CN113015153A - 服务小区的归属识别方法及装置 - Google Patents

Abstract

本发明公开了一种服务小区的归属识别方法及装置。其中，方法包括：获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；将任一场景POI图层与任一服务小区图层进行多边形布尔运算；根据运算结果，确定任一服务小区归属的场景。采用本方案能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

Description

服务小区的归属识别方法及装置

技术领域

本发明涉及通信技术领域，具体涉及一种服务小区的归属识别方法及装置。

背景技术

LTE(Long Term Evolution，长期演进)网络以其覆盖性强、移动性高、运维成本低等特点被得以广泛应用。在LTE网络中，具体是通过多个服务小区来实现网络的覆盖。

为了便于对网络性能的分析及网络规划等，通常需确定服务小区所归属的区域。目前通常是将服务小区进行粗粒度的归属划分，即确定服务小区归属于哪个地市或区县。然而，随着LTE网络的飞速发展，当前以地市、区县级维度的服务小区归属识别方式已无法满足当前精准化网络性能分析及规划的需求。因此，基于场景维度的细粒度服务小区归属识别方式也越来越受到人们重视。

然而，发明人在实施过程中发现，现有技术中存在如下缺陷：现有的基于场景维度的细粒度服务小区归属识别方式为人工识别方式，即通过专业技术人员根据人工经验来对服务小区的归属进行识别。然而，采用该种识别方式，不仅效率低下，人工成本高，而且其识别结果强烈依赖于识别人员的经验水平，从而易导致识别结果不稳定的弊端，不适于大规模应用与实施。

发明内容

鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的服务小区的归属识别方法及装置。

根据本发明的一个方面，提供了一种服务小区的归属识别方法，包括：

获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；

获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；

将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

根据运算结果，确定任一服务小区归属的场景。

可选的，所述根据任一服务小区的属性信息生成该服务小区的服务小区图层进一步包括：

根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

则所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算进一步包括：

将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

可选的，所述根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进一步包括：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

可选的，所述根据运算结果，确定任一服务小区归属的场景进一步包括：

若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

可选的，在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，所述方法还包括：生成具有关联关系的场景及服务小区的映射表；

则所述根据运算结果，确定任一服务小区归属的场景进一步包括：

根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

可选的，在所述获取至少一个场景的POI信息之后，所述方法还包括：

对所述至少一个场景的POI信息进行数据清洗；

则所述根据任一场景的POI信息生成该场景的场景POI图层进一步包括：根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

可选的，在所述获取至少一个服务小区的属性信息之后，所述方法还包括：

对所述至少一个服务小区的属性信息进行数据清洗；

则所述根据任一服务小区的属性信息生成该服务小区的服务小区图层进一步包括：

根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

根据本发明的另一方面，提供了一种服务小区的归属识别装置，包括：

场景信息获取模块，适于获取至少一个场景的POI信息；

场景图层生成模块，适于根据任一场景的POI信息生成该场景的场景POI图层；

小区信息获取模块，适于获取至少一个服务小区的属性信息；

小区图层生成模块，适于根据任一服务小区的属性信息生成该服务小区的服务小区图层；

运算模块，适于将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

确定模块，适于根据运算结果，确定任一服务小区归属的场景。

可选的，所述小区图层生成模块进一步适于：根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

则所述运算模块进一步适于：将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

可选的，所述小区图层生成模块进一步适于：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

可选的，所述确定模块进一步适于：若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

可选的，所述装置还包括：映射表生成模块(图中未示出，适于在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，生成具有关联关系的场景及服务小区的映射表；

则所述确定模块进一步适于：根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

可选的，所述装置还包括：第一清洗模块(图中未示出)，适于在所述获取至少一个场景的POI信息之后，对所述至少一个场景的POI信息进行数据清洗；

则所述场景图层生成模块进一步适于：根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

可选的，所述装置还包括：第二清洗模块(图中未示出)，适于在所述获取至少一个服务小区的属性信息之后，对所述至少一个服务小区的属性信息进行数据清洗；

则所述小区图层生成模块进一步适于：根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

根据本发明的又一方面，提供了一种计算设备，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上述服务小区的归属识别方法对应的操作。

