CN113839725A - 无线信号传播预测方法及装置 - Google Patents

无线信号传播预测方法及装置 Download PDF

Info

Publication number
CN113839725A
CN113839725A CN202010591522.9A CN202010591522A CN113839725A CN 113839725 A CN113839725 A CN 113839725A CN 202010591522 A CN202010591522 A CN 202010591522A CN 113839725 A CN113839725 A CN 113839725A
Authority
CN
China
Prior art keywords
algorithm
wireless signal
target
signal propagation
calibration points
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.)
Granted
Application number
CN202010591522.9A
Other languages
English (en)
Other versions
CN113839725B (zh
Inventor
刘鑫
应关祥
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 CN202010591522.9A priority Critical patent/CN113839725B/zh
Priority to PCT/CN2021/102180 priority patent/WO2021259372A1/zh
Priority to EP21830185.1A priority patent/EP4167618A4/en
Publication of CN113839725A publication Critical patent/CN113839725A/zh
Priority to US18/145,396 priority patent/US20230131579A1/en
Application granted granted Critical
Publication of CN113839725B publication Critical patent/CN113839725B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/0231—Traffic management, e.g. flow control or congestion control based on communication conditions
    • H04W28/0236—Traffic management, e.g. flow control or congestion control based on communication conditions radio quality, e.g. interference, losses or delay
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/373—Predicting channel quality or other radio frequency [RF] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W28/00—Network traffic management; Network resource management
    • H04W28/02—Traffic management, e.g. flow control or congestion control
    • H04W28/08—Load balancing or load distribution
    • H04W28/09—Management thereof
    • H04W28/0958—Management thereof based on metrics or performance parameters
    • H04W28/0967—Quality of Service [QoS] parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • Electromagnetism (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mobile Radio Communication Systems (AREA)
  • Position Fixing By Use Of Radio Waves (AREA)

Abstract

本申请公开了一种无线信号传播预测方法，包括：获取预测空间内S个第一定标点，根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数；根据第一参数获取目标算法，并根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型；根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。本申请还公开了一种无线信号传播预测装置。采用本申请实施例提高了无线信号传播模型的精度，进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。

