CN113316157A - 站点位置的确定方法、装置和系统 - Google Patents

站点位置的确定方法、装置和系统 Download PDF

Info

Publication number
CN113316157A
CN113316157A CN202010121465.8A CN202010121465A CN113316157A CN 113316157 A CN113316157 A CN 113316157A CN 202010121465 A CN202010121465 A CN 202010121465A CN 113316157 A CN113316157 A CN 113316157A
Authority
CN
China
Prior art keywords
weak coverage
determining
deployed
information acquisition
cluster
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
CN202010121465.8A
Other languages
English (en)
Inventor
谢伟伦
杨丰羽
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.)
Huawei Technologies Co Ltd
Original Assignee
Huawei Technologies 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 Huawei Technologies Co Ltd filed Critical Huawei Technologies Co Ltd
Priority to CN202010121465.8A priority Critical patent/CN113316157A/zh
Publication of CN113316157A publication Critical patent/CN113316157A/zh
Pending legal-status Critical Current

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本申请公开了一种站点位置的确定方法、装置及系统，属于通信领域。所述方法包括：获取通信系统中的弱覆盖区域，所述弱覆盖区域是基于所述通信系统中多个信息采集点采集的通信指标数据确定的区域；获取基于所述弱覆盖区域确定的至少一个弱覆盖簇；对于每个所述弱覆盖簇，采用第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置。本申请提高了站点位置的确定效率以及最终得到的站点位置的可靠性低，本申请用于站点位置的确定。