根据本发明的再一方面，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述服务小区的归属识别方法对应的操作。

根据本发明提供的服务小区的归属识别方法及装置，获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；将任一场景POI图层与任一服务小区图层进行多边形布尔运算；根据运算结果，确定任一服务小区归属的场景。采用本方案能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，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一提供的服务小区的归属识别方法的流程示意图；

图2示出了本发明实施例二提供的服务小区的归属识别方法的流程示意图；

图3a示出了本发明实施例二提供的场景POI图层示意图；

图3b示出了本发明实施例二提供的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层的示意图；

图3c示出了本发明实施例二提供的判断任一服务小区是否归属于与该服务小区具有关联关系的场景的子流程示意图；

图4示出了本发明实施例三提供的服务小区的归属识别装置的结构示意图；

图5示出了本发明实施例五提供的计算设备的结构示意图。

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。

实施例一

图1示出了本发明实施例一提供的服务小区的归属识别方法的流程示意图。其中，本方法能够应用于包含服务小区的LTE网络等网络中。具体地，本方法能够由具有相应计算能力的计算设置执行，本实施例对具体的计算设备类型等不作限定。采用本实施例所提供的服务小区的归属识别方法能够自动识别服务小区所归属的场景。

如图1所示，该方法包括以下步骤：

步骤S110：获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层。

其中，本实施例中的场景具体为细粒度的区域，如该场景可以为某景点、某学校等等。而场景的POI(Point of Information，POI)信息具体为场景的地理位置点信息，即一个场景中可包含多个POI点，每个POI点具有相对应的地理位置信息，该地理位置信息具体可以为经纬度信息等。

在一种可选的实施方式中，为便于减少数据采集量及后续对数据的处理。本实施例中获取的至少一个场景的POI信息具体为：至少一个场景的边界POI信息，即本实施例针对于任一场景，可以仅获取该场景的边界POI点的地理位置信息，从而节约数据传输资源，并减少后续数据量，提升本方法的整体执行效率。

在获取至少一个场景的POI信息之后，可根据任一场景的POI信息准确地生成该场景的场景POI图层。

可选的，为进一步地提高生成的场景POI图层的准确度，进而提升服务小区的归属识别精度。本实施例在获取至少一个场景的POI信息之后，进一步地对获取到的至少一个场景的POI信息进行数据清洗，以剔除获取到的POI信息中的无效数据，最终根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。其中，本实施例对POI信息的数据清洗方式不作限定，例如可剔除获取到的偏差点的POI信息等等。

步骤S120：获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层。

本实施例中还获取有至少一个服务小区的属性信息。其中，服务小区的属性信息包含有以下信息中的至少一种：小区CGI(Common Gateway Interface，公共网关接口)、小区名、小区经纬度、小区方向角、小区挂高、小区所属的网络制式、该小区是否位于室外、以及覆盖类别工作频段等。

进一步地，在获取至少一个服务小区的属性信息之后，可根据任一服务小区的属性信息准确地生成该服务小区的服务小区图层。

可选的，为进一步地提高生成的服务小区图层的准确度，进而提升服务小区的归属识别精度。本实施例在获取至少一个服务小区的属性信息之后，对至少一个服务小区的属性信息进行数据清洗，从而根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。其中，本实施例对服务小区的属性信息的数据清洗方式不作限定，例如可过滤每个服务小区所对应的非关键字段信息，又或者，过滤掉关键字段信息不全的服务小区的属性信息等等。

其中，本实施例对步骤S110及步骤S120的具体执行顺序不作限定，两者可并发执行，也可按照相应的次序依次执行。

步骤S130：将任一场景POI图层与任一服务小区图层进行多边形布尔运算。

本实施例中，在获得场景POI图层及服务小区图层之后，可进一步地对场景POI图层及服务小区图层进行多边形布尔运算，以获得场景POI图层及服务小区图层之间的重叠状况。