Description

无线信号传播预测方法及装置
技术领域
本申请涉及无线信号领域，尤其涉及一种无线信号传播预测方法及装置。
背景技术
无线信号传播预测一直以来都是无线通信网络规划、建设、优化的核心关键能力，是无线网络解决方案竞争力的组成部分，历史上已经出现多起因无线信号传播预测准确度导致的法律诉讼。长期以来，对无线信号传播预测的研究手段主要包括传播模型、射线跟踪等，并从当前的研究结果来看，当前研究手段对无线信号传播预测无法达到精度和运算效率的平衡。尤其是5G在全球部署节奏的加快，这个问题进一步加剧。
随着数字化的快速推进，物联网成为5G首要关注的场景，万物感知、万物互联已逐步变成现实，大量的固定连接为无线信号传播预测提供了新的输入，为新的无线信号传播预测方案的提出奠定了基础。传统的无线信号传播预测方案主要包括：路测方式和基于无线传播模型预测。
其中，路测方式具体包括：待网络稳定后，规划路测路径，在规划过程中需要重点关注采样点的空间无偏抽样，并充分考虑无线传播的特性，需同时满足如下几个关键点：覆盖基站的远近区域；覆盖直射区域和非直射区域；覆盖待测区域内的各种空间地理特征，例如不同的高度，不同的空间功能区等。在人力物力充足的情况下，需尽量遍历待测试小区的所有覆盖区域。在明确规划路径后，通常由路测人员依据规划好的路径，通过使用测试设备，逐点进行信号采集，然后基于采集的信号进行信号预测。路测方式成本高昂的问题非常突出，每年需耗费大量的人力和物力成本用于路测，长度可达几千万公里以上，而且能覆盖的也主要是路面，非路面，甚至室内空间还是盲区。然而在通常情况下，业务的产生来自于非路面空间，因此该方法得到的结果也可能是存在一定估计偏差。
传播模型预测是在对影响无线传播的环境及其传播特性有了充分认知后，对无线信道进行数学语言上的一次抽象过程。传播模型主要分为两大类：统计性模型和确定性模型。但无论是统计性模型，还是确定性模型都是基于电磁波传播理论而得出的无线信道传播模型，在模型和方法建立的过程中都需要进行一些简化处理。尤其是统计性模型，经常存在和实际测量信号有较大出入；相比较而言，确定性模型的精度会略有提升，但其复杂的计算过程，和对计算输入(例如三维建筑信息的精细构建还原)的苛刻要求限制该方法被广泛使用。
发明内容
本申请实施例提供一种无线信号传播预测方法及装置，采用本申请实施例提高了无线信号传播模型的精度，进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。
第一方面，本申请实施例提供一种无线信号传播预测方法，包括：
获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数，根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数，该第一参数用于表征预测空间的全局空间自相关特性的程度；根据第一参数获取目标算法，并根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型；根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
其中，第一参数的值越大，预测空间的全局空间自相关特性的程度越高。
可选地，位置信息可以为坐标，还可以为指示位置的栅格信息。
通过一定的策略选择合适的算法，根据该算法和预测空间内多个定标生成无线信号传播模型，提高了无线信号传播模型的精度，进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。
在一个可行的实施例中，根据预测空间的第一参数获取目标算法，包括：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为目标算法；当根据第一参数确定预测空间具有全局空间自相关特性时，获取第二算法，并将第二算法确定为目标算法。
在一个示例中，在根据预测空间的第一参数获取目标算法过程中，通过以下步骤来判断预测空间是否具有全局空间自相关特性：
若预测空间的第一参数大于第一预设阈值，则预测空间具有全局空间自相关特性；若预测空间的第一参数不大于第一预设阈值，则预测空间不具有全局空间自相关特性。
在一个可行的实施例中，第一算法包括克里金方法簇中的任一方法或BHM算法，获取第一算法，包括：
判断S个第一定标点的无线信号接受强度是否满足预设概率分布；若满足预设概率分布，则将BHM算法确定为第一算法；若不满足预设概率分布，则将克里金方法簇中任一方法确定为第一算法，
可选地，预设概率分布可以为正态分布、泊松分布、二项分布、高斯分布或者其他概率分布。
按照上述方法执行进一步地判断，可以为预测空间选择出更加合适的算法，从而提高了基于该算法生成的无线信号传播模型的精度，也进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，获取第二算法，包括：
对预测空间进行区域划分，以得到多个目标区域；当该多个目标区域中的每个目标区域均满足预设条件时，将克里金分层算法确定为第二算法；当多个目标区域中任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法，其中，第三算法包括机器学习算法、B-shade方法簇中任一方法或MSN方法簇中任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法，包括：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将克里金分层算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
按照上述方法执行进一步地判断，可以为预测空间选择出更加合适的算法，从而提高了基于该算法生成的无线信号传播模型的精度，也进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特性；第二预设条件包括目标区域内包括第一定标点，第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，对预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，该多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部，
S2：根据多个第一区域和地理探测器算法计算得到第二参数，该第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；第二参数的值越大，对预测空间进行区域划分得到区域的空间分层异质性的显著程度越高；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
其中，T个维度指标包括可视域和非可视域、建筑物信息(比如建筑物类型、几何尺寸、修建年代等)、地物分类、城市功能等。
第二方面，本申请实施例提供另一种无线信号传播预测方法，包括：
当第一无线信号传播模型的精度第一预测精度期望时，获取一个或多个第二区域，该第二区域中终端的无线信号接收强度的预测值和与校验值的差值的绝对值大于第二预设阈值，无线信号接收强度的预测值是通过所述第一无线信号传播模型预测获得，第一无线信号传播模型是基于S第一定标点的位置信息及其对应的无线信号接收强度生成得到的；获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型；其中，N个第二定标点中任一第二定标点的位置信息与S个第一定标点中每个定标点的位置信息不相同，且N个第二定标点中的每个定标点位于第二区域内，N为大于0的整数；根据目标无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
可选地，上述校验数据可以为路测数据、终端上报的数据或者其他形式数据。
在无线信号传播模型的精度低于预测精度期望时，新增多个定标点，再根据新增的多个定标点和在生成无线信号传播模型所采用的定标点重新生成新的无线信号传播模型，提高了无线信号传播模型的精度，进而也提高了无线信号接收强度的预测精度。
在一个可行的实施例中，获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20：对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括目标定标点集合和Ni个参考定标点，i为大于0的整数；
S40：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20-S40，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至目标定标点集合中，并令i＝i+1和重复执行S10-S40，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；其中，第二收敛条件与第一收敛条件不相同，当i＝1时，目标定标点集合为空集。
在一个可行的实施例中，获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10’：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；并对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，i为大于0的整数；
S40’：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20’-S40’，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行S10’-S40’，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；
其中，第二收敛条件与第一收敛条件不相同，当i＝1时，定标点集合Ai-1为空集。
在一个可行的实施例中，获取Ni个初始定标点，包括：
获取多个第一参考定标点集合，多个第一参考定标点集合中的定标点均位于第二区域内；
根据多个第一参考定标点集合及S个第一定标点，获取多个第二参考定标点集合；其中，多个第二参考定标点集合中第j个第二参考定标点集合中的定标点包括S个第一定标点和多个第一参考定标点集合中第j个第一参考定标点集合中的定标点；根据多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型，多个参考无线信号传播模型与多个第二参考定标点集合一一对应；根据校验数据计算得到多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；根据误差值获取Ni个初始定标点，Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了S个第一定标点之外的定标点。
可选地，预设算法为在生成最小误差值所对应的参考无线信号传播模型时所采用的算法。
在此需要说明的是，根据多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型具体实现过程可参见第一方面所述方法的相关描述，在此不再叙述。
在一个可行的实施例中，第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，具体包括：
根据S个第一定标点的位置信息及其对应的无线信号接收强度计算预测空间的第一参数；并根据预测空间的第一参数获取算法C；第一参数用于表征预测空间的全局空间自相关特性的程度；根据算法C和S个第一定标点的位置信息及其对应的无线信号接收强度生成第一无线信号接收模型W。
在一个可行的实施例中，根据预测空间的第一参数获取算法C，包括：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为算法C；当根据第一参数确定预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为算法C。
在一个可行的实施例中，第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，获取第一算法，包括：
当S个第一定标点的无线信号接收强度满足预设概率分布，将BHM算法确定为第一算法；当S个第一定标点的无线信号接收强度不满足预设概率分布时，将克里金方法簇中的任一方法确定为第一算法。
可选地，预设概率分布可以为正态分布、泊松分布、二项分布、高斯分布或者其他概率分布。
按照上述方法执行进一步地判断，可以为预测空间选择出更加合适的算法，从而提高了基于该算法生成的无线信号传播模型的精度，也进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，获取第二算法，包括：
对预测空间进行区域划分，以得到多个目标区域，当多个目标区域中的每个目标区域是否满足预设条件；当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法；当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法；其中，第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法，包括：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将分层克里金算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
按照上述方法执行进一步地判断，可以为预测空间选择出更加合适的算法，从而提高了基于该算法生成的无线信号传播模型的精度，也进而提高了根据该无线信号传播模型获取终端位于预测空间任一位置时的无线信号接收强度的准确性
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特征；
第二预设条件包括目标区域内包含第一定标点；第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，对预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部；
S2：根据多个第一区域和地理探测器算法计算得到第二参数，第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3，直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
其中，T个维度指标包括可视域和非可视域、建筑物信息(比如建筑物类型、几何尺寸、修建年代等)、地物分类、城市功能等。
第三方面，本申请实施例提供一种无线信号传播预测装置，包括：
存储器，用于存储指令；以及
处理器，与存储器耦合；
其中，当处理器执行所述指令时，执行如下方法：
获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数，根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数，该第一参数用于表征预测空间的全局空间自相关特性的程度；根据第一参数获取目标算法，并根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型；根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
在一个可行的实施例中，在根据预测空间的第一参数获取目标算法的方面，处理器具体用于：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为目标算法；当根据第一参数确定预测空间具有全局空间自相关特性时，获取第二算法，并将第二算法确定为目标算法。
在一个示例中，在根据预测空间的第一参数获取目标算法过程中，通过以下步骤来判断预测空间是否具有全局空间自相关特性：
若预测空间的第一参数大于第一预设阈值，则预测空间具有全局空间自相关特性；若预测空间的第一参数不大于第一预设阈值，则预测空间不具有全局空间自相关特性。
在一个可行的实施例中，第一算法包括克里金方法簇中的任一方法或BHM算法，在获取第一算法的方面，处理器具体用于：
判断S个第一定标点的无线信号接受强度是否满足预设概率分布；若满足预设概率分布，则将BHM算法确定为第一算法；若不满足预设概率分布，则将克里金方法簇中任一方法确定为第一算法，
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，在获取第二算法的方面，处理器具体用于：
对预测空间进行区域划分，以得到多个目标区域；当该多个目标区域中的每个目标区域均满足预设条件时，将克里金分层算法确定为第二算法；当多个目标区域中任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法，其中，第三算法包括机器学习算法、B-shade方法簇中任一方法或MSN方法簇中任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，在当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法的方面，处理器具体用于：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将克里金分层算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特性；第二预设条件包括目标区域内包括第一定标点，第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，在对预测空间进行区域划分，以得到多个目标区域的方面，处理器具体用于：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，该多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部，
S2：根据多个第一区域和地理探测器算法计算得到第二参数，该第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；第二参数的值越大，对预测空间进行区域划分得到区域的空间分层异质性的显著程度越高；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
第四方面，本申请实施例提供另一种无线信号传播预测装置，包括：
存储器，用于存储指令；以及
与存储器耦合的处理器；
其中，当处理器执行指令时，执行如下方法：
当第一无线信号传播模型的精度第一预测精度期望时，获取一个或多个第二区域，该第二区域中终端的无线信号接收强度的预测值和与校验值的差值的绝对值大于第二预设阈值，无线信号接收强度的预测值是通过第一无线信号传播模型预测获得，第一无线信号传播模型是对S第一定标点的位置信息及其对应的无线信号接收强度生成得到的；获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度进行处理，以得到目标无线信号传播模型；其中，N个第二定标点中任一第二定标点的位置信息与S个第一定标点中每个定标点的位置信息不相同，且N个第二定标点中的每个定标点位于第二区域内，N为大于0的整数；根据目标无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
在一个可行的实施例中，在获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，处理器具体用于：
S10：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20：对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括目标定标点集合和Ni个参考定标点，i为大于0的整数；
S40：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20-S40，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至目标定标点集合中，并令i＝i+1和重复执行S10-S40，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；其中，第二收敛条件与第一收敛条件不相同，当i＝1时，目标定标点集合为空集。