Description

站点位置的确定方法、装置和系统
技术领域
本申请涉及通信领域，特别涉及一种站点位置的确定方法、装置和系统。
背景技术
通信系统包括网管设备和多个站点(station)，网管设备用于管理该多个站点，站点用于为终端设备提供通信服务，站点位置的设置决定了提供给终端设备的服务质量。
目前，当需要在已规划的通信系统中开设新的站点时，工作人员需要基于通信系统所覆盖区域的地貌类型、建筑物高度和逻辑拓扑等参数，确定初始的站点位置；然后通过仿真软件对将站点设置在该初始的站点位置时的通信效果进行仿真；工作人员基于仿真结果进行站点位置的不断调优，直至得到最终的站点位置。该确定站点位置的算法称为人工白盒算法。
但是，人工白盒算法需要工作人员参与初始的站点位置的确定，以及站点位置的不断调优，站点位置的确定效率较低，最终得到的站点位置的可靠性低。
发明内容
本申请实施例提供了一种站点位置的确定方法、装置及系统。可以解决目前的站点位置的确定效率较低，得到的站点位置的可靠性低的问题。该技术方案如下：
第一方面，提供了一种站点位置的确定方法，该方法可以由分析设备执行，该方法包括：
获取通信系统中的弱覆盖区域，该弱覆盖区域是基于该通信系统中多个信息采集点采集的通信指标数据确定的区域；获取基于该弱覆盖区域确定的至少一个弱覆盖簇；对于每个该弱覆盖簇，采用第一定数聚类算法确定该弱覆盖簇中待部署站点的站点位置。
本申请实施例提供的站点位置的确定方法，由分析设备自动采用第一定数聚类算法确定每个弱覆盖簇中待部署站点的数量，无需人工设定待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的准确性和可靠性。
可选的，分析设备可以基于该弱覆盖区域中的该信息采集点的位置信息，采用非定数聚类算法确定该至少一个弱覆盖簇。由分析设备自动将弱覆盖区域划分为至少一个弱覆盖簇，无需人工进行弱覆盖区域的划分，可以提高站点位置的确定效率，提高了最终得到的站点位置的可靠性
该基于该弱覆盖区域中的该信息采集点的位置信息，采用非定数聚类算法确定该至少一个弱覆盖簇的过程可以包括：
基于该弱覆盖区域中的该信息采集点的位置信息，采用该非定数聚类算法将该弱覆盖区域划分为多个备选弱覆盖簇；将在该多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为该至少一个弱覆盖簇。通过剔除不符合条件的弱覆盖簇，可以减少计算复杂度，提高确定站点位置的效率
可选的，该采用第一定数聚类算法确定该弱覆盖簇中待部署站点的站点位置的过程，包括：
确定该弱覆盖簇中待部署站点的数量；基于该弱覆盖簇中待部署站点的数量以及该弱覆盖簇中的该信息采集点的位置信息，采用该第一定数聚类算法确定该弱覆盖簇中待部署站点的站点位置。
采用前述第一定数聚类算法确定站点位置，在满足站点与弱覆盖区域相关性的基础是提升了站点确定流程的效率。也使得该流程具有了更高的适应性。
可选的，该确定该弱覆盖簇中待部署站点的数量的过程，包括：在该弱覆盖簇中每两个信息采集点之间的距离中获取最大距离；获取该最大距离与指定站间距的比值；基于获取的该比值，确定该待部署站点的数量。
其中，当该比值为整数时，可以将该比值直接确定为待部署站点的数量；当该比值不为整数时，可以将该比值的向下取整值(在一些实际场景中也可以为向上取整值或者四舍五入的值)确定为待部署站点的数量。该指定站间距为指定的待部署站点之间的间距，其可以为待部署站点的平均站间距(Average Inter-Site Distance)，其与待部署站点所需部署的通信系统的应用环境相关，例如，对于不同的城市环境，不同的使用频段，指定站间距不同。通过考虑弱覆盖簇中每两个信息采集点之间的距离以及指定站间距，可以使得最终确定的待部署站点的数量保证待部署站点的服务覆盖范围尽量覆盖弱覆盖簇中多数甚至全部的信息采集点，实现待部署站点在部署后为每个信息采集点所在位置的终端设备提供有效通信服务，进而提高后续确定基站位置的准确性。
可选的，该基于该弱覆盖簇中待部署站点的数量以及该弱覆盖簇中的该信息采集点的位置信息，采用该第一定数聚类算法确定该弱覆盖簇中待部署站点的站点位置的过程，包括：
基于该待部署站点的数量以及该弱覆盖簇，采用该第一定数聚类算法，在该弱覆盖簇中确定与该待部署站点的数量相同数量的子区域；对于每个该子区域，基于该子区域中的该信息采集点的位置信息，在该子区域中确定一个该待部署站点的站点位置。
由于划分得到的子区域与待部署站点一一对应，因此可以将每个子区域的中心点确定为该子区域中待部署站点的设置位置。从而保证在该设置位置部署的站点的服务覆盖范围可以全部或大部分覆盖对应的子区域所在范围，全面有效地为对应的子区域中的终端设备提供通信服务。
可选的，该获取该子区域中的该待部署站点对应的目标小区数的过程，包括：
基于该子区域中的站点位置，以及该子区域中的信息采集点的位置信息，确定该子区域中的信息采集点相对于该待部署站点的角度，基于第二定数聚类算法以及该子区域中的信息采集点相对于该待部署站点的角度，得到m个备选小区方位角，该m个备选小区方位角与m个备选小区数一一对应，该m个备选小区数分别为1至n中的一个值，该n为指定小区数量阈值，基于该m个备选小区方位角，在该m个备选小区数中确定目标小区数。
相应的，该基于该目标小区数，获取采用第二定数聚类算法确定的该待部署站点对应的小区方位角的过程，包括：将该目标小区数对应的小区方位角确定为该待部署站点对应的小区方位角。
前述步骤中，分析设备在获取了子区域中的信息采集点相对于待部署站点的角度后，通过设定了一些可选的备选小区数，接着获取对应的备选小区方位角，从而在基于确定的备选小区方位角，在m个备选小区数筛选得到合理的目标小区数。
在一种可选实现方式中，该基于第二定数聚类算法以及该子区域中的信息采集点相对于该待部署站点的角度，得到m个备选小区方位角的过程，包括：m个备选小区方位角的获取过程。每个备选小区方位角的获取过程包括：
基于该子区域中的信息采集点相对于该待部署站点的角度，以及第一备选小区数采用该第二定数聚类算法确定该子区域中的至少一个子簇，该第一备选小区数为该m个备选小区数中的任意一个；确定每个该子簇的中心点相对于该待部署站点的角度；基于每个该子簇的中心点相对于该待部署站点的角度，确定该子区域中每个小区的天线主瓣朝向；基于该每个小区的天线主瓣朝向，以及指定主瓣角度范围，确定该子区域中每个小区的小区方位角。
需要说明的是，前述步骤中，如何在1至n中选择m个备选小区数，决定了确定目标小区数的效率。相应的，对于不同的选择方式，分析设备在m个备选小区数中确定目标小区数的方式也不同，本申请示例以以下两种可选方式为例对分析设备在m个备选小区数中确定目标小区数的过程进行说明：
第一种可选方式，在分析设备基于m个备选小区数、第二定数聚类算法以及子区域中的信息采集点相对于待部署站点的角度之前，分析设备获取设定的m个备选小区数，也即m个备选小区数在执行备选小区方位角的获取过程之前已知。例如，m个备选小区数为1至n中连续或部分连续或间隔的m个数值；或者，m＝n，也即是将1至n分别作为m个备选小区数。则分析设备确定目标小区数的过程为：基于m个备选小区数以及对应的子区域的小区方位角，确定与m个备选小区数一一对应的m种分区方式，在m种分区方式中选择小区重叠范围小于指定重叠范围阈值(其中，不重叠的情况可以视为小区重叠范围为0)的备选分区方式，将备选分区方式对应的备选小区数中最大的备选小区数确定为目标小区数。
第二种可选方式，在分析设备基于m个备选小区数、第二定数聚类算法以及子区域中的信息采集点相对于待部署站点的角度之前，m个备选小区数未设定，也即m个备选小区数为1至n中的m个数值，但具体为哪几个数值是未知的。则在执行前述m个备选小区方位角的获取过程时，可以当按照对应的备选小区数递增(例如从1或2开始递增)或递减(例如从n开始递减)的顺序执行前述备选小区方位角的获取过程，直至基于当前的备选小区数以及对应的子区域的小区方位角确定的分区方式中小区重叠范围小于指定重叠范围阈值，则达到截止条件，即可以停止执行前述备选小区方位角的获取过程；则分析设备确定目标小区数的过程为：将重叠范围小于指定重叠范围阈值的分区方式(即前述当前确定的分区方式，也即是达到截止条件时的分区方式)所对应的当前的备选小区数确定为目标小区数。
在该第二种可选方式中，通过采用递增或递减方式逐个尝试不同备选小区数所对应的备选小区方位角，在尝试到合适的备选小区方位角后，确定相应的备选小区数作为目标小区数，相对于前述第一种可选方式，可以减少执行备选小区方位角的获取过程的次数，从而减少运算代价，提高确定待部署站点对应的小区方位角的效率。
与前述第一种可选方式和第二种可选方式对应的，基于目标小区数，采用第二定数聚类算法确定待部署站点对应的小区方位角的过程可以由以下两种示意性可实现方式实现：
在第一种可实现方式中，分析设备基于目标小区数，执行小区方位角的获取过程，该小区方位角的获取过程与备选小区方位角的获取过程相同，仅仅是将第一备选小区数更新为目标小区数，将基于目标小区数确定的备选小区方位角作为待部署站点对应的小区方位角。也即是再执行了一遍前述备选小区方位角的获取过程，得到对应的小区方位角。
在第二种可实现方式中，由于目标小区数是在m个备选小区数中选择得到的，且该m个备选小区数对应的备选小区方位角已经通过备选小区方位角的获取过程确定，因此可以直接在m个备选小区数对应的备选小区方位角中获取目标小区数对应的备选小区方位角作为待部署站点对应的小区方位角，该待部署站点对应的小区方位角即为采用第二定数聚类算法确定的小区方位角。
可选的，在该子区域中确定一个该待部署站点的站点位置之后，分析设备还可以获取待部署站点对应的小区方位角。
在一种可选方式中，分析设备可以呈现子区域的分布图，该分布图显示了每个子区域的分布情况以及站点位置，如此工作人员基于该分布图可以根据经验确定目标小区数和小区方位角。相应的，分析设备可以直接接收工作人员输入的目标小区数和小区方位角。如此能够快速获取目标小区数和小区方位角。
在另一种可选方式中，分析设备可以自动确定待部署站点对应的目标小区数和小区方位角。例如，对于每个该子区域，获取该子区域中的该待部署站点对应的目标小区数；基于该目标小区数，采用第二定数聚类算法确定该待部署站点对应的小区方位角。由分析设备自动确定待部署站点对应的目标小区数和小区方位角，可以保证设置的目标小区数的合理性，实现对不同情况下的数据的适应性，提高小区方位角的确定效率，提高了最终得到的小区方位角的可靠性。
可选的，该信息采集点的位置信息可以为由该信息采集点的经纬度信息转化得到栅格点的栅格信息，由于经过栅格化处理得到的栅格点的个数小于或等于信息采集点的个数，且实现了球面坐标系到平面坐标系的转换，因此通过将信息采集点转化为栅格点以进行前述弱覆盖区域的确定，相当于减少了需计算的对象的个数，降低了计算的复杂度，可以实现数据的定量化分析，从而降低运算代价，提高确定弱覆盖区域的效率。
可选的，所述信息采集点的位置信息也可以为所述信息采集点的经纬度信息。
第二方面，提供了一种站点位置的确定装置，所述装置包括：多个功能模块：所述多个功能模块相互作用，实现上述第一方面及其各实施方式中的方法。所述多个功能模块可以基于软件、硬件或软件和硬件的结合实现，且所述多个功能模块可以基于具体实现进行任意组合或分割。
第三方面，提供了一种站点位置的确定装置，包括：处理器和存储器；
所述存储器，用于存储计算机程序，所述计算机程序包括程序指令；
所述处理器，用于调用所述计算机程序，实现如第一方面任一所述的站点位置的确定方法。
第四方面，提供了一种计算机存储介质，所述计算机存储介质上存储有指令，当所述指令被处理器执行时，实现如第一方面任一所述的站点位置的确定方法。
第五方面，提供了一种通信系统，包括：多个信息采集点、多个站点、管理设备和分析设备，
所述管理设备用于管理所述多个站点；
所述站点用于传输所述管理设备与所述信息采集点之间的数据；
所述分析设备包括前述第二方面或第三方面任一所述的站点位置的确定装置。
第六方面，提供了一种芯片，芯片包括可编程逻辑电路和/或程序指令，当芯片运行时，实现如第一方面任一所述的站点位置的确定方法。
第七方面，提供了一种计算机程序产品，所述计算机程序产品中存储有指令，当所述指令在计算机上运行时，使得所述计算机执行如第一方面任一所述的站点位置的确定方法。
本申请实施例提供的技术方案带来的有益效果至少包括：
综上所述，本申请实施例提供的站点位置的确定方法，由分析设备自动采用第一定数聚类算法确定每个弱覆盖簇中待部署站点的数量，无需人工设定待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的准确性和可靠性。