步骤S140：根据运算结果，确定任一服务小区归属的场景。

通过步骤S130中场景POI图层与服务小区图层的多边形布尔运算结果，能够快速地获取到场景与服务小区的覆盖关系，进而可基于该运算结果准确地确定出任一服务小区归属的场景。

由此可见，本实施例根据获取到的场景的POI信息生成场景POI图层，以及根据获取到的服务小区的属性信息生成服务小区图层；进而将场景POI图层与服务小区图层进行多边形布尔运算；最终根据运算结果，确定任一服务小区归属的场景。采用本方案能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

实施例二

图2示出了本发明实施例二提供的服务小区的归属识别方法的流程示意图。其中，本实施例所提供的服务小区的归属识别方法是针对于实施例一中方法的进一步优化，从而进一步提升服务小区的归属识别精度。

如图2所示，该方法包括以下步骤：

步骤S210：获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层。

其中，本步骤的具体执行过程可参照实施例一中相应部分的描述，本实施例在此不做赘述。如图3a所示，场景A、B、C及D的场景POI图层分别为场景POI图层A、场景POI图层B、场景POI图层C及场景POI图层D。

步骤S220：获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

本实施例中，可根据任一服务小区的属性信息生成与该服务小区对应的三类图层，即小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。旨在通过该三类服务小区图层及后续步骤的实施，进一步提升服务小区的归属识别精度。

在具体的实施过程中，可根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径，继而根据最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径。其中，该服务小区的主覆盖半径等于该服务小区的最大覆盖半径的一半；而该服务小区的边缘覆盖半径等于该服务小区的最大覆盖半径。最终根据服务小区的中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

如图3b所示，生成的服务小区X的小区点图层包含服务小区的中心点；小区主覆盖扇区图层为以中心点为圆心，主覆盖半径为半径的扇形区域；小区边缘覆盖扇区图层为以中心点为圆心，边缘覆盖半径为半径，且不包含主覆盖扇区的扇形区域。

步骤S230：将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算，并生成具有关联关系的场景及服务小区的映射表。

针对于任一服务小区，将该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层分别与任一场景POI图层进行多边形布尔运算。例如，针对于场景A及服务小区X，分别将服务小区X的小区点图层与场景POI图层A进行多边形布尔运算、将服务小区X的主覆盖扇区图层与场景POI图层A进行多边形布尔运算、以及将服务小区X的边缘覆盖扇区图层与场景POI图层A进行多边形布尔运算，从而分别获得3个运算结果，每个运算结果表明参与运算的两个图层之间是否存在重叠。

在具体的布尔多边形运算过程中，可采用平面扫描方法计算两个图层之间的交叉点，进而计算出相交的线路链，最后将计算获得的线路链拼接成对应的布尔运算多边形。本实施例中场景POI图层及服务小区图层可以为任意形状，而布尔多边形运算能够适用于任意形状的图层，从而本实施例采用布尔多边形运算能够针对于各种形状的场景POI图层及服务小区图层进行计算，进而有利于提升本方法的适用范围。

通过多边形布尔运算，能够获得存在重叠关系的各个图层，进而生成具有关联关系的场景及服务小区的映射表。该映射表中反映了服务小区与场景的初始关联关系。例如，若映射表中，场景A与服务小区X具有关联关系，则表明服务小区X可能归属于该场景A。

步骤S240：根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

虽然步骤S230中能够生成具有关联关系的场景及服务小区的映射表，然而，仅根据该映射表无法真实准确地反映服务小区所归属的场景。从而，通过本步骤进一步地对具有关联关系的场景及服务小区的判断，能够实现服务小区的归属的精准识别。

在具体的实施过程中，根据生成的映射表，分别判断任一服务小区是否归属于与该服务小区具有关联关系的场景。其中，具体的判定过程可通过以下步骤实现(见图3c)：

S241：判断场景POI图层与服务小区的小区点图层是否存在交集；若是，则确定该服务小区归属于该场景；若否，则进一步执行步骤S242。其中，若场景POI图层与服务小区的小区点图层存在交集，则表明该服务小区的中心位于该场景POI图层内，从而确定该服务小区归属于该场景。