在一个可行的实施例中，在获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，处理器具体用于：
S10’：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；并对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，i为大于0的整数；
S40’：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20’-S40’，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行S10’-S40’，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；
其中，第二收敛条件与第一收敛条件不相同，当i＝1时，定标点集合Ai-1为空集。
在一个可行的实施例中，在获取Ni个初始定标点的方面，处理器具体用于：
获取多个第一参考定标点集合，多个第一参考定标点集合中的定标点均位于第二区域内；
根据多个第一参考定标点集合及S个第一定标点，获取多个第二参考定标点集合；其中，多个第二参考定标点集合中第j个第二参考定标点集合中的定标点包括S个第一定标点和多个第一参考定标点集合中第j个第一参考定标点集合中的定标点；根据多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型，多个参考无线信号传播模型与多个第二参考定标点集合一一对应；根据校验数据计算得到多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；根据误差值获取Ni个初始定标点，Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了S个第一定标点之外的定标点。
可选地，预设算法为在生成最小误差值所对应的参考无线信号传播模型时所采用的算法。
在一个可行的实施例中，对于所述第一无线信号传播模型是基于所述S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，处理器具体用于：
根据多个定标点的位置信息及其对应的无线信号接收强度计算预测空间的第一参数；并根据预测空间的第一参数获取算法C；第一参数用于表征预测空间的全局空间自相关特性的程度；根据算法C和定标点集合中的定标点的位置信息及其对应的无线信号接收强度生成无线信号接收模型W；当多个定标点为S个第一定标点时，无线信号传播模型W为第一无线信号传播模型；当多个定标点为多个第二参考定标点集合中的第j个第二参考定标点集合中的定标点时，无线信号传播模型W为多个参考无线信号传播模型中的第j个参考无线信号传播模型。
在一个可行的实施例中，在根据预测空间的第一参数获取算法C的方面，处理器具体用于：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为算法C；当根据第一参数确定预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为算法C。
在一个可行的实施例中，第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，获取第一算法，包括：
当S个第一定标点的无线信号接收强度满足预设概率分布，将BHM算法确定为第一算法；当S个第一定标点的无线信号接收强度不满足预设概率分布时，将克里金方法簇中的任一方法确定为第一算法。
可选地，预设概率分布可以为正态分布、泊松分布、二项分布、高斯分布或者其他概率分布。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，在获取第二算法的方面，处理器具体用于：
对预测空间进行区域划分，以得到多个目标区域，当多个目标区域中的每个目标区域是否满足预设条件；当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法；当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法；其中，第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，在当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法的方面，处理器具体用于：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将分层克里金算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特征；
第二预设条件包括目标区域内包含第一定标点；第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，在对预测空间进行区域划分，以得到多个目标区域的方面，处理器具体用于：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部；
S2：根据多个第一区域和地理探测器算法计算得到第二参数，第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3，直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
第五方面，本申请实施例提供一种芯片系统，该芯片系统应用于电子设备；芯片系统包括一个或多个接口电路，以及一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行如第一方面或第二方面所述方法的部分或全部。
第六方面，本申请实施例提供一种计算机可读存储介质，该计算机存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如第一方面或第二方面所述方法的部分或全部。
第七方面，本申请实施例提供一种计算机程序产品，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如第一方面或第二方面所述方法的部分或全部。
本申请的这些方面或其他方面在以下实施例的描述中会更加简明易懂。
附图说明
为了更清楚地说明本申请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，下面描述中的附图仅仅是本申请的一些实施例，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。
图1a为本申请实施例提供的一种应用场景示意图；
图1b为本申请实施例提供的另一种应用场景示意图；
图2a为本申请实施例提供的一种系统架构示意图；
图2b为本申请实施例提供的另一种系统架构示意图；
图3为本申请实施例提供的一种无线信号传播预测方法的流程示意图；
图3a为具有和不具有全局空间自相关特性的方块示意图；
图4为获取目标插值算法的流程示意图；
图5为一种对预测空间进行区域划分的示意图；
图6为另一种对预测空间进行区域划分的示意图；
图7为另一种对预测空间进行区域划分的示意图；
图8为本申请实施例提供的另一种无线信号传播预测方法的流程示意图；
图9为本申请实施例提供的另一种无线信号传播预测方法的流程示意图；
图10为本申请实施例提供的另一种无线信号传播预测方法的流程示意图；
图11为本申请实施例提供的一种无线信号传播预测装置的结构示意图；
图12为本申请实施例提供的另一种无线信号传播预测装置的结构示意图；
图13为本申请实施例提供的另一种无线信号传播预测装置的结构示意图。
具体实施方式
下面结合附图对本申请的实施例进行描述。
参见图1a，图1a为本申请实施例提供的一种应用场景示意图。如图1a所示，该应用场景包括基站101、终端102和预测装置103。
其中，基站101可以为宏基站、微基站、微微基站、射频拉远、直放站等；终端102为具有通信功能的装置，可以为智能手机、笔记本电脑、平板电脑、智能穿戴设备(比如智能手环、智能手表和智能眼镜等)、物联网设备等。
如图1b所示，预测装置103获取位于基站101覆盖区域内的多个终端102的无线信号接收强度及位置信息，例如可以是从终端102上报携带终端的位置信息及其终端102位于该位置信息所指示的位置时的无线信号接收强度的数据中获取的，比如最小化路测(minimization of drive tests，MDT)的结果、测量报告(measure report，MR)或物联网(The Internet of Things，IOT)数据，或者是路测设备进行采样得到的数据；然后预测装置103根据多个终端102的无线信号接收强度及其位置信息和地图信息获取目标算法，并根据目标算法和获取的无线信号接收强度及其位置信息生成无线信号传播模型，也就是图1b中所示的信号覆盖电磁地图。
后续网络规划人员或装置根据获取的无线信号传播模型识别问题栅格或信号弱覆盖区域，然后针对问题栅格或信号弱覆盖区域进行参数寻优操作，得到优化的参数；根据优化的参数设置基站101的天线参数，比如基站天线的上倾角、下倾角和发射功率等参数；如此反复执行上述方法，不断优化基站101的天线参数，从而使基站101达到良好的信号覆盖效果。
下面介绍本申请实施例提供的两种系统架构示意图。如图2a所示，终端通过基站向操作平台上传携带位置信息及终端位于该位置信息时的无线信号接收强度的数据，比如MDT的结果、MR或者IOT数据等；操作平台根据接收到的位置信息及对应的无线信号接收强度和地图数据获取目标插值算法，并根据目标算法和获取的无线信号接收强度及其位置信息生成无线信号传播模型；操作平台根据获取的无线信号传播模型识别问题栅格或信号弱覆盖区域，然后针对问题栅格或信号弱覆盖区域进行参数寻优操作，得到优化的参数；并向基站发送携带优化的参数的指令，以控制基站按照优化的参数调整基站的天线参数；在如此反复，从而达到优化基站无线信号覆盖的目的。
如图2b所示，终端通过基站向操作平台上传携带位置信息及终端位于该位置信息时的无线信号接收强度的数据，比如MDT的结果、MR或者IOT数据等；操作平台向云服务器上传接收到的位置信息及对应的无线信号接收强度；云服务器根据接收到的位置信息及对应的无线信号接收强度和地图数据获取目标算法，并根据目标算法和获取的无线信号接收强度及其位置信息生成无线信号传播模型，并将无线信号传播模型发送至操作平台；操作平台根据获取的无线信号传播模型识别问题栅格或信号弱覆盖区域，然后针对问题栅格或信号弱覆盖区域进行参数寻优操作，得到优化的参数；并向基站发送携带优化的参数的指令，以控制基站按照优化的参数调整基站的天线参数；在如此反复，从而达到优化基站无线信号覆盖的目的。
下面具体介绍上述预测装置、操作平台或者云服务器预测无线信号传播的具体过程。
参见图3，图3为本申请实施例提供的一种无线信号传播预测方法的流程示意图。如图3所示，该方法包括：
S301、获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数。
其中，可以是从终端102上报携带终端位置信息及其终端102位于该位置信息时的无线信号接收强度的数据中获取的，比如MDT的结果、MR或IOT数据，或者是路测设备进行随机采样得到的数据。
可选地，上述位置信息可以为坐标，还可以是指示位置的栅格信息。
S302、根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数。
其中，预测空间的第一参数用于表征该预测空间的全局空间自相关特性的程度，第一参数越大，预测空间的全局空间自相关特性的程度越高。
具体地，根据预设算法对上述S个第一定标点的位置信息及其对应的无线信号接收强度进行计算，以得到预测空间的第一参数。可选地，预设算法可以为莫兰指数算法、空间自相关γ(Gamma)指数算法、joincount统计算法、Geary’s C算法，Getis G算法或者Ord’s G算法等。
如图3a中的a图所示，灰色的方块具有全局空间自相关特性，图3a中的b图和c图所示的方块不具有全局空间自相关特性。
S303、根据预测空间的第一参数获取目标算法，并根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型。
可选地，根据预测空间的第一参数与第三预设阈值的大小关系判断预测空间是否具有全局空间自相关特性；当预测空间的第一参数小于第三预设阈值时，确定预测空间不具有全局空间自相关特性；当预测空间的第一参数不小于第三预设阈值时，确定预测空间具有全局空间自相关特性。
可选的，第一参数的取值范围为[-1,1]；当第一参数属于第一区间时，确定预测空间具有全局空间自相关特性；当第一参数属于第二区间时，确定预测空间不具有全局空间自相关特性，第一区间和第二区间没有交集；比如第一区间可以为[0.3,1]，第二区间为[-1,0.3)。
可选地，当根据预测空间的第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将该第一算法确定为目标算法；当根据预测空间的第一参数确定预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为目标算法。
可选地，第一算法包括贝叶斯分层模型(Bayesian hierarchical models，BHM)算法或者克里金方法簇中的任一方法；第二算法包括机器学习算法、纠偏空间统计(biasedsentinel hospital area disease estimation，B-shade)方法簇中的任一方法、异质表面均值估计方法(means of surface with non-homogeneity，MSN)方法簇中的任一方法或者分层克里金算法。
其中，上述克里金方法簇包括一系列的演化算法，例如普通克里金(OrdinaryKriging)，泛克里金(Universal Kriging)、协同克里金(Co-Kriging)，析取克里金(Disjunctive Kriging)，以及一些与其他算法结合的混合算法，例如回归克里金(regression-Kriging)，神经网络克里金(neural Kriging)，贝叶斯克里金(BayesianKriging)等。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，获取第二算法，包括：
对预测空间进行区域划分，以得到多个目标区域；当该多个目标区域中的每个目标区域均满足预设条件时，将克里金分层算法确定为第二算法；当多个目标区域中任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法，其中，第三算法包括机器学习算法、B-shade方法簇中任一方法或MSN方法簇中任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法，包括：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将克里金分层算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特性；第二预设条件包括目标区域内包括第一定标点，第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
具体地，如图4所示，在根据预测空间的第一参数确定预测空间具有全局空间自相关特性时，判断S个第一定标点的无线信号接收强度是否满足预设概率分布。在一个示例中，可根据先验知识判断S个第一定标点的无线信号接收强度是否满足预设概率分布。若S个第一定标点的无线信号接收强度满足预设概率分布，则将BHM算法确定为第一算法；若S个第一定标点的无线信号接收强度不满足预设概率分布，则将克里金方法簇中的任一方法确定为第一算法。
可选地，上述预设概率分布可以为统计分布，比如正态分布、泊松分布、二项分布和高斯分布等；还可以为空间分布。
进一步地，在根据第一参数确定预测空间不具有全局空间自相关特性时，对预测空间进行区域划分，以得到多个目标区域。
可选地，对预测空间进行区域划分，以得到多个目标欧区域，包括：
根据T个维度指标对预测空间进行区域划分，以得到多个目标区域。
在此需要指出的是，对预测空间进行区域划分，以得到多个目标区域可以具体是对预测空间的地图进行区域划分，以得到多个目标区域。
可选地，预测空间的地图可以是二维地图，也可以是三维地图；当预测空间的地图是二维地图时，本申请实施例中所说的位置信息为二维位置信息，比如二维坐标；当预测空间的地图是三维地图时，本申请实施例中所说的位置信息为三维位置信息，比如三维坐标。
可选地，在一个示例中，分别根据T个维度指标对预测空间进行区域划分，以得到T张第一划分地图，其中，T张第一划分地图与T个维度指标一一对应；将T张第一划分地图中的区域边界线进行叠加，得到多个目标区域。
举例说明，假设上述T个维度指标包括是否可视域(包括可视域和非可视域)和城市功能分区(包括住宅区、商业区和工业区)；基于可视域和非可视域对预测空间进行划分，得到第一地图，该第一地图的区域边界线如图5中的a图所示，该第一地图被划分为可视区域和非可视区域；基于住宅区、商业区和工业区对预测空间进行划分，得到第二地图，该第二地图的区域边界线如图5中的b图所示，该第二地图被划分为工业区、住宅区和商业区；将第一地图和第二地图中的区域边界线进行叠加，得到第三地图，该第三地图的区域边界线如图5中的c图所示，基于图5中的c图的区域边界线将预测空间划分为5个区域，如图5中的c图所示。
可选地，在一个示例中，根据T个维度指标对预测空间进行区域划分，具体包括：
首先采用T个维度指标中任一维度指标D1对预测空间进行区域划分，以得到S1个区域P1；然后再采用T-1个维指标中任一维度指标D2对S1个区域P1进行区域划分，以得到S2个区域P2，其中，T-1个维度指标为T个维度指标中除了维度指标D1之外的维度指标，S2不小于S1；再采用T-2个维度指标中任一维度指标D3对S2个区域P2进行区域划分，以得到S3个区域P3，其中，T-1个维度指标为T个维度指标中除了维度指标D1和维度指标D2之外的维度指标，S3不小于S2；在按照上述方式采用T个维度指标进行区域划分后，得到的ST个区域PT；该ST个区域PT即为上述多个目标区域。
举例说明，如图6所示，首先根据第一维度指标(比如可视区域和非可视区域)对预测空间进行区域划分，得到可视区域和非可视区域，如图6中的a图所示；再根据第二维度指标(比如住宅区和非住宅区)对可视区域和非可视区域进行区域划分，得到四个区域，如图6中的b图所示；最后根据第三维度指标(比如商业区和工业区)对非住宅区进行区域划分，得到三个区域，如图6中的c图所示。
在一个可行的实施例中，当根据S个第一定标点的位置信息确定S个第一定标点近似呈规则分布，比如近似呈直线分布，如图7中的a图所示；再比如近似呈圆形分布，如图7中的b图所示；再比如近似呈三角形分布，如图7中的c图所示；当然还可以呈其他规则形状分布，比如正方形，长方形等；在确定S个第一定标点呈规则分布后，获取基准线，S个第一定标点位于或者近似位于基准线上，或者位于由基准线构成的区域内；再根据基准线，对预测空间进行区域划分，得到第二划分地图，该地图中区域的每条边界线上的点与基准线上对应点的距离相同，如图7所示；再将第二划分地图的分界线和上述T张第一划分地图的分界线进行叠加，以得到上述多个目标区域。
可选地，在一个示例中，对预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，该多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部，T为大于0的整数；
S2：根据多个第一区域和地理探测器算法计算得到第二参数，第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度，第二参数的值越大，区域空间分层异质性的显著程度越高；
S3：比较第二参数与第一预设阈值的大小关系；当第二参数不大于第一预设阈值时，重复执行S1-S3直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分时所采用的多个维度指标有交集或者没有交集，也就是说任意两次对预测空间进行区域划分时所采用的多个维度指标可以部分相同，也可以完全不同。
可选地，第二参数的取值范围为[0,1]；上述维度指标还可以包括土地利用类型、道路、水系、兴趣点等；以及建筑物类型，如其几何形态，材质，建筑年代，容积率。
在此需要说明的是，上述根据T个维度指标对预测空间进行区域划分，以得到多个第一区域的具体实现过程可参见上述根据T个维度指标对预测空间进行区域划分，以得到多个目标区域的实现过程，在此不再叙述。