进一步的，相比于人工白盒算法，本申请采用非定数聚类算法确定所述至少一个弱覆盖簇，降低了布站任务的复杂度，提升了布站工作的自动化能力，使得通信系统中的布站工作可以应对更大的数据量，更复杂的数据场景。
并且，采用前述第一定数聚类算法确定站点位置，在满足站点与弱覆盖区域相关性的基础是提升了站点确定流程的效率。也使得该流程具有了更高的适应性。利用第二定数聚类算法确定小区方位角，可以提高小区方位角的确定效率，提高了最终得到的小区方位角的可靠性。
分析设备在获取至少一个弱覆盖簇时，分析设备自动过滤异常或孤立数据(即不符合条件的数据)，节省了筛选异常数据点(如异常信息采集点或异常栅格点)的人工操作，有效提高了计算效率，实现更高层次的自动化。
附图说明
图1是本申请实施例提供的一种站点位置的确定方法所涉及的一种应用场景示意图；
图2是本申请实施例提供的一种站点位置的确定方法所涉及的另一种应用场景示意图；
图3是本申请实施例提供的一种站点位置的确定方法的流程示意图；
图4为本申请实施例提供的一种坐标系转换的过程示意图；
图5为本申请实施例提供的一种示意性的栅格图；
图6是将图5中第二通信指标不大于第二通信指标阈值的栅格点过滤后得到的栅格点所在区域的示意图；
图7为本申请实施例提供的另一种示意性的栅格图；
图8为本申请实施例提供的又一种示意性的栅格图；
图9是本申请实施例提供的再一种示意性的栅格图；
图10为本申请实施例提供的一种示意性的天线方向图；
图11是图9所示的子区域中待部署站点对应的小区方位角的示意图；
图12是本申请一示意性实施例提供的一种站点位置的确定装置的框图；
图13是本申请一示意性实施例提供的第一确定模块的框图；
图14是本申请一示意性实施例提供的另一种站点位置的确定装置的框图；
图15是本申请一示意性实施例提供的又一种站点位置的确定装置的框图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
为了便于读者理解，本申请实施例对提供的站点位置的确定方法所涉及的聚类算法进行简单介绍。
在机器学习领域中，聚类算法为无监督学习的一种算法。聚类算法用于通过识别出数据间的关系，将多个数据所组成的集合分为若干子集(或者称为若干类、若干簇或若干区)。根据聚类算法是否要求输入子集数，聚类算法可以分为定数聚类算法和非定数聚类算法。
其中，定数聚类算法指的是在聚类前，需要定义最终分类得到的子集数，作为参数输入到聚类流程中。算法会将多个数据组成的集合分成预先设定的子集数，即前述输入的子集数。本申请实施例中，定数聚类算法可以为k均值聚类算法(k-means clusteringalgorithm，k-means)或基于随机选择的聚类算法(CLARANS)等定数聚类算法。
非定数聚类算法指的是在聚类前并不需要输入子集数。算法会根据自身的原理和数据的情况推算出对应的子集数。本申请实施例中，定数聚类算法可以为基于密度的噪声应用空间聚类(Density-Based Spatial Clustering of Applications with Noise，DBSCAN)、基于层次结构的均衡迭代还原与聚类(Balanced Iterative Reducing andClustering using Hierarchies，BIRCH)等非定数聚类算法。
请参考图1，图1是本申请实施例提供的站点位置的确定方法所涉及的一种应用场景示意图。如图1所示，该应用场景中包括分析设备101、管理设备102、站点103和信息采集点104。图1中分析设备、管理设备、站点和信息采集点的数量仅用作示意，不作为对本申请实施例提供的站点位置的确定方法所涉及的应用场景的限制。该应用场景所涉及的网络可以是第二代(2-Generation，2G)通信系统、第三代(3rd Generation，3G)通信系统、长期演进(Long Term Evolution，LTE)通信系统或第五代(5rd Generation，5G)通信系统等。
其中，分析设备101和管理设备102可以部署在同一台设备上，也可以分别部署于不同设备上。例如，分析设备101和管理设备102部署在不同设备上时，分析设备101可以是一个计算机、一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心，该分析设备101部署有用于确定站点位置的智能布站软件或插件。管理设备102可以是一台计算机，或者一台服务器，或者由若干台服务器组成的服务器集群，或者是一个云计算服务中心，并且管理设备102可以是运维支撑系统(operations support system，OSS)或其它与分析设备连接的设备，该管理设备102部署有软件管理系统。分析设备101与管理设备102之间通过有线网络或无线网络连接。站点103可以是为信息采集点提供网络信息的装置，如路由器、交换机或基站等。其中，基站可以为传统的基站(Node B)、演进型基站(英文：eVolution Node B；简称：eNB)或者5G基站。信息采集点104可以是具有网络连接功能(如接入无线网络的功能)的装置，比如智能手机、物联网(Internet of Things，IoT)、台式电脑，笔记本电脑、平板电脑、多媒体播放器、电子阅读器或可穿戴式设备等等。
信息采集点104用于通过站点103向管理设备102上传采集到的通信指标数据，分析设备101用于从管理设备102获取和分析通信指标数据，从而确定站点位置。本申请实施例只是对通信指标数据的来源进行示意性说明，但并不对此进行限定。
可选地，在图1所示的场景的基础上，该应用场景还可以包括存储设备105，其用于存储信息采集点104提供的数据，该存储设备105可以为分布式存储设备，分析设备101可以对该存储设备105所存储的数据进行读写。这样在信息采集点104的数据较多的情况下，由存储设备105进行数据存储，可以减轻分析设备101的负载，提高分析设备101的数据分析效率。需要说明的是，当信息采集点104提供的数据量较少时，也可以不设置该存储设备105。
本申请实施例提供一种站点位置的确定方法，该方法可以由前述图1或图2中的分析设备执行，如图3所示，该方法包括：
步骤301、分析设备获取通信系统中多个信息采集点采集的通信指标数据。
通信指标数据是用于衡量通信质量的数据，基于该通信指标数据可以确定采集该数据的信息采集点所在位置的通信质量。该通信指标数据包括通信系统中的一种或多种业务数据。例如，用户下行吞吐率、传输速率、参考信号接收功率(Reference SignalReceiving Power，RSRP)和/或信号与干扰加噪声比(Signal to Interference plusNoise Ratio，SINR)。当通信系统中终端设备对通信质量的要求提升，需要在增加新的站点时，分析设备可以获取通信系统中多个信息采集点所采集的通信指标数据，从而基于获取的通信指标数据进行待部署站点的位置(该位置也称为加站位置)的确定。
其中，分析设备可以采用多种获取方式获取通信指标数据。在一种可选方式中，分析设备可以直接接收工作人员输入的通信指标数据，该通信指标数据由多个信息采集点采集，并通过指定设备(如前述管理设备)输出给工作人员；在另一种可选方式中，如图1或图2所示，分析设备可以从管理设备获取多个信息采集点采集的通信指标数据。示例的，管理设备可以在接收到工作人员输入的触发指令后，下发数据采集命令，或者周期性下发数据采集命令，经过站点转发，各信息采集点接收后，便会通过站点向管理设备上报业务指标数据，从而供分析设备提取该业务指标数据，或由管理设备将该业务指标数据发送给分析设备。值得说明是，分析设备还可以通过其他方式获取该通信指标数据，例如在信息采集点采集了通信指标数据之后，直接将通信指标数据发送至该分析设备。本申请实施例对分析设备获取通信指标数据的方式不做限定。
步骤302、分析设备基于多个信息采集点采集的通信指标数据，确定通信系统中的弱覆盖区域。
弱覆盖区域指的是通信服务覆盖弱的区域。在该区域中，站点提供的通信服务差，从而导致终端设备的通信质量较差。弱覆盖区域的获取方式有多种，本申请实施例以以下几种方式为例进行说明：
在第一种可选方式中，对于每个信息采集点，分析设备可以基于该信息采集点所采集的通信指标数据，确定第一通信指标值，并将该第一通信指标值与第一通信指标阈值进行比较，当该第一通信指标值小于第一通信指标阈值时，说明对应的信息采集点的通信质量较差，分析设备确定该信息采集点位于弱覆盖区域中；当该第一通信指标值不小于第一通信指标阈值时，说明对应的信息采集点的通信质量较好，分析设备确定该信息采集点不位于弱覆盖区域中。最终获取的弱覆盖区域包括一个或多个第一通信指标值小于第一通信指标阈值的信息采集点，也即是该弱覆盖区域为信息采集点的集合。在这种方式中，每个信息采集点可以通过该信息采集点的位置信息表示，该信息采集点的位置信息可以为该信息采集点的经纬度信息(即经度和纬度)。每个信息采集点的经纬度信息可以与该信息采集点采集的每条通信指标数据一一对应。示例的，对应的经纬度信息与通信指标数据可以通过同一消息由信息采集点通过站点上报给管理设备，并由管理设备记录，或者，每条通信指标数据中携带有对应的经纬度信息，该经纬度信息相当于对应的通信指标数据的标签。分析设备在获取多个通信指标数据后，按照通信指标数据对应的位置信息标定相应的信息采集点。
可选的，第一通信指标值可以为上述通信指标数据中一个业务数据的值，如下行吞吐率、传输速率、RSRP或SINR的值；也可以是基于该通信指标数据中多个业务数据的值所确定的值，例如该多个业务数据的加权值，如RSRP和SINR的加权值。如此，分析设备可以支持基于不同的业务数据确定通信指标值，在布站时可以实现较强的算法适用性。
在第二种可选方式中，分析设备可以获取至少一个栅格点，并基于该至少一个栅格点对应的通信指标数据，确定通信系统中的弱覆盖区域。该至少一个栅格点与通信系统中的多个信息采集点对应。在这种方式中，信息采集点转化成了栅格点，每个信息采集点可以通过该信息采集点的位置信息表示，该信息采集点的位置信息可以为由该信息采集点的经纬度信息转化得到栅格点的栅格信息(也称栅格横纵坐标信息，包括栅格横坐标和栅格纵坐标)。信息采集点的经纬度信息的获取方式可以参考前述第一种可选方式，本申请对此不做赘述。
分析设备获取至少一个栅格点的方式可以有多种。在一种可选示例中，分析设备可以将该多个信息采集点进行栅格化处理，得到与该多个信息采集点对应的栅格点。
其中，栅格化处理的过程实质上是进行坐标系转换的过程，即将信息采集点所在的地理坐标系(Geographic Coordinate System)转化为栅格坐标系(Grid CoordinateSystem)，该地理坐标系为一球面坐标系，地理坐标系使用三维球面来定义地球上的位置；栅格坐标系通常为一平面坐标系，栅格坐标系用于定义栅格在地球球面上的位置。则前述坐标系的转换过程实质为地球表面的经纬度信息转换到平面上的经纬度信息的过程。示例的，对于某一数据采集点，地理坐标系中该数据采集点与栅格坐标系中对应的栅格点满足以下栅格转化公式：
Figure BDA0002393105350000081
Figure BDA0002393105350000082
其中，Lo表示地理坐标系中某一数据采集点的经度，gx表示栅格坐标系中与该某一数据采集点经度Lo对应的栅格横坐标(grid longitude)，La表示地理坐标系中的某一数据采集点纬度，gy表示栅格坐标系中与该某一数据采集点纬度La对应的栅格纵坐标(gridlatitude)，gr表示栅格精度(grid resolution)，其为指定数值，该栅格精度表示一个栅格所对应的角度数，栅格精度越大，转换得到的一个栅格对应的地理坐标系中的面积越大，floor表示向下取整。s为指定数值，s≥0，用于在栅格转化过程中，保留经度Lo和纬度La的小数点后的位数，s越大，保留的位数越多。例如，s＝5，表示在采用栅格转化公式计算栅格点的横坐标和纵坐标时，保留经度Lo和纬度La的小数点后的5位数值。
值得说明的是，前述栅格转化公式仅为本申请实施例的示意性公式，分析设备还可以采用其他栅格转化公式确定栅格点的横坐标和纵坐标，本申请实施例对此不做限定。
如图4所示，图4为本申请实施例提供的一种坐标系转换的过程示意图，图4中，左侧为一示意性的地理坐标系，右侧为一示意性的栅格坐标系，坐标系转换处理得到的每个栅格点与一个或多个数据采集点对应(也可以视为一个或多个数据采集点可以通过一个栅格点表示)，图4中以地理坐标系中的区域W(图中阴影区域)中包括2个数据采集点(由地理坐标系中的圆点表示)为例，该区域W经过坐标系转换得到栅格点w(由栅格坐标系中的圆点表示)，则该栅格点w与2个数据采集点对应。相应的，该栅格点所对应的通信指标数据可以基于该栅格点对应的数据采集点的通信指标数据确定。例如，该栅格点所对应的通信指标数据可以为该栅格点对应的数据采集点的通信指标数据的平均值、最大值、最小值或者加权平均值等。
