度特征因子。维度特征因子所指的是,对基站覆盖范围具有相应的影响度的因素,这类因素可以根据获取得到的维度特征按照一定的计算方式得到,例如:
在一些实施例中,按照基站覆盖范围,与对应的维度特征之间的关系,确定相应的维度特征因子可以包括:
根据公式R=h*cos(α)+μp*p,计算RF特征因子R;其中h为站高,α为站点下倾角,p为站点功率,μp为功率因子;从公式中可以看出,RF特征因子,与基站的高度h,基站的站点下倾角α,站点功率p以及功率因子μp有关;具体的,在其他变量不变的情况下,h值越大,则R越大;P值越大,则R值越大;而在0°~180°范围内时,α越大,则R越小。其中涉及到μp,根据Cost231-Hata传播模型
PathLoss=46.3+33.9lgf-13.82lghb-a(hm)+(44.9-6.55lghb)(lgd)+kclutter
推导可得功率增加3dB,覆盖半径增加20%左右。得出功率系数μp=0.6。这是RF特征因子R的计算方式。本实施例虽然仅列出一种计算方式,本领域技术人员也可以合理的利用其他计算方式来确定RF特征因子,而不应当认为是对本申请的限定。
根据公式U=1/logn,计算用户特征因子U;其中n为区域内用户密度;显而易见的是,区域内用户密度n越大,用户特征因子U也就越小,换言之,范围内的用户越多,基站的覆盖范围也就越小。
根据公式P=1/m,计算地理特征因子P;其中m为区域内平均建筑物高度。显然,区域内平均建筑物高度m越大,地理特征因子P也就越小,换言之,范围内的建筑物越高,基站的覆盖范围也就越小。
上面所提及的三种维度特征因子,是对基站覆盖范围影响较大的,而在实际应用中,还可以结合其他的维度特征因子一起作为基站覆盖范围的参考,本实施例并不对此进行限定。
在一些实施例中,确定影响基站覆盖范围的维度特征因子可以包括:
分别对维度特征因子进行归一化处理,保证各维度特征因子的数值大小均在[0,1]范围内,并基于处理后的维度特征因子的数值建立特征矩阵。
在一些实施例中,基于维度特征因子,对各基站的覆盖场景进行聚类可以包括:
按特征矩阵中,每类维度特征因子的数值高低分为两类;
按各类维度特征因子各自的数值高低进行组合,形成聚类,确定各基站的覆盖场景。对于每个基站而言,其各维度特征因子的数值大小都是有高有低的,而如果全部参考其实际树脂进行划分的话,其种类会非常繁多,而且实用性较差。在本实施例中,可以根据每一类维度特征因子自己的高低,分为高维度特征因子和低维度特征因子两类,在分为两类之后,再根据高低之间的界限,比如说维度特征因子数值大于0.5为高,小于0.5为低,将各基站对应的维度特征因子各自划分为高维度特征因子和低维度特征因子。而根据上述实施例中,所列举的三类维度特征因子,即RF特征因子、用户特征因子以及地理特征因子,每类维度特征因子各自包括高低的情况下,所得到的组合就一共是8种,即(rhigh,uhigh,phigh)、(rhigh,uhigh,plow)、(rhigh,ulow,phigh)、(rhigh,ulow,plow)、(rlow,uhigh,phigh)、(rlow,uhigh,plow)、(rlow,ulow,phigh)、(rlow,ulow,plow)。
值得一提的是,上述对于维度特征因子进行高低划分仅仅是一种可选的方案,本领域技术人员还可以通过其他方式进行划分,比如说更加细化的划分为高、中、低三种门限等等,本实施例并不对其进行具体的限定。
在一些实施例中,按照聚类结果,绘制各基站覆盖范围对应的泰森多边形可以包括:
根据聚类结果,以及各维度特征因子所占的权重,确定各类覆盖场景下的泰森图权值;
根据聚类结果以及泰森图权值,绘制各基站范围对应的加权泰森多边形。本实施例中所列举的三种维度特征因子,虽然对基站覆盖范围都存在较大的影响,但是不同的维度特征因子其影响的程度是不一样的,比如说,RF特征因子对基站的覆盖范围的影响显然会更大,因为这是实实在在的基站的射频收发相关的参数所决定的维度特征因子,相比而言,其他的维度特征参数的影响就更小一些。因此,可以对不同类型的维度特征因子,赋予不同的权重,从而使得计算的结果更加符合实际情况。
在一些实施例中,根据聚类结果,以及各维度特征因子所占的权重,确定各类覆盖场景下的泰森图权值具体可以包括:
根据聚类结果,确定各类维度特征因子的基础权重;
根据各维度特征因子在本类别内的数值高低,并结合基础权重,确定实际权重;
叠加基站的各类维度特征因子的实际权重,得到泰森图权值。然后,就可以相应的绘制泰森图。
本实施例提供了一种基站覆盖管理装置,确定影响基站覆盖范围的各类维度特征因子;基于维度特征因子,对各基站的覆盖场景进行聚类;按照聚类结果,绘制各基站覆盖范围对应的泰森多边形。从而通过各类维度特征因子的聚类,提升基站覆盖范围的实用性,并且通过绘制泰森多边形来对应于基站覆盖范围,提高了覆盖的精准度和全面性。
实施例四
本实施例还提供了一种网络设备,参见图6所示,其包括处理器61、存储器62及通信总线63,其中:
通信总线63用于实现处理器61和存储器62之间的连接通信;
处理器61用于执行存储器62中存储的一个或者多个计算机程序,以实现上述各实施例中的基站覆盖管理方法的步骤,这里不再赘述。
本实施例还提供了一种计算机可读存储介质,该计算机可读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、计算机程序模块或其他数据)的任何方法或技术中实施的易失性或非易失性、可移除或不可移除的介质。计算机可读存储介质包括但不限于RAM(Random Access Memory,随机存取存储器),ROM(Read-Only Memory,只读存储器),EEPROM(Electrically Erasable Programmable read only memory,带电可擦可编程只读存储器)、闪存或其他存储器技术、CD-ROM(Compact Disc Read-Only Memory,光盘只读存储器),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系统、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。
本实施例中的计算机可读存储介质可用于存储一个或者多个计算机程序,其存储的一个或者多个计算机程序可被处理器执行,以实现上述各实施例中的基站覆盖管理方法的至少一个步骤。
本实施例还提供了一种计算机程序(或称计算机软件),该计算机程序可以分布在计算机可读介质上,由可计算系统来执行,以实现上述各实施例中的基站覆盖管理方法的至少一个步骤。
本实施例还提供了一种计算机程序产品,包括计算机可读系统,该计算机可读系统上存储有如上所示的计算机程序。本实施例中该计算机可读系统可包括如上所示的计算机可读存储介质。
可见,本领域的技术人员应该明白,上文中所公开方法中的全部或某些步骤、系统、系统中的功能模块/单元可以被实施为软件(可以用计算系统可执行的计算机程序代码来实现)、固件、硬件及其适当的组合。在硬件实施方式中,在以上描述中提及的功能模块/单元之间的划分不一定对应于物理组件的划分;例如,一个物理组件可以具有多个功能,或者一个功能或步骤可以由若干物理组件合作执行。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。
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、计算机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。所以,本发明不限制于任何特定的硬件和软件结合。
以上内容是结合具体的实施方式对本发明实施例所作的进一步详细说明,不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干简单推演或替换,都应当视为属于本发明的保护范围。