在一个示例中，上述进行区域划分具体包括：可以基于主观经验进行划分，也可按照既有的空间计算方法，例如k均值聚类，基于密度的噪声应用空间聚类(density-basedspatial clustering of application with noise，DBSCAN)算法，高斯混合模型的期望最大化(Gaussian Mixed Model Expectation-maximization，GMM-EM)等聚类方法。比如可根据建筑物的类型、几何特征或修建年代等进行聚类。
在此需要指出的是，对预测空间进行区域划分得到区域的空间分层异质性的显著程度越高，位于同一区域的第一定标点的无线信号接收强度的方差越小，且位于相邻区域内的第一定标点的无线信号接收强度的方差越大。
进一步地，如图4所示，在对预测空间进行区域划分得到多个目标区域后，判断多个目标区域中每个目标区域是否满足第一预设条件；可选地，第一预设条件包括目标区域具有全局空间自相关特性。具体地，对于多个目标区域中的任一目标区域，根据位于该目标区域内的第一定标点的位置信息及对应的无线信号接收强度计算得到该目标区域的第三参数，该目标区域的第三参数用于表征该目标区域的全局空间自相关特性的程度；当根据该目标区域的第三参数确定该目标区域不具有全局空间自相关特性，则将机器学习算法确定为目标算法；当多个目标区域中每个目标区域的第三参数确定每个目标区域均具有全局空间自相关特性，则判断多个目标区域中每个目标区域是否满足第二预设条件。
在此需要说明的是，在计算目标区域的第三参数时，若目标区域内不包含第一定标点，则默认该区域具有全局空间自相关特性。
可选地，第二预设条件包括目标区域内包含第一定标点；具体地，判断多个目标区域中每个目标区域是否包含第一定标点；若多个目标区域中任一目标区域不包含第一定标点，则将B-shade方法簇中任一方法确定为目标算法；若多个目标区域中任一目标区域均包含第一定标点，则判断多个目标区域中每个目标区域是否满足第三预设条件。可选地，第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
具体地，判断多个目标区域中每个目标区域包含的第一定标点的数量是否大于预设数量；若多个目标区域中任一目标区域包含的第一定标点的数量不大于预设数量，则将MSN方法簇中任一方法确定为目标算法；若多个目标区域中每个目标区域包含的第一定标点的数量大于预设数量，则将分层克里金算法确定为目标算法；或者，
判断多个目标区域中每个目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳；若多个目标区域中任一目标区域包含的第一定标点的数量不大于预设数量，或者多个目标区域中任一目标区域内的第一定标点的无线信号接收强度不满足空间二阶平稳，则将MSN方法簇中任一方法确定为目标算法；若多个目标区域中任一目标区域包含的第一定标点的数量大于预设数量，且该目标区域内的第一定标点的无线信号接收强度不满足空间二阶平稳，则将分层克里金算法确定为目标算法。
在此需要说明的是，采用分层克里金算法和S个第一定标点的位置信息及对应的无线信号接收强度生成预测空间的无线信号传播模型，具体包括：对于上述多个目标区域中每个目标区域，采用克里金方法簇中的任一方法对该目标区域内的第一定标点的位置信息及对应的无线信号接收强度进行插值计算，以得到每个目标区域中的无线信号传播模型，或者对于上述多个目标区域中的每个目标区域，均从克里金方法簇中选择同一种克里金算法来对该目标区域内的第一定标点的位置信息及对应的无线信号接收强度进行插值计算，以得到每个目标区域中的无线信号传播模型；再根据上述多个目标区域中每个目标区域的无线信号传播模型获取上述预测空间的无线信号传播模型。
在一个示例中，根据上述多个目标区域中每个目标区域的无线信号传播模型获取上述预测空间的无线信号传播模型，具体包括根据上述多个目标区域中每个目标区域的无线信号传播模型得到每个目标区域的无线信号覆盖电磁地图，然后对多个目标区域的无线信号覆盖电磁地图进行拼接，以得到预测空间的无线信号覆盖电磁地图，最后基于预测空间的无线信号覆盖电磁地图得到预测空间的无线信号传播模型。
在此需要指出的是，在目标算法为克里金方法簇中任一方法、BHM算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法时，根据目标算法和定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型，具体是指根据目标算法对定标点的位置信息和对应的无线信号接收强度进行插值计算，以得到无线信号传播模型。
S304、根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
具体地，预测空间的无线信号传播模型可以看成无线信号接收强度随位置信息变化而变化的函数；给定预测空间内的一个位置信息，基于无线信号传播模型就可以预测终端位于该位置信息所指示的位置时的无线信号接收强度。
可以看出，在本申请的方案中，基于预测空间内的定标点判断预测空间是否满足预设的条件，根据预测空间是否满足预设的条件选择合适的算法和定标点的位置信息及对应的无线信号接收强度生成预测空间的无线信号传播模型，进而根据无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度，提高了预测空间的无线信号传播模型的精度，进而也提高了无线信号传播预测结果的精度。
下面具体介绍上述预测装置、操作平台或者云服务器预测无线信号传播的另一种具体实现过程。
参见图8，图8为本申请实施例提供的一种无线信号传播模型预测方法的流程示意图。
如图8所示，该方法包括：
S801、获取预测空间内S个第一定标点中的每个第一定标点的位置信息和终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数。
其中，可以是从终端102上报携带终端位置信息及其终端102位于该位置信息时的无线信号接收强度的数据中获取的，比如MDT的结果、MR或IOT数据，或者是路测设备进行随机采样得到的数据。
可选地，位置信息可以为坐标，还可以为指示位置的栅格信息。
S802、根据S个第一定标点的位置信息和对应的无线信号接收强度生成第一无线信号传播模型。
在此需要说明的是，根据S个第一定标点的位置信息和对应的无线信号接收强度生成第一无线信号传播模型具体过程可参见步骤S302和S303的相关描述，在此不再叙述。
S803、获取预测空间的校验数据；并根据校验数据计算得到第一无线信号传播模型的精度。
可选地，上述校验数据可以为路测数据、终端上报的数据或者其他形式的真实数据。
具体地，路测数据包括多个位置信息和终端位于该多个位置信息时的第一无线信号接收强度，将该多个位置信息输入到第一无线信号传播模型中进行计算，以得到多个位置信息对应的第二无线信号接收强度，根据多个位置信息对应的第一无线信号接收强度和第二无线信号接收强度计算误差值，该误差值用于表征第一无线信号传播模型的精度，误差值越小，第一无线信号传播模型的精度越高。
可选地，上述误差值包括但不限于均方误差，均方根误差、平均绝对误差或标准差。
S804、当第一无线信号传播模型的精度低于预测精度期望时，获取一个或多个第二区域。
具体地，当第一无线信号传播性的精度低于预测精度期望时，根据预测空间的校验数据获取预测空间真实的无线信号电磁覆盖地图，再根据第一无线信号传播模型获取预测的无线信号电磁覆盖地图；最后根据预测的无线信号电磁覆盖地图和真实的无线信号电磁覆盖地图获取一个或多个第二区域，其中，一个或多个第二区域中，同一位置信息的第一无线信号接收强度和第二无线信号接收强度的差值的绝对值大于第二预设阈值。
S805、获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息和对应的无线信号接收强度生成目标无线信号传播模型。
其中，N个第二定标点中任一第二定标点的位置信息与S个第一定标点中每个定标点的位置信息不相同，且N个第二定标点中每个定标点位于第二区域内，N为大于0的整数。
在一个具体实施例中，获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息和对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10：获取Ni个初始定标点，该Ni个初始定标点中每个初始定标点的位置信息与S个第一定标点的均不相同，且N个初始定标点中的每个初始定标点均位于第二区域内，Ni为大于1的整数；
S20：对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括目标定标点集合和Ni个参考定标点，i为大于0的整数；
S40：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件，当无线信号传播模型不满足第一收敛条件时，重复执行S20-S40，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至目标定标点集合中，令i＝i+1并重复执行S10-S40，直至无无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型，
其中，第二收敛条件与第一收敛条件不相同，当i＝1时，目标定标点集合为空集。
具体地，如图9所示：
S10A：获取Ni个初始定标点。
其中，该Ni个初始定标点中每个初始定标点的位置信息与S个第一定标点的均不相同，且N个初始定标点中的每个初始定标点均位于第二区域内，Ni为大于1的整数。
在一个可行的实施例中，获取Ni个初始定标点，包括：
获取多个第一参考定标点集合，该多个第一参考定标点集合中的定标点均位于第二区域内；根据多个第一参考定标点集合及S个第一定标点，获取多个第二参考定标点集合；其中，多个第二参考定标点集合中第j个第二参考定标点集合中的定标点包括S个第一定标点和多个第一参考定标点集合中第j个第一参考定标点集合中的定标点；根据多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度进行第一操作，以得到多个参考无线信号传播模型，多个参考无线信号传播模型与多个第二参考定标点集合一一对应；根据路测数据计算得到多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；根据误差值获取Ni个初始定标点，Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了S个第一定标点之外的定标点。
具体地，可通过多种抽样方式(比如系统抽样、随机抽样、分层抽样和整体抽样等)从多个第二区域中获取多个第一参考定标点集合，该多个第一参考定标点集合与多种抽样方式一一对应。
对于多个第一参考定标点集合中的任一集合定标点，可以是均匀地从多个第二区域获取的，比如有3个第二区域，需要获取6个定标点，从3个第二区域中分别获取2个定标点；也可以按照一定规则从多个第二区域获取，比如按照多个第二区域的面积来获取，第二区域的面积越大，从该第二区域中获取的定标点的数量越多；再比如按照多个第二区域的误差来获取，与校验数据相比，第二区域的误差越大，从该第二区域中获取的定标点的数量越多。
在此需要说明的是，在从第二区域中获取定标点时，首先从确定定标点的位置信息，然后再基于校验数据获取终端位于该位置信息时的无线信号接收强度，或者从位于该位置信息的终端上报的数据中获取该位置信息对应的无线信号接收强度。
在获取多个第一参考定标点集合后，将S个第一定标点保存到多个第一参考定标点集合中，得到多个第二参考定标点集合；然后对于多个第二参考定标点集合中每个第二参考定标点集合，按照S302和S303的相关描述获取针对该第二参考定标点集合的算法，再根据针对该第二参考定标点集合的算法和该第二参考定标点集合中的位置信息及对应的无线信号接收强度生成该第二参考定标点集合对应的无线信号传播模型。
在获取多个第二参考定标点集合中每个第二参考定标点集合的无线信号传播模型后，根据校验数据计算上述每个第二参考定标点集合的无线信号传播模型的误差值，计算误差值的过程可参见上述步骤S50A的相关描述，在此不再叙述。根据多个第二参考定标点集合的无线信号传播模型的误差值从多个第二参考定标点集合中获取Ni个初始定标点，该Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了S个第一定标点之外的定标点。
可选地，Ni与Ni-1的差值与Ni-1与Ni-2的差值可以相同，也可以不相同。
S20A：对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点。
对Ni个初始定标点中每个初始点标点的位置信息和/或对应的无线信号接收强度进行随机扰动，进而得到Ni个参考定标点。
S30A：根据预设算法与S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi。
其中，上述预设算法为在生成上述最小误差值所对应的无线信号传播模型时所采用的算法。N个第二定标点包括目标定标点集合和Ni个参考定标点。
S40A：判断无线信号传播模型Mi是否满足第一收敛条件。
可选地，判断无线信号传播模型Mi是否满足第一收敛条件，具体包括：
将校验数据中的多个位置信息输入到第一无线信号传播模型中进行计算，以得到多个位置信息对应的第二无线信号接收强度，根据校验数据中多个位置信息对应的第一无线信号接收强度和第二无线信号接收强度计算误差值；当该误差值趋近于第一值时，判断无线信号传播模型Mi满足第一收敛条件；当上述误差值未趋近于第一值时，判断无线信号传播模型Mi不满足第一收敛条件。
当无线信号传播模型Mi满足第一收敛条件时，执行S50A；当信号传播模型Mi不满足第一收敛条件时，执行S20A-S40A。
S50A：判断无线信号传播模型Mi是否满足第二收敛条件。
可选地，判断无线信号传播模型Mi是否满足第一收敛条件，具体包括：
将校验数据中的多个位置信息输入到第一无线信号传播模型中进行计算，以得到多个位置信息对应的第二无线信号接收强度，根据校验数据中多个位置信息对应的第一无线信号接收强度和第二无线信号接收强度计算误差值；当该误差值趋近于第二值时，判断无线信号传播模型Mi满足第二收敛条件；当上述误差值未趋近于第二值时，判断无线信号传播模型Mi不满足第二收敛条件。
其中，第二收敛条件与第一收敛条件不相同，是指第二值小于第一值。
当无线信号传播模型Mi满足第二收敛条件时，执行S70A；当信号传播模型Mi不满足第二收敛条件时，执行S60A。
S60A：将Ni个参考定标点保存至目标定标点集合中，并令i＝i+1。
在令i＝i+1后，执行步骤S10A-S50A。
S70A：将无线信号传播模型Mi确定为目标无线信号传播模型。
在一个具体实施例中，获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息和对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10’：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法与S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，i为大于0的整数；
S40’：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20’-S40’，直至无线信号传播模型Mi满足第一收敛条件；当判断无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行S10’-S40’，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；
其中，第二收敛条件比第一收敛条件不相同，当i＝1时，定标点集合Ai-1为空集。
具体地，如图10所示：
S10B：获取Ni个初始定标点。
其中，该Ni个初始定标点中每个初始定标点的位置信息与S个第一定标点的均不相同，且N个初始定标点中的每个初始定标点均位于第二区域内，Ni为大于1的整数。
在此需要指出的是，获取Ni个初始定标点的具体过程可参见上述步骤S10A的相关描述，在此不再叙述。
S20B：对定标点集合Ai-1中的每个定标点进行随机扰动，以得到定标点集合A’i-1；对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点。
具体地，对定标点集合Ai-1中的每个定标点进行随机扰动，以得到定标点集合A’i-1具体包括：对定标点集合Ai-1中的每个定标点的位置信息和/或对应的无线信号接收强度进行随机扰动，进而得到定标点集合A’i-1；
对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点，具体包括：对Ni个初始定标点中每个初始点标点的位置信息和/或对应的无线信号接收强度进行随机扰动，进而得到Ni个参考定标点。
S30B：根据预设算法与S个第一定标点和N个第二定标点的位置信息和及其对应的无线信号接收强度生成无线信号传播模型Mi。
S40B：判断无线信号传播模型Mi是否满足第一收敛条件。
当无线信号传播模型Mi满足第一收敛条件时，执行S50B；当信号传播模型Mi不满足第一收敛条件时，执行S20B-S40B。
S50B：判断无线信号传播模型Mi是否满足第二收敛条件。
其中，第二收敛条件比第一收敛条件苛刻，当i＝1时，定标点集合Ai-1为空集。
当无线信号传播模型Mi满足第二收敛条件时，执行S70B；当信号传播模型Mi不满足第二收敛条件时，执行S60B。
S60B：将Ni个参考定标点保存至定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1。
其中，在令i＝i+1后，执行步骤S10B-S50B。
S70B：将无线信号传播模型Mi确定为目标无线信号传播模型。
在需要说明的是，S10B-S70 B的具体实现过程可参见S10A-S70A的相关描述，在此不在叙述。
在一个可行实施例中，对于第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，具体包括：
根据S个第一定标点的位置信息及对其对应的无线信号接收强度计算预测空间的第一参数；并根据预测空间的第一参数获取插值算法C；第一参数用于表征预测空间具有全局空间自相关特性的程度，第一参数越大，预测空间具有全局空间自相关特性的程度越高；根据插值算法C对S个第一定标点的位置信息和无线信号接收强度计算得到第一无线信号接收模型。
在一个可行的实施例中，根据预测空间的第一参数获取算法C，包括：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为算法C；当根据第一参数确定预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为算法C。
在一个可行的实施例中，第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，获取第一算法，包括：
当S个第一定标点的无线信号接收强度满足预设概率分布，将BHM算法确定为第一算法；当S个第一定标点的无线信号接收强度不满足预设概率分布时，将克里金方法簇中的任一方法确定为第一算法。
可选地，预设概率分布可以为正态分布、泊松分布、二项分布、高斯分布或者其他概率分布。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，获取第二算法，包括：
对预测空间进行区域划分，以得到多个目标区域，当多个目标区域中的每个目标区域是否满足预设条件；当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法；当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法；其中，第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法，包括：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将分层克里金算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特征；
第二预设条件包括目标区域内包含第一定标点；第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，对预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部；