示例的，假设该通信指标数据为RSRP，该栅格点所对应的RSRP可以为该栅格点对应的数据采集点的RSRP的平均值，则任一栅格点所对应的RSRP满足以下RSRP计算公式：
Figure BDA0002393105350000091
其中，grid_RSRP表示该任一栅格点所对应的RSRP，gN表示该任一栅格点对应的数据采集点所采集的RSRP的个数，
Figure BDA0002393105350000092
表示该任一栅格点对应的数据采集点所采集的RSRP之和。
在另一种可选示例中，分析设备可以直接接收工作人员或指定设备输入的至少一个栅格点的栅格信息(即栅格点的横纵坐标信息)。例如，该指定设备为前述管理设备，该管理设备具有前述坐标系转换的功能。
示例的，分析设备可以采用以下过程来基于获取的至少一个栅格点所对应的通信指标数据，确定通信系统中的弱覆盖区域：对于每个栅格点，分析设备可以基于该栅格点所对应的通信指标数据，确定第二通信指标值，并将该第二通信指标值与第二通信指标阈值进行比较，当该第二通信指标值小于第二通信指标阈值时，说明栅格点对应的信息采集点的通信质量较差，分析设备确定该栅格点位于弱覆盖区域中；当该第二通信指标值不小于第二通信指标阈值时，说明栅格点对应的信息采集点的通信质量较好，分析设备确定该栅格点不位于弱覆盖区域中。最终获取的弱覆盖区域包括一个或多个第二通信指标值小于第二通信指标阈值的栅格点，也即是该弱覆盖区域为栅格点的集合。其中，第二通信指标值的确定方式可以参考前述第一通信指标值的确定方式，第一通信指标阈值可以与第二通信指标阈值相同或不同，本申请实施例对此不做限定。
示例的，假设第二通信指标值为grid_RSRP，第二通信指标阈值为RSRP_Threhold。则分析设备可以遍历所有栅格点，将grid_RSRP小于RSRP_Threhold的栅格点所属区域确定为弱覆盖区域。则弱覆盖区域满足以下公式：
{gridoptimize}＝{grid|grid_RSRP<RSRP_Threhold}
其中，{gridoptimize}表示弱覆盖区域，其为grid_RSRP小于RSRP_Threhold的栅格点(grid)的集合。
图5为本申请实施例提供的一种示意性的栅格图，该图描述了栅格坐标系中，由前述多个数据采集点转化得到的栅格点的分布情况，图5中横轴表示栅格坐标系的横轴，纵轴表示栅格坐标系的纵轴，每个圆点代表一个栅格点，圆点的深浅不同表示第二通信指标值的大小不同，图5假设圆点的颜色越深，第二通信指标值越小，则在图5所示的栅格图的栅格点分布情况下，通过前述第二通信指标阈值确定的弱覆盖区域如图6所示，也即是图6是将图5中第二通信指标不大于第二通信指标阈值的栅格点过滤后得到的栅格点所在区域的示意图。
由于经过栅格化处理得到的栅格点的个数小于或等于信息采集点的个数，且实现了球面坐标系到平面坐标系的转换，因此通过将信息采集点转化为栅格点以进行前述弱覆盖区域的确定，相当于减少了需计算的对象的个数，降低了计算的复杂度，可以实现数据的定量化分析，从而降低运算代价，提高确定弱覆盖区域的效率。
值得说明的是，前述步骤301和步骤302只是一种获取通信系统中的弱覆盖区域的例子，分析设备还可以通过其他方式获取通信系统中的弱覆盖区域。例如分析设备可以接收工作人员输入或者其他设备传输的通信系统中的弱覆盖区域的信息，该弱覆盖区域是基于通信系统中多个信息采集点采集的通信指标数据确定的区域。
步骤303、分析设备获取基于弱覆盖区域确定的至少一个弱覆盖簇。
可选的，分析设备可以基于弱覆盖区域中的信息采集点的位置信息，采用非定数聚类算法确定至少一个弱覆盖簇。如前所述，该非定数聚类算法可以是DBSCAN算法或BIRCH算法。由分析设备自动将弱覆盖区域划分为至少一个弱覆盖簇，无需人工进行弱覆盖区域的划分，可以提高站点位置的确定效率，提高了最终得到的站点位置的可靠性。并且，由于分析设备自动采用非定数聚类算法确定至少一个弱覆盖簇，可以适用于不同规模的数据源(即不同数量的信息采集点的位置信息)，扩大了可解决布站问题的规模，提升了布站规划的灵活性和解决效率。
可选的，该至少一个弱覆盖簇的确定过程包括：
步骤A1、分析设备基于弱覆盖区域中的信息采集点的位置信息，采用非定数聚类算法将弱覆盖区域划分为多个备选弱覆盖簇。
示例的，在得到弱覆盖区域之后，基于所有信息采集点的位置信息，调用非定数聚类算法，便可对弱覆盖区域进行分簇，得到多个备选弱覆盖簇。该多个备选弱覆盖簇相当于前述非定数聚类算法所划分得到的子集。由于非定数聚类算法无需指定子集数(即该步骤A1中的分簇个数)，因此调动该非定数聚类算法时，向该非定数聚类算法的模型中输入弱覆盖区域中所有信息采集点的位置信息，便可以由该非定数聚类算法的模型输出分簇结果。
如前所述，信息采集点的位置信息可以为信息采集点的经纬度信息；或者，信息采集点的位置信息可以为由信息采集点的经纬度信息转化得到栅格点的栅格信息。通过栅格化处理，一个栅格点可以对应多个信息采集点，可以减少计算复杂度，提高确定站点位置的效率。
步骤A2、分析设备将在多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为至少一个弱覆盖簇。
由于信息采集点中可能有一些离散点，与其他信息采集点形成的备选弱覆盖簇包括的信息采集点的数量过少，如果后续为包含的信息采集点较少的备选弱覆盖簇部署站点，容易增加布网成本，也影响整个通信系统的布站效率，因此，可以剔除(也称过滤)包含的信息采集点较少的备选弱覆盖簇。因此，分析设备可以将在多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为至少一个弱覆盖簇。同理，若将信息采集点转化为栅格点，可以剔除包含的栅格点较少的备选弱覆盖簇。则前述将在多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为至少一个弱覆盖簇，相当于将在多个备选弱覆盖簇中栅格点的数量大于指定栅格点数量阈值的备选弱覆盖簇确定为至少一个弱覆盖簇。通过剔除不符合条件(即信息采集点的数量不大于指定采集点数量阈值或栅格点的数量不大于指定栅格点数量阈值)的备选弱覆盖簇，可以减少计算复杂度，提高确定站点位置的效率。
值得说明的是，前述步骤A1和步骤A2的具体实现方式可以基于不同的非定数聚类算法的模型的不同而不同。
在一种可选方式中，非定数聚类算法不支持离散点剔除。则在步骤A1中，分析设备可以将弱覆盖区域中的信息采集点的位置信息(如信息采集点的经纬度信息，或栅格点的栅格信息)输入非定数聚类算法的模型，基于非定数聚类算法的模型输出的分类结果，确定多个备选弱覆盖簇；在步骤A2中，分析设备将在多个备选弱覆盖簇中信息采集点的数量不大于指定采集点数量阈值(或栅格点的数量不大于指定栅格点数量阈值)的备选弱覆盖簇剔除，得到至少一个弱覆盖簇。
假设将信息采集点转化为栅格点来确定弱覆盖簇，则如图7和图8所示，通过步骤A1确定的备选弱覆盖簇分别为弱覆盖簇1至5，通过将栅格点的数量不大于指定栅格点数量阈值的备选弱覆盖簇剔除，得到的弱覆盖簇为弱覆盖簇1和弱覆盖簇5，则最终分簇得到的至少一个弱覆盖簇为该弱覆盖簇1和弱覆盖簇5。
其中，在步骤A1中，以非定数聚类算法为DBSCAN算法，信息采集点的位置信息为栅格点的栅格信息为例，该DBSCAN算法的模型可以采用如下第一分簇公式表示：
clustergrid＝DBSCAN(Xgrid,Ygrid)；
其中，Xgrid表示输入的某一栅格点的栅格横坐标，Ygrid表示输入的某一栅格点的栅格纵坐标，clustergrid表示输出的该某一栅格点的簇号。通过该DBSCAN算法的模型可以为输入位置信息的每个栅格点分配一个簇号，具有同一簇号的栅格点即属于同一备选弱覆盖簇。
在另一种可选方式中，非定数聚类算法支持离散点剔除。则在步骤A1中，分析设备可以将弱覆盖区域中的信息采集点的位置信息(如信息采集点的经纬度信息，或栅格点的栅格信息)输入非定数聚类算法的模型，由非定数聚类算法的模型确定多个备选弱覆盖簇；在步骤A2中，非定数聚类算法的模型在多个备选弱覆盖簇中信息采集点的数量不大于指定采集点数量阈值(或栅格点的数量不大于指定栅格点数量阈值)的备选弱覆盖簇剔除，输出的分类结果，分析设备基于非定数聚类算法的模型输出的分类结果，确定至少一个弱覆盖簇。
其中，在步骤A1中，以非定数聚类算法为DBSCAN算法，信息采集点的位置信息为栅格点的栅格信息为例，该DBSCAN算法的模型可以采用如下第二分簇公式表示：
clustergrid＝DBSCAN(Xgrid,Ygrid)，N_clustergrid≥N；
其中，Xgrid表示输入的某一栅格点的栅格横坐标，Ygrid表示输入的某一栅格点的栅格纵坐标，clustergrid表示输出的该某一栅格点的簇号，N_clustergrid表示该某一栅格点的簇号所指示的簇包括的栅格点的数量，N为指定栅格点数量阈值。通过该DBSCAN算法的模型在接收到输入的栅格点的栅格信息后，进行栅格点的分簇，并为包括的栅格点的数量大于指定栅格点数量阈值的簇分配簇号，相应的，为分配簇号的簇中的栅格点输出对应的簇号；包括的栅格点的数量不大于指定栅格点数量阈值的簇不分配簇号，相应的，不分配簇号的簇中的栅格点不输出簇号，或者输出指示无法成簇的指示信息。最终具有同一簇号的栅格点即属于同一弱覆盖簇，不具有簇号的栅格点被过滤。
前述两种可选方式中，当信息采集点的位置信息为信息采集点的经纬度信息时，非定数聚类算法也可以采用前述DBSCAN算法，弱覆盖簇确定过程也可以参考前述信息采集点的位置信息为栅格点的栅格信息时的弱覆盖簇确定过程，本申请实施例对此不再赘述。
步骤304、对于每个弱覆盖簇，分析设备采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置。
其中，该第一非定数聚类算法可以是k-means算法或CLARANS算法。采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置的过程可以包括：
步骤B1、分析设备确定弱覆盖簇中待部署站点的数量。
在一种可选实现方式中，分析设备可以呈现弱覆盖簇的分布图，该分布图显示了每个弱覆盖簇的分布情况，其可以为如图8所示的栅格坐标系的示意图，如此工作人员基于该分布图可以根据经验确定待部署站点的数量。相应的，分析设备直接接收工作人员输入的待部署站点的数量，也即是该数量为预先设定的值；在另一种可选实现方式中，分析设备可以在弱覆盖区域中确定待部署站点的数量。由分析设备自动确定每个弱覆盖区域中待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的可靠性。
示例的，分析设备确定弱覆盖簇中待部署站点的数量的过程，包括：分析设备在弱覆盖簇中每两个信息采集点之间的距离中获取最大距离；获取每两个信息采集点之间的距离中的最大距离与指定站间距的第一比值；基于获取的第一比值，确定待部署站点的数量。其中，当该第一比值为整数时，可以将该第一比值直接确定为待部署站点的数量；当该第一比值不为整数时，可以将该第一比值的向下取整值(在一些实际场景中也可以为向上取整值或者四舍五入的值)确定为待部署站点的数量。该指定站间距为指定的待部署站点之间的间距，其可以为待部署站点的平均站间距(Average Inter-Site Distance)，其与待部署站点所需部署的通信系统的应用环境相关，例如，对于不同的城市环境，不同的使用频段，指定站间距不同。通过考虑弱覆盖簇中每两个信息采集点之间的距离以及指定站间距，可以使得最终确定的待部署站点的数量保证待部署站点的服务覆盖范围尽量覆盖弱覆盖簇中多数甚至全部的信息采集点，实现待部署站点在部署后为每个信息采集点所在位置的终端设备提供有效通信服务，进而提高后续确定基站位置的准确性。
其中，分析设备可以先确定弱覆盖簇中每两个信息采集点之间的距离，并在确定的距离中获取最大距离。然后采用第一比值计算公式来确定最大距离与指定站间距的比值，该第一比值确定公式如下：
Figure BDA0002393105350000121
其中，B1表示第一比值，P表示信息采集点，
Figure BDA0002393105350000122
表示x1和y1属于信息采集点，distance(x1，y1)表示获取信息采集点x1和y1的距离，Av1表示指定站间距。
同理，若将信息采集点转化为栅格点，则前述分析设备在弱覆盖簇中每两个信息采集点之间的距离中获取最大距离可以替换为：分析设备在弱覆盖簇中每两个栅格点之间的距离中获取最大距离；前述获取每两个信息采集点之间的距离中最大距离与指定站间距的比值可以替换为：获取每两个栅格点之间的距离中最大距离与目标站间距的第二比值，该目标站间距基于前述指定站间距确定，例如，目标站间距为栅格化处理后的指定站间距。