S242：判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值；若是，则确定该服务小区归属于该场景；若否，则执行步骤S243。其中，第一预设阈值可以为0，即表明该场景POI图层与该服务小区的小区主覆盖扇区图层存在交集，则确定该服务小区归属于该场景。

S243：判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值；若是，则确定该服务小区归属于该场景；若否，则确定该服务小区不归属于该场景。其中，第二预设阈值可以为该场景POI图层面积的30％。

由此可见，本实施例能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析；并且，在此基础上，本实施例进一步地针对于任一服务小区，生成有与该服务小区对应的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层，并利用该三类服务小区图层分别与场景POI图层进行多边形布尔运算，有利于提升服务小区的归属识别精度；再者，本实施例通过映射表及基于映射表的归属判决方式，能够精准地确定任一服务小区是否归属于与该服务小区具有关联关系的场景，进而进一步提升服务小区的归属识别精度。

实施例三

图4示出了本发明实施例三提供的服务小区的归属识别装置的结构示意图。如图4所示，该装置包括：场景信息获取模块41，场景图层生成模块42，小区信息获取模块43，小区图层生成模块44，运算模块45以及确定模块46。

场景信息获取模块41，适于获取至少一个场景的POI信息；

场景图层生成模块42，适于根据任一场景的POI信息生成该场景的场景POI图层；

小区信息获取模块43，适于获取至少一个服务小区的属性信息；

小区图层生成模块44，适于根据任一服务小区的属性信息生成该服务小区的服务小区图层；

运算模块45，适于将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

确定模块46，适于根据运算结果，确定任一服务小区归属的场景。

可选的，所述小区图层生成模块进一步适于：根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

则所述运算模块进一步适于：将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

可选的，所述小区图层生成模块进一步适于：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

可选的，所述确定模块进一步适于：若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

可选的，所述装置还包括：映射表生成模块(图中未示出，适于在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，生成具有关联关系的场景及服务小区的映射表；

则所述确定模块进一步适于：根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

可选的，所述装置还包括：第一清洗模块(图中未示出)，适于在所述获取至少一个场景的POI信息之后，对所述至少一个场景的POI信息进行数据清洗；

则所述场景图层生成模块进一步适于：根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

可选的，所述装置还包括：第二清洗模块(图中未示出)，适于在所述获取至少一个服务小区的属性信息之后，对所述至少一个服务小区的属性信息进行数据清洗；

则所述小区图层生成模块进一步适于：根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

其中，本实施例中各模块的具体实施过程可参照方法实施例中相应部分的描述，本实施例在此不作赘述。

由此可见，本实施例能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

实施例四

本发明实施例四提供了一种非易失性计算机存储介质，所述计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的方法。

可执行指令具体可以用于使得处理器执行以下操作：

获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；

获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；

将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

根据运算结果，确定任一服务小区归属的场景。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，生成具有关联关系的场景及服务小区的映射表；

根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

在所述获取至少一个场景的POI信息之后，对所述至少一个场景的POI信息进行数据清洗；

根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

在一种可选的实施方式中，可执行指令具体可以用于使得处理器执行以下操作：

在所述获取至少一个服务小区的属性信息之后，对所述至少一个服务小区的属性信息进行数据清洗；

根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

由此可见，本实施例能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

实施例五

图5示出了本发明实施例五提供的计算设备的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。

如图5所示，该计算设备可以包括：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，具体可以执行上述方法实施例中的相关步骤。

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。计算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510。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。

程序510具体可以用于使得处理器502执行以下操作：

获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；

获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；

将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

根据运算结果，确定任一服务小区归属的场景。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，生成具有关联关系的场景及服务小区的映射表；