S2：根据多个第一区域和地理探测器算法计算得到第二参数，第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3，直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
在此需要指出的是，根据预测空间的第一参数获取算法C的具体实现过程可参见S302和S303中根据第一参数获取目标算法的相关描述，在此不再叙述。
S806、根据目标无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
具体地，目标无线信号传播模型可以看成无线信号接收强度随位置信息变化而变化的函数；给定预测空间内的一个位置信息，基于无线信号传播模型就可以预测终端位于该位置信息所指示的位置时的无线信号接收强度。
可以看出，在实施例的方案中，在对S个第一定标点的位置信息及其对应的无线信号接收强度进行计算得到预测空间的无线信号传播模型后，当该无线信号传播模型的精度低于预测精度期望时，在预测空间中误差较大的区域内获取多个第二定标点，然后再对S个第一定标点和该多个定标点的位置信息及其对应的无线信号接收强度进行插值计算，以得到精度更高的无线信号传播模型，进而可以得到准确度更高的无线信号传播预测的结果。
在此需要指出的是，本申请的方法可以应用到需要基于空间离散点来预测面状覆盖信息的场景。例如，基于离散终端门店的销售情况对整个区域的终端门店销售情况的预测，基于离散基站的流量需求来预测区域中每个基站的流量需求等。
参见图11，图11为本申请实施例提供的一种无线信号传播预测装置的结构示意图。如图11所示，该装置1100包括：
获取单元1101，用于获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数；
计算单元1102，用于根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数，该第一参数用于表征预测空间的全局空间自相关特性的程度；
获取单元1101，还用于根据第一参数获取目标算法，
生成单元1103，用于根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型；
获取单元1101，还用于根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
在一个可行的实施例中，在根据预测空间的第一参数获取目标算法的方面，获取单元1101具体用于：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为目标算法；当根据第一参数确定预测空间具有全局空间自相关特性时，获取第二算法，并将第二算法确定为目标算法。
在一个可行的实施例中，第一算法包括克里金方法簇中的任一方法或BHM算法，在获取第一算法的方面，获取单元1101具体用于：
判断S个第一定标点的无线信号接受强度是否满足预设概率分布；若满足预设概率分布，则将BHM算法确定为第一算法；若不满足预设概率分布，则将克里金方法簇中任一方法确定为第一算法，
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，在获取第二算法的方面，获取单元1101具体用于：
对预测空间进行区域划分，以得到多个目标区域；当该多个目标区域中的每个目标区域均满足预设条件时，将克里金分层算法确定为第二算法；当多个目标区域中任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法，其中，第三算法包括机器学习算法、B-shade方法簇中任一方法或MSN方法簇中任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，在当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法的方面，获取单元1101具体用于：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将克里金分层算法确定为第二算法；
在当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法的方面，获取单元1101具体用于：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特性；第二预设条件包括目标区域内包括第一定标点，第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，在对预测空间进行区域划分，以得到多个目标区域的方面，获取单元1101具体用于：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，该多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部，
S2：根据多个第一区域和地理探测器算法计算得到第二参数，该第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；第二参数的值越大，对预测空间进行区域划分得到区域的空间分层异质性的显著程度越高；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
需要说明的是，上述各单元(获取单元1101、计算单元1102和生成单元1103)用于执行上述步骤S301-S304的相关内容，在此不再叙述。
在本实施例中，无线信号传播预测装置1100是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specific integrated circuit，ASIC)，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。此外，以上获取单元1101、计算单元1102和生成单元1103可通过图13所示的无线信号传播预测装置的处理器1301来实现。
参见图12，图12为本申请实施例提供的另一种无线信号传播预测装置的结构示意图。如图12所示，该装置1200包括：
获取单元1201，用于当第一无线信号传播模型的精度第一预测精度期望时，获取一个或多个第二区域，该第二区域中终端的无线信号接收强度的预测值和与校验值的差值的绝对值大于第二预设阈值，无线信号接收强度的预测值是通过第一无线信号传播模型预测获得，第一无线信号传播模型是对S第一定标点的位置信息及其对应的无线信号接收强度生成得到的；
获取单元1201，还用于获取N个第二定标点；
生成单元1202，用于根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型；其中，N个第二定标点中任一第二定标点的位置信息与S个第一定标点中每个定标点的位置信息不相同，且N个第二定标点中的每个定标点位于第二区域内，N为大于0的整数；
获取单元1201，还用于根据目标无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
在一个可行的实施例中，在获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，获取单元1201和生成单元1202具体用于：
S10：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20：对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括目标定标点集合和Ni个参考定标点，i为大于0的整数；
S40：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20-S40，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至目标定标点集合中，并令i＝i+1和重复执行S10-S40，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；其中，第二收敛条件与第一收敛条件不相同，当i＝1时，目标定标点集合为空集。
在一个可行的实施例中，在获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，获取单元1201和生成单元1202具体用于：
S10’：获取Ni个初始定标点，该Ni个初始定标点中的每个初始定标点的位置信息与S个定标点均不相同，且Ni个初始定标点中每个初始定标点位于第二区域内，Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；并对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法和S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，i为大于0的整数；
S40’：判断无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当无线信号传播模型Mi不满足第一收敛条件时，重复执行步骤S20’-S40’，直至无线信号传播模型Mi满足第一收敛条件；当无线信号传播模型Mi满足第一收敛条件且不满足第二收敛条件时，将Ni个参考定标点保存至定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行S10’-S40’，直至无线信号传播模型Mi满足第二收敛条件；当无线信号传播模型Mi满足第二收敛条件时，将无线信号传播模型Mi确定为目标无线信号传播模型；
其中，第二收敛条件与第一收敛条件不相同，当i＝1时，定标点集合Ai-1为空集。
在一个可行的实施例中，在获取Ni个初始定标点的方面，获取单元1201具体用于：
获取多个第一参考定标点集合，多个第一参考定标点集合中的定标点均位于第二区域内；
根据多个第一参考定标点集合及S个第一定标点，获取多个第二参考定标点集合；其中，多个第二参考定标点集合中第j个第二参考定标点集合中的定标点包括S个第一定标点和多个第一参考定标点集合中第j个第一参考定标点集合中的定标点；根据多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型，多个参考无线信号传播模型与多个第二参考定标点集合一一对应；根据校验数据计算得到多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；根据误差值获取Ni个初始定标点，Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了S个第一定标点之外的定标点。
可选地，预设算法为在生成最小误差值所对应的参考无线信号传播模型时所采用的算法。
在一个可行的实施例中，对于第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，生成单元1202具体用于：
根据S个第一定标点的位置信息及其对应的无线信号接收强度计算预测空间的第一参数；并根据预测空间的第一参数获取算法C；第一参数用于表征预测空间的全局空间自相关特性的程度；根据算法C和S个第一定标点的位置信息及其对应的无线信号接收强度生成第一无线信号接收模型。
在一个可行的实施例中，在根据预测空间的第一参数获取算法C的方面，生成单元1202具体用于：
当根据第一参数确定预测空间具有全局空间自相关特性时，获取第一算法，并将第一算法确定为算法C；当根据第一参数确定预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为算法C。
在一个可行的实施例中，第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，在获取第一算法的方面，生成单元1202具体用于：
当S个第一定标点的无线信号接收强度满足预设概率分布，将BHM算法确定为第一算法；当S个第一定标点的无线信号接收强度不满足预设概率分布时，将克里金方法簇中的任一方法确定为第一算法。
可选地，预设概率分布可以为正态分布、泊松分布、二项分布、高斯分布或者其他概率分布。
在一个可行的实施例中，第二算法包括机器学习算法、B-shade方法簇中的任一方法、MSN方法簇中的任一方法或分层克里金算法，在获取第二算法的方面，生成单元1202具体用于：
对预测空间进行区域划分，以得到多个目标区域，当多个目标区域中的每个目标区域是否满足预设条件；当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法；当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，并将第三算法确定为第二算法；其中，第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
在一个可行的实施例中，预设条件包括第一预设条件、第二预设条件和第三预设条件，在当多个目标区域中的每个目标区域均满足预设条件时，将分层克里金算法确定为第二算法的方面，生成单元1202具体用于：
当多个目标区域中的每个目标区域均同时满足第一预设条件、第二预设条件和第三预设条件时，将分层克里金算法确定为第二算法；
当多个目标区域中的任一目标区域不满足预设条件时，获取第三算法，包括：
当多个目标区域中的任一目标区域不满足第一预设条件时，将机器学习算法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件的前提下不满足第二预设条件时，将B-shade方法簇中的任一方法确定为第三算法，或者；
当多个目标区域中的任一目标区域在满足第一预设条件和第二预设条件的前提下，不满足第三预设条件时，将MSN方法簇中的任一方法确定为第三算法。
在一个可行的实施例中，第一预设条件包括目标区域具有全局空间自相关特征；
第二预设条件包括目标区域内包含第一定标点；第三预设条件包括目标区域内第一定标点的数量大于预设数量，或者目标区域内第一定标点的数量大于预设数量，且目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
在一个可行的实施例中，在对预测空间进行区域划分，以得到多个目标区域的方面，生成单元1202具体用于：
S1：根据T个维度指标对预测空间进行区域划分，以得到多个第一区域，多个第一区域中的任一第一区域均满足T个维度指标中的部分或者全部；
S2：根据多个第一区域和地理探测器算法计算得到第二参数，第二参数用于表征对预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当第二参数不大于第一预设阈值时，重复执行S1-S3，直至第二参数大于第一预设阈值；当第二参数大于第一预设阈值时，将多个第一区域确定为多个目标区域；
其中，任意两次对预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
需要说明的是，上述各单元(获取单元1201和生成单元1202)用于执行上述步骤S801-S806的相关内容，在此不再叙述。
在本实施例中，无线信号传播预测装置1200是以单元的形式来呈现。这里的“单元”可以指特定应用集成电路(application-specific integrated circuit，ASIC)，执行一个或多个软件或固件程序的处理器和存储器，集成逻辑电路，和/或其他可以提供上述功能的器件。此外，以上获取单元1201和处理单元1202可通过图13所示的无线信号传播预测装置的处理器1301来实现。
如图13所示无线信号传播预测装置1300可以以图13中的结构来实现，该无线信号传播预测装置1300包括至少一个处理器1301，至少一个存储器1302以及至少一个通信接口1303。所述处理器1301、所述存储器1302和所述通信接口1103通过所述通信总线连接并完成相互间的通信。
处理器1301可以是通用中央处理器(CPU)，微处理器，特定应用集成电路(application-specific integrated circuit，ASIC)，或一个或多个用于控制以上方案程序执行的集成电路。
通信接口1303，用于与其他设备或通信网络通信，如以太网，无线接入网(RAN)，无线局域网(Wireless Local Area Networks，WLAN)等。
存储器1302可以是只读存储器(read-only memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(random access memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过总线与处理器相连接。存储器也可以和处理器集成在一起。
其中，所述存储器1302用于存储执行以上方案的应用程序代码，并由处理器1301来控制执行。所述处理器1301用于执行所述存储器1302中存储的应用程序代码。
存储器1302存储的代码可执行以上提供的任一种无线信号传播预测方法，比如：
获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于该位置信息所指示的位置时的无线信号接收强度，S为大于1的整数，根据S个第一定标点的位置信息及其对应的无线信号接收强度计算得到预测空间的第一参数，该第一参数用于表征预测空间的全局空间自相关特性的程度；根据第一参数获取目标算法，并根据目标算法和S个第一定标点的位置信息及其对应的无线信号接收强度生成预测空间的无线信号传播模型；根据预测空间的无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度；
或者，
当第一无线信号传播模型的精度第一预测精度期望时，获取一个或多个第二区域，该第二区域中终端的无线信号接收强度的预测值和与校验值的差值的绝对值大于第二预设阈值，无线信号接收强度的预测值是通过所述第一无线信号传播模型预测获得，第一无线信号传播模型是对S第一定标点的位置信息及其对应的无线信号接收强度进行第一操作得到的；获取N个第二定标点，并根据S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型；其中，N个第二定标点中任一第二定标点的位置信息与S个第一定标点中每个定标点的位置信息不相同，且N个第二定标点中的每个定标点位于第二区域内，N为大于0的整数；根据目标无线信号传播模型获取终端位于预测空间内任一位置时的无线信号接收强度。
在此需要说明的是，对于上述无线信号传播预测方法的过程可参见S301-S304及S801-S806的相关描述，在此不再叙述。
本申请实施例还提供一种计算机存储介质，其中，该计算机存储介质可存储有程序，该程序执行时包括上述方法实施例中记载的任何一种无线信号传播预测方法的部分或全部步骤。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作和模块并不一定是本申请所必须的。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的装置，可通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性或其它的形式。
所述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，作为单元显示的部件可以是或者也可以不是物理单元，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单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储器中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储器中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储器包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储器中，存储器可以包括：闪存盘、只读存储器(英文：Read-Only Memory，简称：ROM)、随机存取器(英文：Random Access Memory，简称：RAM)、磁盘或光盘等。
以上对本申请实施例进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上上述，本说明书内容不应理解为对本申请的限制。