则分析设备可以先确定弱覆盖簇中每两个栅格点之间的距离，并在确定的距离中获取最大距离。然后采用第二比值计算公式来确定最大距离与指定站间距的比值，该第二比值确定公式如下：
Figure BDA0002393105350000131
其中，B2表示第二比值，grid表示栅格点，
Figure BDA0002393105350000132
表示x2和y2属于栅格点，distance(x2，y2)表示获取栅格点x2和y2的距离，Av2表示目标站间距。
其中，采用前述第一比值确定公式和第二比值确定公式分别计算得到的第一比值和第二比值相同或相近，最终确定的待部署站点的数量通常相同，或者差值在可接受范围内。
步骤B2、分析设备基于弱覆盖簇中待部署站点的数量以及弱覆盖簇中的信息采集点的位置信息，采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置。
可选的，采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置的过程，包括：
步骤B21、分析设备基于待部署站点的数量以及弱覆盖簇，采用第一定数聚类算法，在弱覆盖簇中确定与待部署站点的数量相同数量的子区域，也即是每个弱覆盖簇中子区域的个数等于弱覆盖簇中待部署站点的数量。
示例的，在得到弱覆盖簇之后，分析设备基于所有信息采集点的位置信息，调用第一定数聚类算法，便可对弱覆盖簇进行分区(也即是分簇或分类)，得到多个子区域。该多个子区域相当于前述定数聚类算法所划分得到的子集。由于定数聚类算法需要指定子集数，即该步骤B21中的待部署站点的数量(即分区时的分区个数)，因此调动该第一定数聚类算法时，向该第一定数聚类算法的模型中输入弱覆盖簇中所有信息采集点的位置信息以及待部署站点的数量，即可由该第一定数聚类算法的模型输出分区结果。
其中，在步骤B21中，以第一定数聚类算法为k-means算法，信息采集点的位置信息为栅格点的栅格信息为例，该k-means算法的模型可以采用如下分区公式表示：
clustergrid＝Kmeans(k＝Numsite,Xgrid，Ygrid)；
其中，Xgrid表示输入的某一栅格点的栅格横坐标，Ygrid表示输入的某一栅格点的栅格纵坐标，clustergrid表示输出的该某一栅格点的区号(也称簇号)。也即是，通过该k-means算法的模型可以为输入位置信息的每个栅格点分配一个区号，具有同一区号的栅格点即属于同一子区域。
如图8和图9所示，通过步骤B21将弱覆盖簇1进行分区，得到子区域11和子区域12，将弱覆盖簇5进行分区，得到子区域51和子区域52。从而将原来的两个弱覆盖簇又细分成了4个子区域。
步骤B22、对于每个子区域，分析设备基于子区域中的信息采集点的位置信息，在子区域中确定一个待部署站点的站点位置。
由前述步骤B1可知，分析设备确定的弱覆盖簇中待部署站点的数量与指定站间距相关，若采用前述第一比值确定公式或第二比值确定公式确定待部署站点的数量，则相当于每个子区是以一个待部署站点的服务覆盖范围为单位划分得到的。每个划分得到的子区域中可以部署一个待部署站点。也即是，划分得到的子区域与待部署站点一一对应。
由于划分得到的子区域与待部署站点一一对应，因此可以将每个子区域的中心点确定为该子区域中待部署站点的设置位置。从而保证在该设置位置部署的站点的服务覆盖范围可以全部或大部分覆盖对应的子区域所在范围，全面有效地为对应的子区域中的终端设备提供通信服务。
在一种可选方式中，当信息采集点的位置信息为该信息采集点的经纬度信息时，每个子区域的中心点可以由以下第一中心点确定公式确定：
Figure BDA0002393105350000141
其中，lo表示经度，la表示纬度，
Figure BDA0002393105350000142
表示该任一子区域中所有信息采集点的经纬度之和，P_num表示该任一子区域中的信息采集点的总数，center(lo，la)表示该任一子区域中的中心点。
在另一种可选方式中，当信息采集点的位置信息为栅格点的栅格信息时，对于任一子区域，该子区域的中心点可以由以下第二中心点确定公式确定：
Figure BDA0002393105350000143
其中，Xgrid表示栅格横坐标，Ygrid表示栅格纵坐标，
Figure BDA0002393105350000144
表示该任一子区域中所有栅格点的横纵坐标之和，grid_num表示该任一子区域中的栅格点的总数，center(Xgrid，Ygrid)表示该任一子区域中的中心点。
如图9所示，通过步骤B22可以在子区域11中确定待部署的站点位置P1，在子区域12中确定待部署的站点位置P2，在子区域51中确定待部署的站点位置P3，在子区域52中确定待部署的站点位置P4。
值得说明的是，在实际实现时，还可以根据子区域的具体形状，将子区域的其他点确定为该子区域中待部署站点的设置位置。本申请实施例对待部署站点在子区域中的设置位置不做限定。并且，前述实施例中仅以划分得到的子区域与待部署站点一一对应为例进行说明，本申请实施例在实际实现时，每个子区域与待部署站点还可以存在其他对应关系，例如一对多或多对应一的对应关系，本申请实施例对此不做限定。
本申请在确定站点位置时，引入了第一定数聚类算法，该站点位置确定流程具有更高的适应性，可以适用于通信系统中信息采集点不同的数据分布，以及不同的拓扑结构。
步骤305、分析设备获取待部署站点对应的小区方位角。
在通信系统中，一个站点的服务区域可以分为多个小区(cell)，小区是站点(如基站)的全部或部分所对应的区域，该小区可以是全向天线或扇形天线所覆盖的区域。在本申请实施例中，站点的小区和天线一一对应，也即是每个天线所覆盖的区域即为一个小区。天线具有主瓣，主瓣是位于天线方向图上的最大辐射波束，是天线能量主要的覆盖区域。该天线方向图是指在离天线一定距离处，辐射场的相对场强随方向变化的图形，通常采用通过天线最大辐射方向上的两个相互垂直的平面方向图来表示。站点的天线在部署时，需要确定目标小区数和小区方位角，其中，目标小区数指的是每个站点需要部署的小区数，其等于需要部署的天线数，小区方位角与天线方位角对应，天线方位角指的是从基准方向(如正北方向)的平面顺时针旋转到和天线所在平面重合所经历的角度。例如，一个站点对应三个小区，则天线方位角通常有0度，120度和240度。在本申请实施例中，每个小区对应的天线方位角是一个射线与基准方向的夹角，该射线为小区方位角的中心线，该小区方位角的角度等于小区对应的天线的主瓣角度范围。其中，主瓣角度范围指的是主瓣的覆盖范围在天线方向图上的开角(也称水平方位开角)。
如图10所示，图10为本申请实施例提供的一种示意性的天线方向图，该天线方向图描述了天线方位角与小区方位角的关系。图10假设正北方向为基准方向，天线的主瓣R对应的天线方位角为0°，主瓣的覆盖范围为60°，则小区方位角α为60°，小区方位角的中心线为0°线，也即是小区方位角的朝向为正北方向，也即是0°方向。
分析设备获取待部署站点对应的小区方位角的方式可以有多种。在一种可选方式中，分析设备可以呈现子区域的分布图，该分布图显示了每个子区域的分布情况以及站点位置，其可以为如图9所示的栅格坐标系的示意图，如此工作人员基于该分布图可以根据经验确定目标小区数和小区方位角。相应的，分析设备可以直接接收工作人员输入的目标小区数和小区方位角。如此能够快速获取目标小区数和小区方位角。
在另一种可选方式中，分析设备可以自动确定待部署站点对应的目标小区数和小区方位角。例如，对于每个子区域，分析设备获取子区域中的待部署站点对应的目标小区数，并基于目标小区数，采用第二定数聚类算法确定待部署站点对应的小区方位角。其中，第二定数聚类算法可以是k-means或CLARANS算法。由分析设备自动确定待部署站点对应的目标小区数和小区方位角，可以保证设置的目标小区数的合理性，实现对不同情况下的数据的适应性，提高小区方位角的确定效率，提高了最终得到的小区方位角的可靠性。
其中，分析设备可以以下过程获取子区域中的待部署站点对应的目标小区数：
步骤C1、分析设备基于子区域中的站点位置，以及子区域中的信息采集点的位置信息，确定子区域中的信息采集点相对于待部署站点的角度。
分析设备获取该子区域中角度的过程可以包括：先将子区域所在的坐标系转换为极坐标系，该极坐标系的极点为待部署站点，其中，当子区域由前述信息采集点的经纬度信息确定，则其所在坐标系为地理坐标系，当子区域由前述栅格点的栅格信息确定，则其所在坐标系为栅格坐标系；然后分析设备可以基于子区域中的站点位置，以及子区域中的信息采集点的位置信息，在该子区域所在的极坐标系中确定该信息采集点的角度(也称信息采集点的极角)。示例的，从待部署站点O引一条射线Ox，称为极轴，对于任一信息采集点P，基于待部署站点O和该信息采集点P，确定线段OP，将Ox到OP的角度θ确定为该信息采集点P的角度。
本申请实施例以子区域由前述栅格点的栅格信息确定为例，则信息采集点P的角度采用该信息采集点P对应的栅格点的角度GridAngle表示，该栅格点的角度GridAngle满足：
GridAngle＝TranAngle(Xgrid，Ygrid)；
其中，Xgrid表示该栅格点的栅格横坐标，Ygrid表示该栅格点的栅格纵坐标，TranAngle表示获取角度。
步骤C2、分析设备基于m个备选小区数、第二定数聚类算法以及子区域中的信息采集点相对于待部署站点的角度，得到m个备选小区方位角，m个备选小区方位角与m个备选小区数一一对应。
步骤C3、分析设备基于m个备选小区方位角，在m个备选小区数中确定目标小区数。
前述步骤C2至C3中，分析设备在获取了子区域中的信息采集点相对于待部署站点的角度后，通过步骤C2设定了一些可选的备选小区数，接着获取对应的备选小区方位角，从而在基于确定的备选小区方位角，在m个备选小区数筛选得到合理的目标小区数。在步骤C2中，分析设备执行了m次备选小区方位角的获取过程，从而得到m个备选小区数，假设第一备选小区数为m个备选小区数中的任意一个，本申请实施例以备选小区数为该第一备选小区数为例，对该备选小区方位角的获取过程进行说明，该过程包括：
步骤C21、分析设备基于子区域中的信息采集点相对于待部署站点的角度，以及第一备选小区数采用第二定数聚类算法确定子区域中的至少一个子簇。
示例的，分析设备基于子区域中的信息采集点相对于待部署站点的角度，调用第二定数聚类算法，便可对子区域进行分簇(也即分区是或分类)，得到至少一个子簇。该至少一个子簇相当于前述定数聚类算法所划分得到的子集。由于定数聚类算法需要指定子集数，即该步骤C21中的第一备选小区数(即分簇时的分簇个数)，因此调动该第二定数聚类算法时，需要向该第二定数聚类算法的模型中输入子区域中所有信息采集点的位置信息转化得到的角度信息以及第一备选小区数，即可由该第二定数聚类算法的模型输出分区结果。其中，信息采集点的位置信息可以为信息采集点的经纬度信息，或栅格点的栅格信息，相应的，信息采集点的角度信息可以为信息采集点的角度(即由信息采集点的经纬度信息转化得到的角度)，也可以为栅格点的角度(即由栅格点的栅格信息转化得到的角度)。
以第二定数聚类算法为k-means算法，信息采集点的角度信息为栅格点的角度为例，该k-means算法的模型可以采用以下分簇公式表示：
Clusterangle＝Kmeans(k,GridAngle)；
其中，k等于第一备选小区数，GridAngle表示输入的某一信息采集点相对于待部署站点的角度，Clusterangle表示输出的该某一信息采集点相对于待部署站点的角度的簇号。也即是，通过该k-means算法的模型可以为输入角度信息的每个信息采集点(或栅格点)分配一个簇号，具有同一区号的信息采集点即属于同一子簇。
步骤C22、分析设备确定每个子簇的中心点相对于待部署站点的角度。
对于每个子簇，该子簇的中心点相对于待部署站点的角度指的是该子簇的中心角度，即为子簇中的信息采集点相对于待部署站点的角度的平均角度。
在一种可选方式中，当信息采集点的角度信息为信息采集点的角度时，每个子簇的中心角度的可以由以下第一中心角度确定公式确定：
Figure BDA0002393105350000161
其中，centerangle表示子簇的中心点相对于待部署站点的角度，
Figure BDA0002393105350000162
表示该子簇中所有信息采集点的角度之和，P1_num表示该子簇中的信息采集点的总数。
在另一种可选方式中，当信息采集点的角度信息为栅格点的角度时，每个子簇的中心角度的可以由以下第二中心角度确定公式确定：
Figure BDA0002393105350000163
其中，centerangle表示子簇的中心点相对于待部署站点的角度，
Figure BDA0002393105350000164