根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

在所述获取至少一个场景的POI信息之后，对所述至少一个场景的POI信息进行数据清洗；

根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

在一种可选的实施方式中，程序510具体可以用于使得处理器502执行以下操作：

在所述获取至少一个服务小区的属性信息之后，对所述至少一个服务小区的属性信息进行数据清洗；

根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

由此可见，本实施例能够自动地识别服务小区所归属的场景，从而大幅提升识别效率及识别精度，降低人工成本，有利于对网络性能及规划的精准化分析。

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。

本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。

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)

1.一种服务小区的归属识别方法，其特征在于，包括：

获取至少一个场景的POI信息，根据任一场景的POI信息生成该场景的场景POI图层；

获取至少一个服务小区的属性信息，根据任一服务小区的属性信息生成该服务小区的服务小区图层；

将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

根据运算结果，确定任一服务小区归属的场景。

2.根据权利要求1所述的方法，其特征在于，所述根据任一服务小区的属性信息生成该服务小区的服务小区图层进一步包括：

根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层；

则所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算进一步包括：

将任一场景POI图层分别与任一服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进行多边形布尔运算。

3.根据权利要求2所述的方法，其特征在于，所述根据任一服务小区的属性信息生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层进一步包括：

根据任一服务小区的属性信息，确定该服务小区的中心点及最大覆盖半径；

根据所述最大覆盖半径计算该服务小区的主覆盖半径及边缘覆盖半径；

根据所述中心点、主覆盖半径及边缘覆盖半径，生成该服务小区的小区点图层、小区主覆盖扇区图层以及小区边缘覆盖扇区图层。

4.根据权利要求2所述的方法，其特征在于，所述根据运算结果，确定任一服务小区归属的场景进一步包括：

若场景POI图层与服务小区的小区点图层存在交集，则确定该服务小区归属于该场景；

若场景POI图层与服务小区的小区点图层未存在交集，则进一步判断该场景POI图层与该服务小区的小区主覆盖扇区图层的交集是否大于第一预设阈值，若是，则确定该服务小区归属于该场景；

若该场景POI图层与该服务小区的小区主覆盖扇区图层的交集小于或等于第一预设阈值，则进一步判断该场景POI图层与该服务小区的小区边缘覆盖扇区图层的交集是否大于第二预设阈值，若是，则确定该服务小区归属于该场景。

5.根据权利要求1-4中任一项所述的方法，其特征在于，在所述将任一场景POI图层与任一服务小区图层进行多边形布尔运算之后，所述方法还包括：生成具有关联关系的场景及服务小区的映射表；

则所述根据运算结果，确定任一服务小区归属的场景进一步包括：

根据运算结果，判断任一服务小区是否归属于与该服务小区具有关联关系的场景。

6.根据权利要求5所述的方法，其特征在于，在所述获取至少一个场景的POI信息之后，所述方法还包括：

对所述至少一个场景的POI信息进行数据清洗；

则所述根据任一场景的POI信息生成该场景的场景POI图层进一步包括：根据数据清洗后的任一场景的POI信息生成该场景的场景POI图层。

7.根据权利要求5所述的方法，其特征在于，在所述获取至少一个服务小区的属性信息之后，所述方法还包括：

对所述至少一个服务小区的属性信息进行数据清洗；

则所述根据任一服务小区的属性信息生成该服务小区的服务小区图层进一步包括：

根据数据清洗后的任一服务小区的属性信息生成该服务小区的服务小区图层。

8.一种服务小区的归属识别装置，其特征在于，包括：

场景信息获取模块，适于获取至少一个场景的POI信息；

场景图层生成模块，适于根据任一场景的POI信息生成该场景的场景POI图层；

小区信息获取模块，适于获取至少一个服务小区的属性信息；

小区图层生成模块，适于根据任一服务小区的属性信息生成该服务小区的服务小区图层；

运算模块，适于将任一场景POI图层与任一服务小区图层进行多边形布尔运算；

确定模块，适于根据运算结果，确定任一服务小区归属的场景。

9.一种计算设备，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权利要求1-7中任一项所述的服务小区的归属识别方法对应的操作。

10.一种计算机存储介质，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权利要求1-7中任一项所述的服务小区的归属识别方法对应的操作。

Images