Claims (41)

1.一种无线信号传播预测方法，其特征在于，包括：
获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于所述位置信息所指示的位置时的无线信号接收强度，所述S为大于1的整数；
根据所述S个第一定标点的位置信息及其对应的无线信号接收强度计算得到所述预测空间的第一参数；所述第一参数用于表征所述预测空间的全局空间自相关特性的程度；
根据所述第一参数获取目标算法，并根据所述目标算法和所述S个第一定标点的位置信息及其对应的无线信号接收强度生成所述预测空间的无线信号传播模型；
根据所述预测空间的无线信号传播模型获取所述终端位于所述预测空间内任一位置时的无线信号接收强度。
2.根据权利要求1所述的方法，其特征在于，所述根据所述第一参数获取目标算法，包括：
当根据所述第一参数确定所述预测空间具有全局空间自相关特性时，获取第一算法，并将所述第一算法确定为所述目标算法；
当根据所述第一参数确定所述预测空间不具有全局空间自相关特性时，获取第二算法，并将所述第二算法确定为所述目标算法。
3.根据权利要求2所述的方法，其特征在于，所述第一算法包括克里金方法簇中的任一方法或贝叶斯分层模型BHM算法，所述获取第一算法，包括：
判断所述S个第一定标点的无线信号接收强度是否满足预设概率分布；
若满足所述预设概率分布，则将所述BHM算法确定为第一算法；若不满足所述预设概率分布，则将所述克里金方法簇中的任一方法确定为所述第一算法。
4.根据权利要求2所述的方法，其特征在于，所述第二算法包括机器学习算法、纠偏空间统计推断B-shade方法簇中的任一方法、异质表面均值估计抽样方法MSN方法簇中的任一方法或分层克里金算法，所述获取第二算法，包括：
对所述预测空间进行区域划分，以得到多个目标区域，
当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法；
当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，并将所述第三插值算法确定为所述第二算法；
其中，所述第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
5.根据权利要求4所述的方法，其特征在于，所述预设条件包括第一预设条件、第二预设条件和第三预设条件，所述当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法，包括：
当所述多个目标区域中的每个目标区域均同时满足所述第一预设条件、所述第二预设条件和所述第三预设条件时，将所述分层克里金算法确定为所述第二算法；
所述当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，包括：
当所述多个目标区域中的任一目标区域不满足所述第一预设条件时，将所述机器学习算法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件的前提下不满足所述第二预设条件时，将所述B-shade方法簇中的任一方法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件和所述第二预设条件的前提下，不满足所述第三预设条件时，将所述MSN方法簇中的任一方法确定为所述第三算法。
6.根据权利要求5所述的方法，其特征在于，所述第一预设条件为所述目标区域具有空间自相关特征；
所述第二预设条件包括所述目标区域内包含所述第一定标点；
所述第三预设条件包括所述目标区域内所述第一定标点的数量大于预设数量，或者所述目标区域内所述第一定标点的数量大于所述预设数量，且所述目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
7.根据权利要求4-6任一项所述的方法，其特征在于，所述对所述预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对所述预测空间进行区域划分，以得到多个第一区域，所述多个第一区域中的任一第一区域均满足所述T个维度指标中的部分或者全部，所述T为大于0的整数；
S2：根据所述多个第一区域和地理探测器算法计算得到第二参数，所述第二参数用于表征对所述预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当所述第二参数不大于所述第一预设阈值时，重复执行所述S1-S3直至所述第二参数大于所述第一预设阈值；当所述第二参数大于所述第一预设阈值时，将所述多个第一区域确定为所述多个目标区域；
其中，任意两次对所述预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
8.一种无线信号传播预测方法，其特征在于，包括：
当第一无线信号传播模型的精度低于预测精度期望时，获取一个或多个第二区域，所述第二区域中所述终端的无线信号接收强度的预测值与校验值的差值的绝对值大于第二预设阈值，所述无线信号接收强度的预测值是通过所述第一无线信号传播模型预测获得；所述第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的；
获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型；其中，所述N个第二定标点中任一第二定标点的位置信息与所述S个第一定标点中每个定标点的位置信息不相同，且所述N个第二定标点中每个定标点位于所述第二区域内，所述N为大于0的整数；
根据所述目标无线信号传播模型获取所述终端位于所述预测空间内任一位置时的无线信号接收强度。
9.根据权利要求8所述的方法，其特征在于，所述获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10：获取Ni个初始定标点，所述Ni个初始定标点中的每个初始定标点的位置信息与所述S个定标点均不相同，且所述Ni个初始定标点中每个初始定标点位于所述第二区域内，所述Ni为大于1的整数；
S20：对所述Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法与所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；所述N个第二定标点包括目标定标点集合和Ni个参考定标点，所述i为大于0的整数；
S40：判断所述无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当所述无线信号传播模型Mi不满足所述第一收敛条件时，重复执行步骤S20-S40，直至所述无线信号传播模型Mi满足所述第一收敛条件；当所述无线信号传播模型Mi满足所述第一收敛条件且不满足所述第二收敛条件时，将所述Ni个参考定标点保存至目标定标点集合中，并令i＝i+1和重复执行所述S10-S40，直至所述无线信号传播模型Mi满足所述第二收敛条件；当所述无线信号传播模型Mi满足所述第二收敛条件时，将所述无线信号传播模型Mi确定为所述目标无线信号传播模型；
其中，所述第二收敛条件与所述第一收敛条件不相同，当i＝1时，所述目标定标点集合为空集。
10.根据权利要求8所述的方法，其特征在于，所述获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型，包括：
S10’：获取Ni个初始定标点，所述Ni个初始定标点中的每个初始定标点的位置信息与所述S个定标点均不相同，且所述Ni个初始定标点中每个初始定标点位于所述第二区域内，所述Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；并对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法与所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；所述N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，所述i为大于0的整数；
S40’：判断所述无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当所述无线信号传播模型Mi不满足所述第一收敛条件时，重复执行步骤S20’-S40’，直至所述无线信号传播模型Mi满足所述第一收敛条件；当所述无线信号传播模型Mi满足所述第一收敛条件且不满足所述第二收敛条件时，将所述Ni个参考定标点保存至所述定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行所述S10’-S40’，直至所述无线信号传播模型Mi满足所述第二收敛条件；当所述无线信号传播模型Mi满足所述第二收敛条件时，将所述无线信号传播模型Mi确定为所述目标无线信号传播模型；
其中，所述第二收敛条件与所述第一收敛条件不相同，当i＝1时，所述定标点集合Ai-1为空集。
11.根据权利要求9或10所述的方法，其特征在于，所述获取Ni个初始定标点，包括：
获取多个第一参考定标点集合，所述多个第一参考定标点集合中的定标点均位于所述第二区域内；
根据所述多个第一参考定标点集合及所述S个第一定标点，获取多个第二参考定标点集合；其中，第j个第二参考定标点集合中的定标点包括所述S个第一定标点和所述多个第一参考定标点集合中第j个第一参考定标点集合中的定标点，j为大于0的整数；
对所述多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型，所述多个参考无线信号传播模型与所述多个第二参考定标点集合一一对应；
根据所述校验数据计算得到所述多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；
根据所述误差值获取所述Ni个初始定标点，所述Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了所述S个第一定标点之外的定标点。
12.根据权利要求11所述的方法，其特征在于，所述预设算法为在生成所述最小误差值所对应的参考无线信号传播模型时所采用的算法。
13.根据权利要求8-12任一项所述的方法，其特征在于，所述第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，具体包括：
根据所述S个第一定标点的位置信息及其对应的无线信号接收强度计算预测空间的第一参数；并根据所述预测空间的第一参数获取算法C；所述第一参数用于表征所述预测空间的全局空间自相关特性的程度；
根据所述算法C和所述S个第一定标点的位置信息及其对应的无线信号接收强度生成所述第一无线信号接收模型。
14.根据权利要求13所述的方法，其特征在于，所述根据所述预测空间的第一参数获取算法C，包括：
当根据所述第一参数确定所述预测空间具有全局空间自相关特性时，获取第一算法，并将所述第一算法确定为所述算法C；
当根据所述第一参数确定所述预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为所述算法C。
15.根据权利要求14所述的方法，其特征在于，所述第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，所述获取第一算法，包括：
当所述S个第一定标点的无线信号接收强度满足预设概率分布，将所述BHM算法确定为所述第一算法；
当所述S个第一定标点的无线信号接收强度不满足所述预设概率分布时，将所述克里金方法簇中的任一方法确定为所述第一算法。
16.根据权利要求14所述的方法，其特征在于，所述第二算法包括机器学习算法、纠偏空间统计推断B-shade方法簇中的任一方法、异质表面均值估计抽样方法MSN方法簇中的任一方法或分层克里金算法，所述获取第二算法，包括：
对所述预测空间进行区域划分，以得到多个目标区域，
当所述多个目标区域中的每个目标区域是否满足预设条件；
当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法；
当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，并将所述第三算法确定为所述第二算法；
其中，所述第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
17.根据权利要求16所述的方法，其特征在于，所述预设条件包括第一预设条件、第二预设条件和第三预设条件，所述当判断所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法，包括：
当所述多个目标区域中的每个目标区域均同时满足所述第一预设条件、所述第二预设条件和所述第三预设条件时，将所述分层克里金算法确定为所述第二算法；
所述当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，包括：
当所述多个目标区域中的任一目标区域不满足所述第一预设条件时，将所述机器学习算法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件的前提下不满足所述第二预设条件时，将所述B-shade方法簇中的任一方法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件和所述第二预设条件的前提下，不满足所述第三预设条件时，将所述MSN方法簇中的任一方法确定为所述第三算法。
18.根据权利要求17所述的方法，其特征在于，所述第一预设条件包括所述目标区域具有全局空间自相关特征；
所述第二预设条件包括所述目标区域内包含所述第一定标点；
所述第三预设条件包括所述目标区域内所述第一定标点的数量大于预设数量，或者所述目标区域内所述第一定标点的数量大于所述预设数量，且所述目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
19.根据权利要求16-18任一项所述的方法，其特征在于，所述对所述预测空间进行区域划分，以得到多个目标区域，包括：
S1：根据T个维度指标对所述预测空间进行区域划分，以得到多个第一区域，所述多个第一区域中的任一第一区域均满足所述T个维度指标中的部分或者全部，T为大于0的整数；
S2：根据所述多个第一区域和地理探测器算法计算得到第二参数，所述第二参数用于表征对所述预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当所述第二参数不大于所述第一预设阈值时，重复执行所述S1-S3直至所述第二参数大于所述第一预设阈值；当所述第二参数大于第一预设阈值时，将所述多个第一区域确定为所述多个目标区域；
其中，任意两次对所述预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
20.一种无线信号传播预测装置，其特征在于，包括：
存储器，用于存储指令；以及与所述存储器耦合的处理器；
其中，当所述处理器执行所述指令时，执行如下方法：
获取预测空间内S个第一定标点中每个第一定标点的位置信息及终端位于所述位置信息所指示的位置时的无线信号接收强度，所述S为大于1的整数；
根据所述S个第一定标点的位置信息及其对应的无线信号接收强度计算得到所述预测空间的第一参数；所述第一参数用于表征所述预测空间的全局空间自相关特性的程度；
根据所述第一参数获取目标算法，并根据所述目标算法和所述S个第一定标点的位置信息及其对应的无线信号接收强度生成所述预测空间的无线信号传播模型；
根据所述预测空间的无线信号传播模型获取所述终端位于所述预测空间内任一位置时的无线信号接收强度。
21.根据权利要求20所述的装置，其特征在于，在所述根据所述第一参数获取目标算法的方面，所述处理器具体用于：