表示该子簇中所有栅格点的角度之和，grid1_num表示该子簇中的栅格点的总数。
步骤C23、分析设备基于每个子簇的中心点相对于待部署站点的角度，以及指定主瓣角度范围，确定子区域中每个小区的小区方位角。
子区域中每个子簇的中心点相对于待部署站点的角度，可以反映每个小区的天线主瓣朝向，因此，分析设备基于获取的角度，可以直接确定小区的天线主瓣朝向，也即是天线方位角。对于不同的天线，其天线的收发信号的能力不同，因此其主瓣角度范围不同。分析设备可以接收设定的各个小区的主瓣角度范围，作为指定主瓣角度范围，再基于每个子簇的中心点相对于待部署站点的角度，以及指定主瓣角度范围，确定子区域中每个小区的小区方位角。例如，该指定主瓣角度范围为60°至120°中的一个值。
仍然以图10为例，假设待部署站点O的极轴Ox为正北方向，指定主瓣角度范围为60°，则小区方位角即为朝向为正北方向的60°角，也即是图10中的角α。
需要说明的是，前述步骤C2和C3中，m个备选小区数分别为1至n这n个整数中的一个值。其中，n为指定小区数量阈值，示例的，n＝3。如何在1至n中选择m个备选小区数，决定了确定目标小区数的效率。相应的，对于不同的选择方式，前述步骤C3中在m个备选小区数中确定目标小区数的方式也不同，本申请示例以以下两种可选方式为例对步骤C3进行说明：
第一种可选方式，在步骤C2之前，获取设定的m个备选小区数，也即m个备选小区数在执行备选小区方位角的获取过程之前已知。例如，m个备选小区数为1至n中连续或部分连续或间隔的m个数值；或者，m＝n，也即是将1至n分别作为m个备选小区数。则步骤C3中确定目标小区数的过程为：基于m个备选小区数以及对应的子区域的小区方位角，确定与m个备选小区数一一对应的m种分区方式，在m种分区方式中选择小区重叠范围小于指定重叠范围阈值(其中，不重叠的情况可以视为小区重叠范围为0)的备选分区方式，将备选分区方式对应的备选小区数中最大的备选小区数确定为目标小区数。在一种示例中，前述小区重叠范围可以为小区两两之间的重叠范围，相应的，指定重叠范围阈值为小区两两之间的指定重叠范围阈值。例如，指定重叠范围阈值为5°，假设第一分区方式中，目标小区数为3，每两个小区之间的重叠范围均为2°，则2°<5°，该第一分区方式可以确定为备选分区方式。在另一种示例中，前述小区重叠范围可以为各个小区两两之间的重叠范围之和，相应的，指定重叠范围阈值为整体指定重叠范围阈值。例如，指定重叠范围阈值为5°，假设第一分区方式中，目标小区数为3，每两个小区之间的重叠范围均为2°，则2°×3＞5°，该第一分区方式不属于备选分区方式。
第二种可选方式，在步骤C2之前，m个备选小区数未设定，也即m个备选小区数为1至n中的m个数值，但具体为哪几个数值是未知的。则在执行前述步骤C2时，可以当按照对应的备选小区数递增(例如从1或2开始递增)或递减(例如从n开始递减)的顺序执行前述备选小区方位角的获取过程，直至基于当前的备选小区数以及对应的子区域的小区方位角确定的分区方式中小区重叠范围小于指定重叠范围阈值，则达到截止条件，即可以停止执行前述备选小区方位角的获取过程；则步骤C3中确定目标小区数的过程为：将重叠范围小于指定重叠范围阈值的分区方式(即前述当前确定的分区方式，也即是达到截止条件时的分区方式)所对应的当前的备选小区数确定为目标小区数。在该第二种可选方式中，通过采用递增或递减方式逐个尝试不同备选小区数所对应的备选小区方位角，在尝试到合适的备选小区方位角后，确定相应的备选小区数作为目标小区数，相对于前述第一种可选方式，可以减少执行备选小区方位角的获取过程的次数，从而减少运算代价，提高确定待部署站点对应的小区方位角的效率。
与前述第一种可选方式和第二种可选方式对应的，基于目标小区数，采用第二定数聚类算法确定待部署站点对应的小区方位角的过程可以由以下两种示意性可实现方式实现：
在第一种可实现方式中，分析设备基于目标小区数，执行小区方位角的获取过程，该小区方位角的获取过程与备选小区方位角的获取过程相同，仅仅是将第一备选小区数更新为目标小区数，将基于目标小区数确定的备选小区方位角作为待部署站点对应的小区方位角。也即是再执行了一遍前述备选小区方位角的获取过程，得到对应的小区方位角。
在第二种可实现方式中，由于目标小区数是在m个备选小区数中选择得到的，且该m个备选小区数对应的备选小区方位角已经通过备选小区方位角的获取过程确定，因此可以直接在m个备选小区数对应的备选小区方位角中获取目标小区数对应的备选小区方位角作为待部署站点对应的小区方位角，该待部署站点对应的小区方位角即为采用第二定数聚类算法确定的小区方位角。
为了便于读者理解，本申请实施例假设分析设备按照对应的备选小区数从n开始递减的顺序执行前述备选小区方位角的获取过程，则前述步骤C2和步骤C3可以包括以下步骤：
步骤D1、设置备选小区数为n。
步骤D2、采用前述步骤C2的备选小区方位角的获取过程，得到备选小区数为n时对应的n个备选小区方位角；执行步骤D3。
步骤D3、检测基于备选小区数为n以及n个备选小区方位角确定的分区方式中，小区重叠范围是否小于指定重叠范围阈值，若小区重叠范围小于指定重叠范围阈值，执行步骤D4，若小区重叠范围不小于指定重叠范围阈值，执行步骤D5。
步骤D4、将当前分区方式对应的备选小区数，确定为目标小区数。
步骤D5、更新备选小区数为n-1。再次执行步骤D2。
如图11所示，图11是图9所示的子区域11中待部署站点对应的小区方位角的示意图，采用第二定数聚类算法确定子区域11包括3个子簇，3个子簇对应的小区方位角分别为角α、角β和角θ。该3个小区方位角的角度均为60°。
在确定了每个待部署站点的站点位置和小区方位角后，分析设备可以输出每个待部署站点的站点位置和小区方位角，工作人员基于输出的结果进行布站，可以有效提高布站效率，提升布站准确性和可靠性。
需要说明的是，前述实施例中，仅以信息采集点的位置信息为栅格点的栅格信息或信息采集点的经纬度信息为例进行说明，本申请实施例中，信息采集点的位置信息还可以由其他类型信息表示，只要能够有效标识信息采集点的位置即可，本申请实施例对此不做限定。
本申请实施例提供的站点位置的确定方法步骤的先后顺序可以进行适当调整，步骤也可以根据情况进行相应增减，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化的方法，都应涵盖在本申请的保护范围之内，因此不再赘述。
综上所述，本申请实施例提供的站点位置的确定方法，由分析设备自动采用第一定数聚类算法确定每个弱覆盖簇中待部署站点的数量，无需人工设定待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的准确性和可靠性。
进一步的，相比于人工白盒算法，本申请采用非定数聚类算法确定所述至少一个弱覆盖簇，降低了布站任务的复杂度，提升了布站工作的自动化能力，使得通信系统中的布站工作可以应对更大的数据量，更复杂的数据场景。
并且，采用前述第一定数聚类算法确定站点位置，在满足站点与弱覆盖区域相关性的基础是提升了站点确定流程的效率。也使得该流程具有了更高的适应性。利用第二定数聚类算法确定小区方位角，可以提高小区方位角的确定效率，提高了最终得到的小区方位角的可靠性。
在前述步骤A2中，在获取至少一个弱覆盖簇时，分析设备自动过滤异常或孤立数据(即不符合条件的数据)，节省了筛选异常数据点(如异常信息采集点或异常栅格点)的人工操作，有效提高了计算效率，实现更高层次的自动化。
图12是本申请实施例提供的一种站点位置的确定装置60的框图。该装置包括：
第一获取模块601，用于获取通信系统中的弱覆盖区域，弱覆盖区域是基于通信系统中多个信息采集点采集的通信指标数据确定的区域；
第二获取模块602，用于获取基于弱覆盖区域确定的至少一个弱覆盖簇；
第一确定模块603，用于对于每个弱覆盖簇，采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置。
综上所述，本申请实施例提供的站点位置的确定装置，由第一确定模块自动采用第一定数聚类算法确定每个弱覆盖簇中待部署站点的数量，无需人工设定待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的准确性和可靠性。
图13是本申请实施例提供的一种第一确定模块603的框图。该第一确定模块603，包括：
第一确定子模块6031，用于确定弱覆盖簇中待部署站点的数量；
第二确定子模块6032，用于基于弱覆盖簇中待部署站点的数量以及弱覆盖簇中的信息采集点的位置信息，采用第一定数聚类算法确定弱覆盖簇中待部署站点的站点位置。
可选的，第一确定子模块6031，用于：在弱覆盖簇中每两个信息采集点之间的距离中获取最大距离；获取最大距离与指定站间距的比值；基于获取的比值，确定待部署站点的数量。
可选的，第二确定子模块6032，用于：基于待部署站点的数量以及弱覆盖簇，采用第一定数聚类算法，在弱覆盖簇中确定与待部署站点的数量相同数量的子区域；对于每个子区域，基于子区域中的信息采集点的位置信息，在子区域中确定一个待部署站点的站点位置。
图14是本申请实施例提供的另一种站点位置的确定装置60的框图。装置60还包括：
第三获取模块604，用于在子区域中确定一个待部署站点的站点位置之后，对于每个子区域，获取子区域中的待部署站点对应的目标小区数；第二确定模块605，用于基于目标小区数，采用第二定数聚类算法确定待部署站点对应的小区方位角。
可选的，第一获取模块601，用于：
基于弱覆盖区域中的信息采集点的位置信息，采用非定数聚类算法确定至少一个弱覆盖簇。
可选的，第一获取模块，用于：基于弱覆盖区域中的信息采集点的位置信息，采用非定数聚类算法将弱覆盖区域划分为多个备选弱覆盖簇；将在多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为至少一个弱覆盖簇。
可选的，信息采集点的位置信息为由信息采集点的经纬度信息转化得到栅格点的栅格信息；或者，信息采集点的位置信息为信息采集点的经纬度信息。
综上所述，本申请实施例提供的站点位置的确定装置，由第一确定模块自动采用第一定数聚类算法确定每个弱覆盖簇中待部署站点的数量，无需人工设定待部署站点的数量，可以提高站点位置的确定效率，提高了最终得到的站点位置的准确性和可靠性。
图15是本申请实施例提供的一种站点位置的确定装置的框图。该站点位置的确定装置可以是分析设备。如图15所示，分析设备150包括：处理器1501和存储器1502。
存储器1501，用于存储计算机程序，计算机程序包括程序指令；
处理器1502，用于调用计算机程序，实现本申请实施例提供的站点位置的确定方法。
可选地，该信息采集点150还包括通信总线1503和通信接口1504。
其中，处理器1501包括一个或者一个以上处理核心，处理器1501通过运行计算机程序，从而执行各种功能应用以及数据处理。
存储器1502可用于存储计算机程序。可选地，存储器可存储操作系统和至少一个功能所需的应用程序单元。操作系统可以是实时操作系统(Real Time eXecutive，RTX)、LINUX、UNIX、WINDOWS或OSX之类的操作系统。
通信接口1504可以为多个，通信接口1504用于与其它存储设备或信息采集点进行通信。例如在本申请实施例中，通信接口1504可以用于接收通信系统中的信息采集点发送的样本数据。
存储器1502与通信接口1504分别通过通信总线1503与处理器1501连接。
本申请实施例提供了一种计算机存储介质，计算机存储介质上存储有指令，当指令被处理器执行时，实现本申请实施例提供的站点位置的确定方法。
本申请实施例提供了一种通信系统，包括：多个信息采集点、多个站点、管理设备和分析设备，所述管理设备用于管理所述多个站点；所述站点用于传输所述管理设备与所述信息采集点之间的数据；所述分析设备包括前述实施例任一所述的站点位置的确定装置。
示例的，该通信系统的架构可以参考前述图1或图2所示的应用环境中的系统架构，本申请实施例对此不再赘述。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现，所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机的可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质，或者半导体介质(例如固态硬盘)等。
在本申请中，术语“第一”和“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。A参考B，指的是A与B相同或者A为B的简单变形。
以上所述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (19)