当根据所述第一参数确定所述预测空间具有全局空间自相关特性时，获取第一算法，并将所述第一算法确定为所述目标算法；
当根据所述第一参数确定所述预测空间不具有全局空间自相关特性时，获取第二算法，并将所述第二算法确定为所述目标算法。
22.根据权利要求21所述的装置，其特征在于，所述第一算法包括克里金方法簇中的任一方法或贝叶斯分层模型BHM算法，在所述获取第一算法的方面，所述处理器具体用于：
判断所述S个第一定标点的无线信号接收强度是否满足预设概率分布；
若满足所述预设概率分布，则将所述BHM算法确定为第一算法；若不满足所述预设概率分布，则将所述克里金方法簇中的任一方法确定为所述第一算法。
23.根据权利要求21所述的装置，其特征在于，所述第二算法包括机器学习算法、纠偏空间统计推断B-shade方法簇中的任一方法、异质表面均值估计抽样方法MSN方法簇中的任一方法或分层克里金算法，在所述获取第二算法的方面，所述处理器具体用于：
对所述预测空间进行区域划分，以得到多个目标区域，
当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法；
当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，并将所述第三插值算法确定为所述第二算法；
其中，所述第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
24.根据权利要求23所述的装置，其特征在于，所述预设条件包括第一预设条件、第二预设条件和第三预设条件，在所述当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法的方面，所述处理器具体用于：
当所述多个目标区域中的每个目标区域均同时满足所述第一预设条件、所述第二预设条件和所述第三预设条件时，将所述分层克里金算法确定为所述第二算法；
在所述当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法的方面，所述处理器具体用于：
当所述多个目标区域中的任一目标区域不满足所述第一预设条件时，将所述机器学习算法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件的前提下不满足所述第二预设条件时，将所述B-shade方法簇中的任一方法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件和所述第二预设条件的前提下，不满足所述第三预设条件时，将所述MSN方法簇中的任一方法确定为所述第三算法。
25.根据权利要求24所述的装置，其特征在于，所述第一预设条件为所述目标区域具有空间自相关特征；
所述第二预设条件包括所述目标区域内包含所述第一定标点；
所述第三预设条件包括所述目标区域内所述第一定标点的数量大于预设数量，或者所述目标区域内所述第一定标点的数量大于所述预设数量，且所述目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
26.根据权利要求23-25任一项所述的装置，其特征在于，在所述对所述预测空间进行区域划分，以得到多个目标区域的方面，所述处理器具体用于：
S1：根据T个维度指标对所述预测空间进行区域划分，以得到多个第一区域，所述多个第一区域中的任一第一区域均满足所述T个维度指标中的部分或者全部，所述T为大于0的整数；
S2：根据所述多个第一区域和地理探测器算法计算得到第二参数，所述第二参数用于表征对所述预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当所述第二参数不大于所述第一预设阈值时，重复执行所述S1-S3直至所述第二参数大于所述第一预设阈值；当所述第二参数大于所述第一预设阈值时，将所述多个第一区域确定为所述多个目标区域；
其中，任意两次对所述预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
27.一种无线信号传播预测装置，其特征在于，包括：
存储器，用于存储指令；以及与所述存储器耦合的处理器；
其中，当所述处理器执行所述指令时，执行如下方法：
当第一无线信号传播模型的精度低于预测精度期望时，获取一个或多个第二区域，所述第二区域中所述终端的无线信号接收强度的预测值与校验值的差值的绝对值大于第二预设阈值，所述无线信号接收强度的预测值是通过所述第一无线信号传播模型预测获得；所述第一无线信号传播模型是基于S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的；
获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型；其中，所述N个第二定标点中任一第二定标点的位置信息与所述S个第一定标点中每个定标点的位置信息不相同，且所述N个第二定标点中每个定标点位于所述第二区域内，所述N为大于0的整数；
根据所述目标无线信号传播模型获取所述终端位于所述预测空间内任一位置时的无线信号接收强度。
28.根据权利要求27所述的装置，其特征在于，在所述获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，所述处理器具体用于：
S10：获取Ni个初始定标点，所述Ni个初始定标点中的每个初始定标点的位置信息与所述S个定标点均不相同，且所述Ni个初始定标点中每个初始定标点位于所述第二区域内，所述Ni为大于1的整数；
S20：对所述Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30：根据预设算法与所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；所述N个第二定标点包括目标定标点集合和Ni个参考定标点，所述i为大于0的整数；
S40：判断所述无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当所述无线信号传播模型Mi不满足所述第一收敛条件时，重复执行步骤S20-S40，直至所述无线信号传播模型Mi满足所述第一收敛条件；当所述无线信号传播模型Mi满足所述第一收敛条件且不满足所述第二收敛条件时，将所述Ni个参考定标点保存至所述目标定标点集合中，并令i＝i+1和重复执行所述S10-S40，直至所述无线信号传播模型Mi满足所述第二收敛条件；当所述无线信号传播模型Mi满足所述第二收敛条件时，将所述无线信号传播模型Mi确定为所述目标无线信号传播模型；
其中，所述第二收敛条件与所述第一收敛条件不相同，当i＝1时，所述目标定标点集合为空集。
29.根据权利要求27所述的装置，其特征在于，在所述获取N个第二定标点，并根据所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成目标无线信号传播模型的方面，所述处理器具体用于：
S10’：获取Ni个初始定标点，所述Ni个初始定标点中的每个初始定标点的位置信息与所述S个定标点均不相同，且所述Ni个初始定标点中每个初始定标点位于所述第二区域内，所述Ni为大于1的整数；
S20’：对定标点集合Ai-1中的定标点进行随机扰动，以得到定标点集合A’i-1；并对Ni个初始定标点进行随机扰动处理，以得到Ni个参考定标点；
S30’：根据预设算法与所述S个第一定标点和N个第二定标点的位置信息及其对应的无线信号接收强度生成无线信号传播模型Mi；所述N个第二定标点包括定标点集合A’i-1中的定标点和Ni个参考定标点，所述i为大于0的整数；
S40’：判断所述无线信号传播模型Mi是否满足第一收敛条件和第二收敛条件；当所述无线信号传播模型Mi不满足所述第一收敛条件时，重复执行步骤S20’-S40’，直至所述无线信号传播模型Mi满足所述第一收敛条件；当所述无线信号传播模型Mi满足所述第一收敛条件且不满足所述第二收敛条件时，将所述Ni个参考定标点保存至所述定标点集合A’i-1中，以得到定标点集合Ai，并令i＝i+1和重复执行所述S10’-S40’，直至所述无线信号传播模型Mi满足所述第二收敛条件；当所述无线信号传播模型Mi满足所述第二收敛条件时，将所述无线信号传播模型Mi确定为所述目标无线信号传播模型；
其中，所述第二收敛条件与所述第一收敛条件不相同，当i＝1时，所述定标点集合Ai-1为空集。
30.根据权利要求28或29所述的装置，其特征在于，在所述获取Ni个初始定标点的方面，所述处理器具体用于：
获取多个第一参考定标点集合，所述多个第一参考定标点集合中的定标点均位于所述第二区域内；
根据所述多个第一参考定标点集合及所述S个第一定标点，获取多个第二参考定标点集合；其中，第j个第二参考定标点集合中的定标点包括所述S个第一定标点和所述多个第一参考定标点集合中第j个第一参考定标点集合中的定标点，j为大于0的整数；
对所述多个第二参考定标点集合中每个第二参考定标点集合中定标点的位置信息和对应的无线信号接收强度生成多个参考无线信号传播模型，所述多个参考无线信号传播模型与所述多个第二参考定标点集合一一对应；
根据所述校验数据计算得到所述多个参考无线信号传播模型中每个参考无线信号传播模型的误差值；
根据所述误差值获取所述Ni个初始定标点，所述Ni个初始定标点为最小误差值所对应的第二参考定标点集合中除了所述S个第一定标点之外的定标点。
31.根据权利要求30所述的装置，其特征在于，所述预设算法为在生成所述最小误差值所对应的参考无线信号传播模型时所采用的算法。
32.根据权利要求27-31任一项所述的装置，其特征在于，对于所述第一无线信号传播模型是基于所述S个第一定标点的位置信息及其对应的无线信号接收强度生成得到的，所述处理器具体用于：
根据S个第一定标点的位置信息及其对应的无线信号接收强度计算预测空间的第一参数；并根据所述预测空间的第一参数获取算法C；所述第一参数用于表征所述预测空间的全局空间自相关特性的程度；
根据所述算法C和所述S个第一定标点的位置信息及其对应的无线信号接收强度生成所述第一无线信号接收模型。
33.根据权利要求32所述的装置，其特征在于，在所述根据所述预测空间的第一参数获取算法C的方面，所述处理器具体用于：
当根据所述第一参数确定所述预测空间具有全局空间自相关特性时，获取第一算法，并将所述第一算法确定为所述算法C；
当根据所述第一参数确定所述预测空间不具有全局空间自相关特性时，获取第二算法，并将第二算法确定为所述算法C。
34.根据权利要求33所述的装置，其特征在于，所述第一算法包括贝叶斯分层模型BHM算法或者克里金方法簇中的任一方法，在所述获取第一算法的方面，所述处理器具体用于：
当所述S个第一定标点的无线信号接收强度满足预设概率分布，将所述BHM算法确定为所述第一算法；
当所述S个第一定标点的无线信号接收强度不满足所述预设概率分布时，将所述克里金方法簇中的任一方法确定为所述第一算法。
35.根据权利要求33所述的装置，其特征在于，所述第二算法包括机器学习算法、纠偏空间统计推断B-shade方法簇中的任一方法、异质表面均值估计抽样方法MSN方法簇中的任一方法或分层克里金算法，在所述获取第二算法的方面，所述处理器具体用于：
对所述预测空间进行区域划分，以得到多个目标区域，
当所述多个目标区域中的每个目标区域是否满足预设条件；
当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法；
当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法，并将所述第三算法确定为所述第二算法；
其中，所述第三算法包括机器学习算法、B-shade方法簇中的任一方法或MSN方法簇中的任一方法。
36.根据权利要求35所述的装置，其特征在于，所述预设条件包括第一预设条件、第二预设条件和第三预设条件，在所述当所述多个目标区域中的每个目标区域均满足所述预设条件时，将所述分层克里金算法确定为所述第二算法的方面，所述处理器具体用于：
当所述多个目标区域中的每个目标区域均同时满足所述第一预设条件、所述第二预设条件和所述第三预设条件时，将所述分层克里金算法确定为所述第二算法；
在所述当所述多个目标区域中的任一目标区域不满足所述预设条件时，获取第三算法的方面，所述处理器具体用于：
当所述多个目标区域中的任一目标区域不满足所述第一预设条件时，将所述机器学习算法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件的前提下不满足所述第二预设条件时，将所述B-shade方法簇中的任一方法确定为所述第三算法，或者；
当所述多个目标区域中的任一目标区域在满足所述第一预设条件和所述第二预设条件的前提下，不满足所述第三预设条件时，将所述MSN方法簇中的任一方法确定为所述第三算法。
37.根据权利要求36所述的装置，其特征在于，所述第一预设条件包括所述目标区域具有全局空间自相关特征；
所述第二预设条件包括所述目标区域内包含所述第一定标点；
所述第三预设条件包括所述目标区域内所述第一定标点的数量大于预设数量，或者所述目标区域内所述第一定标点的数量大于所述预设数量，且所述目标区域内的第一定标点的无线信号接收强度满足空间二阶平稳。
38.根据权利要求35-37任一项所述的装置，其特征在于，在所述对所述预测空间进行区域划分，以得到多个目标区域的方面，所述处理器具体用于：
S1：根据T个维度指标对所述预测空间进行区域划分，以得到多个第一区域，所述多个第一区域中的任一第一区域均满足所述T个维度指标中的部分或者全部，T为大于0的整数；
S2：根据所述多个第一区域和地理探测器算法计算得到第二参数，所述第二参数用于表征对所述预测空间进行区域划分得到区域的空间分层异质性的显著程度；
S3：当所述第二参数不大于所述第一预设阈值时，重复执行所述S1-S3直至所述第二参数大于所述第一预设阈值；当所述第二参数大于第一预设阈值时，将所述多个第一区域确定为所述多个目标区域；
其中，任意两次对所述预测空间进行区域划分所采用的T个维度指标部分有交集或者没有交集。
39.一种芯片系统，其特征在于，所述芯片系统应用于电子设备；所述芯片系统包括一个或多个接口电路，以及一个或多个处理器；所述接口电路和所述处理器通过线路互联；所述接口电路用于从所述电子设备的存储器接收信号，并向所述处理器发送所述信号，所述信号包括所述存储器中存储的计算机指令；当所述处理器执行所述计算机指令时，所述电子设备执行如权利要求1-19中任意一项所述方法。
40.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令当被处理器执行时使所述处理器执行如权利要求1-19任一项所述的方法。
41.一种计算机程序产品，其特征在于，包括计算机指令，当所述计算机指令在电子设备上运行时，使得所述电子设备执行如权利要求1-19任一项所述的方法。
CN202010591522.9A 2020-06-24 2020-06-24 无线信号传播预测方法及装置 Active CN113839725B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN202010591522.9A CN113839725B (zh) 2020-06-24 2020-06-24 无线信号传播预测方法及装置
PCT/CN2021/102180 WO2021259372A1 (zh) 2020-06-24 2021-06-24 无线信号传播预测方法及装置
EP21830185.1A EP4167618A4 (en) 2020-06-24 2021-06-24 METHOD AND APPARATUS FOR PREDICTING THE PROPAGATION OF A WIRELESS SIGNAL
US18/145,396 US20230131579A1 (en) 2020-06-24 2022-12-22 Wireless signal propagation prediction method and apparatus

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010591522.9A CN113839725B (zh) 2020-06-24 2020-06-24 无线信号传播预测方法及装置

Publications (2)

Publication Number Publication Date
CN113839725A true CN113839725A (zh) 2021-12-24
CN113839725B CN113839725B (zh) 2023-05-09

Family

ID=78964954

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010591522.9A Active CN113839725B (zh) 2020-06-24 2020-06-24 无线信号传播预测方法及装置

Country Status (4)

Country Link
US (1) US20230131579A1 (zh)
EP (1) EP4167618A4 (zh)
CN (1) CN113839725B (zh)
WO (1) WO2021259372A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913413A (zh) * 2023-02-22 2023-04-04 西安电子科技大学 一种智能化空间毫米波传播特征分析方法

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230092253A1 (en) * 2021-09-17 2023-03-23 International Business Machines Corporation Interpolating performance data

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010001376A1 (en) * 2008-07-01 2010-01-07 Provost Fellows And Scholars Of The College Of The Holy And Undivided Trinity Of Queen Elizabeth Near Dublin Signal strength prediction in mobile devices
CN102780536A (zh) * 2012-07-26 2012-11-14 中国科学院信息工程研究所 一种信号强度预测方法
CN102781062A (zh) * 2012-07-09 2012-11-14 中国科学院信息工程研究所 通信调度方法、系统及监测系统和方法
CN104467997A (zh) * 2014-11-18 2015-03-25 无锡清华信息科学与技术国家实验室物联网技术中心 一种基于无线信号强度预测的终端节能的方法和装置
CN104703215A (zh) * 2015-03-27 2015-06-10 佛山络思讯环保科技有限公司 一种室内信号强度异常诊断方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0105910D0 (en) * 2001-03-09 2001-04-25 Cellular Design Services Ltd Measurement-based prediction method for radiation path loss
US8385908B2 (en) * 2008-02-07 2013-02-26 Optimi Corporation Modifying mobile network signal propagation predictions
LT6116B (lt) * 2014-04-04 2015-02-25 Kauno technologijos universitetas Belaidžio vietinio tinklo (wlan) objektų vietos nustatymo patalpų viduje būdas
CN105187139B (zh) * 2015-09-30 2018-01-23 中国人民解放军后勤工程学院 一种基于群智感知的室外无线信号接收强度地图构建方法
CN105357707B (zh) * 2015-11-24 2018-12-07 哈尔滨工业大学 基于克里金插值算法的室内分布式移动通信信号覆盖预测方法
CN109996168B (zh) * 2017-12-28 2020-11-20 中国移动通信集团吉林有限公司 一种获取终端位置的方法及装置
CN110418354A (zh) * 2019-08-06 2019-11-05 北京邮电大学 一种基于机器学习的免传播模型无线网络规划方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2010001376A1 (en) * 2008-07-01 2010-01-07 Provost Fellows And Scholars Of The College Of The Holy And Undivided Trinity Of Queen Elizabeth Near Dublin Signal strength prediction in mobile devices
CN102781062A (zh) * 2012-07-09 2012-11-14 中国科学院信息工程研究所 通信调度方法、系统及监测系统和方法
CN102780536A (zh) * 2012-07-26 2012-11-14 中国科学院信息工程研究所 一种信号强度预测方法
CN104467997A (zh) * 2014-11-18 2015-03-25 无锡清华信息科学与技术国家实验室物联网技术中心 一种基于无线信号强度预测的终端节能的方法和装置
CN104703215A (zh) * 2015-03-27 2015-06-10 佛山络思讯环保科技有限公司 一种室内信号强度异常诊断方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
孙巍巍等: "3GPP LTE系统中结合位置预测的切换算法", 《计算机应用》, no. 07, 1 July 2012 (2012-07-01) *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115913413A (zh) * 2023-02-22 2023-04-04 西安电子科技大学 一种智能化空间毫米波传播特征分析方法

Also Published As

Publication number Publication date
EP4167618A4 (en) 2023-12-20
US20230131579A1 (en) 2023-04-27
CN113839725B (zh) 2023-05-09
EP4167618A1 (en) 2023-04-19
WO2021259372A1 (zh) 2021-12-30

Similar Documents

Publication Publication Date Title
EP2659697B1 (en) Method for the prediction of coverage areas of a cellular network
US9277410B2 (en) Method and device for locating network activity in cellular communication networks
CN105430664B (zh) 一种基于分类拟合预测传播路损的方法和装置
EP1175115A2 (en) Apparatus and method for geostatistical analysis of wireless signal propagation
CN112218330B (zh) 定位方法及通信装置
US20230131579A1 (en) Wireless signal propagation prediction method and apparatus
CN109348403B (zh) 一种异构网络环境中面向指纹定位的基站部署优化方法
Filiposka et al. Terrain-aware three-dimensional radio-propagation model extension for NS-2
CN109874146A (zh) 一种预测路损的方法及装置
Massobrio et al. Infrastructure deployment in vehicular communication networks using a parallel multiobjective evolutionary algorithm
Thong Soft computing methods for WiMax network planning on 3D geographical information systems
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
CN110366188B (zh) 干扰测量点部署方法、干扰测量路径规划方法及系统
Krijestorac et al. Agile radio map prediction using deep learning
EP3326404B1 (en) Evaluating near range communications quality
Konak A kriging approach to predicting coverage in wireless networks
Vuckovik et al. Durkin’s propagation model based on triangular irregular network terrain
Wang et al. Terrain-based coverage manifold estimation: Machine learning, stochastic geometry, or simulation?
Tennekes et al. A Bayesian approach to location estimation of mobile devices from mobile network operator data
Gemmi et al. Vehicles or Pedestrians: On the gNB Placement in Ultradense Urban Areas
CN113141570B (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN114430530A (zh) 空间划分方法、装置、设备、介质和程序产品
Phillips Geostatistical techniques for practical wireless network coverage mapping
Gemmi et al. Estimating coverage and capacity of high frequency mobile networks in ultradense urban areas
Malkova et al. Deep Learning with Partially Labeled Data for Radio Map Reconstruction

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
GR01 Patent grant
GR01 Patent grant