1.一种站点位置的确定方法，其特征在于，包括：
获取通信系统中的弱覆盖区域，所述弱覆盖区域是基于所述通信系统中多个信息采集点采集的通信指标数据确定的区域；
获取基于所述弱覆盖区域确定的至少一个弱覆盖簇；
对于每个所述弱覆盖簇，采用第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置。
2.根据权利要求1所述的方法，其特征在于，所述采用第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置，包括：
确定所述弱覆盖簇中待部署站点的数量；
基于所述弱覆盖簇中待部署站点的数量以及所述弱覆盖簇中的所述信息采集点的位置信息，采用所述第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置。
3.根据权利要求2所述的方法，其特征在于，所述确定所述弱覆盖簇中待部署站点的数量，包括：
在所述弱覆盖簇中每两个信息采集点之间的距离中获取最大距离；
获取所述最大距离与指定站间距的比值；
基于获取的所述比值，确定所述待部署站点的数量。
4.根据权利要求2或3所述的方法，其特征在于，所述基于所述弱覆盖簇中待部署站点的数量以及所述弱覆盖簇中的所述信息采集点的位置信息，采用所述第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置，包括：
基于所述待部署站点的数量以及所述弱覆盖簇，采用所述第一定数聚类算法，在所述弱覆盖簇中确定与所述待部署站点的数量相同数量的子区域；
对于每个所述子区域，基于所述子区域中的所述信息采集点的位置信息，在所述子区域中确定一个所述待部署站点的站点位置。
5.根据权利要求4所述的方法，其特征在于，在所述子区域中确定一个所述待部署站点的站点位置之后，所述方法还包括：
对于每个所述子区域，获取所述子区域中的所述待部署站点对应的目标小区数；
基于所述目标小区数，采用第二定数聚类算法确定所述待部署站点对应的小区方位角。
6.根据权利要求1至5任一所述的方法，其特征在于，所述获取基于所述弱覆盖区域确定的至少一个弱覆盖簇，包括：
基于所述弱覆盖区域中的所述信息采集点的位置信息，采用非定数聚类算法确定所述至少一个弱覆盖簇。
7.根据权利要求6所述的方法，其特征在于，所述基于所述弱覆盖区域中的所述信息采集点的位置信息，采用非定数聚类算法确定所述至少一个弱覆盖簇，包括：
基于所述弱覆盖区域中的所述信息采集点的位置信息，采用所述非定数聚类算法将所述弱覆盖区域划分为多个备选弱覆盖簇；
将在所述多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为所述至少一个弱覆盖簇。
8.根据权利要求1至7任一所述的方法，其特征在于，所述信息采集点的位置信息为由所述信息采集点的经纬度信息转化得到栅格点的栅格信息；
或者，所述信息采集点的位置信息为所述信息采集点的经纬度信息。
9.一种站点位置的确定装置，其特征在于，包括：
第一获取模块，用于获取通信系统中的弱覆盖区域，所述弱覆盖区域是基于所述通信系统中多个信息采集点采集的通信指标数据确定的区域；
第二获取模块，用于获取基于所述弱覆盖区域确定的至少一个弱覆盖簇；
第一确定模块，用于对于每个所述弱覆盖簇，采用第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置。
10.根据权利要求9所述的装置，其特征在于，所述第一确定模块，包括：
第一确定子模块，用于确定所述弱覆盖簇中待部署站点的数量；
第二确定子模块，用于基于所述弱覆盖簇中待部署站点的数量以及所述弱覆盖簇中的所述信息采集点的位置信息，采用所述第一定数聚类算法确定所述弱覆盖簇中待部署站点的站点位置。
11.根据权利要求10所述的装置，其特征在于，所述第一确定子模块，用于：
在所述弱覆盖簇中每两个信息采集点之间的距离中获取最大距离；
获取所述最大距离与指定站间距的比值；
基于获取的所述比值，确定所述待部署站点的数量。
12.根据权利要求10或11所述的装置，其特征在于，所述第二确定子模块，用于：
基于所述待部署站点的数量以及所述弱覆盖簇，采用所述第一定数聚类算法，在所述弱覆盖簇中确定与所述待部署站点的数量相同数量的子区域；
对于每个所述子区域，基于所述子区域中的所述信息采集点的位置信息，在所述子区域中确定一个所述待部署站点的站点位置。
13.根据权利要求12所述的装置，其特征在于，所述装置还包括：
第三获取模块，用于在所述子区域中确定一个所述待部署站点的站点位置之后，对于每个所述子区域，获取所述子区域中的所述待部署站点对应的目标小区数；
第二确定模块，用于基于所述目标小区数，采用第二定数聚类算法确定所述待部署站点对应的小区方位角。
14.根据权利要求9至13任一所述的装置，其特征在于，所述第一获取模块，用于：
基于所述弱覆盖区域中的所述信息采集点的位置信息，采用非定数聚类算法确定所述至少一个弱覆盖簇。
15.根据权利要求14所述的装置，其特征在于，所述第一获取模块，用于：
基于所述弱覆盖区域中的所述信息采集点的位置信息，采用所述非定数聚类算法将所述弱覆盖区域划分为多个备选弱覆盖簇；
将在所述多个备选弱覆盖簇中信息采集点的数量大于指定采集点数量阈值的备选弱覆盖簇确定为所述至少一个弱覆盖簇。
16.根据权利要求9至15任一所述的装置，其特征在于，所述信息采集点的位置信息为由所述信息采集点的经纬度信息转化得到栅格点的栅格信息；
或者，所述信息采集点的位置信息为所述信息采集点的经纬度信息。
17.一种站点位置的确定装置，其特征在于，包括：处理器和存储器；
所述存储器，用于存储计算机程序，所述计算机程序包括程序指令；
所述处理器，用于调用所述计算机程序，实现如权利要求1至8任一所述的站点位置的确定方法。
18.一种计算机存储介质，其特征在于，所述计算机存储介质上存储有指令，当所述指令被处理器执行时，实现如权利要求1至8任一所述的站点位置的确定方法。
19.一种通信系统，其特征在于，包括：多个信息采集点、多个站点、管理设备和分析设备，
所述管理设备用于管理所述多个站点；
所述站点用于传输所述管理设备与所述信息采集点之间的数据；
所述分析设备包括权利要求9至16任一所述的站点位置的确定装置。
CN202010121465.8A 2020-02-26 2020-02-26 站点位置的确定方法、装置和系统 Pending CN113316157A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010121465.8A CN113316157A (zh) 2020-02-26 2020-02-26 站点位置的确定方法、装置和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010121465.8A CN113316157A (zh) 2020-02-26 2020-02-26 站点位置的确定方法、装置和系统

Publications (1)

Publication Number Publication Date
CN113316157A true CN113316157A (zh) 2021-08-27

Family

ID=77369935

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010121465.8A Pending CN113316157A (zh) 2020-02-26 2020-02-26 站点位置的确定方法、装置和系统

Country Status (1)

Country Link
CN (1) CN113316157A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114173351A (zh) * 2021-11-29 2022-03-11 中国联合网络通信集团有限公司 基站部署位置的确定方法、装置、设备及可读存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114173351A (zh) * 2021-11-29 2022-03-11 中国联合网络通信集团有限公司 基站部署位置的确定方法、装置、设备及可读存储介质
CN114173351B (zh) * 2021-11-29 2023-06-16 中国联合网络通信集团有限公司 基站部署位置的确定方法、装置、设备及可读存储介质

Similar Documents

Publication Publication Date Title
CN111867049B (zh) 定位方法、装置及存储介质
CN109714784B (zh) 一种天线方位角的优化方法和装置
CN112950243B (zh) 一种5g站址规划方法、装置、电子设备及存储介质
CN112512069A (zh) 基于信道波束图样的网络智能优化方法及装置
CN112804287B (zh) 一种电力物联网的智能化网络切片模板生成方法及系统
CN114786199B (zh) 一种网络问题点的确定方法、装置、设备及存储介质
CN113965942A (zh) 一种网络配置方法及装置
CN111133785B (zh) 用于无线通信系统中进行网络设计的分析方法和设备
CN113056005A (zh) 波束确定方法、装置、电子设备及计算机可读存储介质
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
CN114615670B (zh) 一种评估方法及装置
CN113316157A (zh) 站点位置的确定方法、装置和系统
CN114339913A (zh) 无线网络的邻小区更新方法、装置、介质及电子设备
CN110366188A (zh) 干扰测量点部署方法、干扰测量路径规划方法及系统
CN115802398A (zh) 干扰优化方法及装置、存储介质及电子设备
CN113365302B (zh) 等信号线/区域生成方法及装置、设备、计算机程序
US20230075690A1 (en) Reduction and geo-spatial distribution of training data for geolocation prediction using machine learning
Dahi et al. Models and solvers for coverage optimisation in cellular networks: Review and analysis
CN115379476A (zh) 确定小区干扰类型的方法、装置、设备及存储介质
CN111263397B (zh) 一种物理小区标识规划方法及装置
Dare et al. Radio Environment Map Construction: A Mini-Review
CN110650483A (zh) 一种设备选型方法和装置
CN115086970A (zh) 测量数据分析方法、装置、介质及电子设备
Can et al. Gateway Placement in LoRaWAN Enabled Sensor Networks.
CN115134817B (zh) 5g波束赋形优化方法及系统

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