CN113890833B - 网络覆盖预测方法、装置、设备及存储介质 - Google Patents

网络覆盖预测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN113890833B
CN113890833B CN202111262627.0A CN202111262627A CN113890833B CN 113890833 B CN113890833 B CN 113890833B CN 202111262627 A CN202111262627 A CN 202111262627A CN 113890833 B CN113890833 B CN 113890833B
Authority
CN
China
Prior art keywords
sampling point
data
communication technology
network
target
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.)
Active
Application number
CN202111262627.0A
Other languages
English (en)
Other versions
CN113890833A (zh
Inventor
耿海粟
黄志勇
韦海波
王宜科
桑红梅
杨振宁
李祥
宋书颖
李致贤
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.)
China United Network Communications Group Co Ltd
Original Assignee
China United Network Communications Group 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 China United Network Communications Group Co Ltd filed Critical China United Network Communications Group Co Ltd
Priority to CN202111262627.0A priority Critical patent/CN113890833B/zh
Publication of CN113890833A publication Critical patent/CN113890833A/zh
Application granted granted Critical
Publication of CN113890833B publication Critical patent/CN113890833B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/147—Network analysis or design for predicting network behaviour
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
    • H04L41/14—Network analysis or design
    • H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/021—Services related to particular areas, e.g. point of interest [POI] services, venue services or geofences
    • 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

Abstract

本申请提供一种网络覆盖预测方法、装置、设备及存储介质，该方法包括：获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。本申请提供的方法能够准确有效地实现5G网络覆盖情况的预测，进而为后续的规划建设需求提供具有参考价值的评估性能指标。

Description

网络覆盖预测方法、装置、设备及存储介质
技术领域
本申请实施例涉及数据处理技术领域，尤其涉及一种网络覆盖预测方法、装置、设备及存储介质。
背景技术
随着通信技术的发展，越来越多的领域在第五代移动通信技术(5G)网络下实现应用。
但是，在5G建网初期，缺乏有效的网络能力仿真和覆盖效果评估手段。其中，传统仿真方法受限于3D电子地图和不同环境下差异化传播模型的精准度制约，在成本、人力和对输入数据准确性方面有较高的要求，实现精准仿真难度非常大。同时由于5G发展初期用户较少，5G无线网终端无线信息(Measurement Result，MR)数据的采样点不足，不能有效对5G网络覆盖效果进行评估，无法支撑后续的规划建设需求。
因此，现有技术无法准确有效地对5G网络覆盖情况进行预测，进而无法支撑后续的规划建设需求。
发明内容
本申请提供一种网络覆盖预测方法、装置、设备及存储介质，能够准确有效地实现5G网络覆盖情况的预测，进而为后续的规划建设需求提供具有参考价值的评估性能指标。
第一方面，本申请提供一种网络覆盖预测方法，包括：
获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据和所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；
对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；
根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
在一种可能的设计中，所述对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本，包括：
以各个所述第二采样点为中心，执行下述步骤：
根据预设查找范围以及所述第二采样点的经纬度，确定经纬度范围；
根据所述经纬度范围以及各个所述第一采样点的经纬度，从各个所述第一采样点中确定与所述第二采样点存在关联关系的第一目标采样点；
将各个所述第一目标采样点以及各个所述第二采样点作为有效样本；
其中，一个第二采样点对应至少一个第一目标采样点。
在一种可能的设计中，所述根据所述第一参数值和所述第二参数值以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，包括：
从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数；
根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型。
在一种可能的设计中，所述从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数，包括：
根据路径损耗公式，确定影响路径损耗的目标参数；
根据所述目标参数，从所述第一参数值和所述第二参数值中获取所述目标参数以及与所述目标参数关联的参数；
将所述目标参数以及与所述目标参数关联的参数作为影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数。
在一种可能的设计中，所述影响参数包括：第四代通讯技术网络的发射功率、第四代通讯技术网络的天线增益、第四代通讯技术网络的穿透损耗、第四代通讯技术网络的路径损耗、第五代移动通信技术网络的发射功率以及第五代移动通信技术网络的天线增益；
所述根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，包括：
针对所述有效样本中每个所述第二采样点，将与所述第二采样点对应的至少一个所述第一目标采样点的参考信号接收功率的平均值作为一个目标样本的动态参数，并且将所述影响参数作为所述目标样本的静态参数，并且将第二采样点的第五代移动通信技术网络的参考信号接收功率作为所述目标样本的标记值；
根据各个所述目标样本，通过修正支持向量机回归模型的参数，确定网络覆盖预测模型。
在一种可能的设计中，所述方法还包括：
获取待预测区域内的测试点的经纬度、在所述待预测区域内以第四代通讯技术网络中参考信号接收功率为第三采样点的参考信号接收功率、经纬度和第一参数、第二参数；
根据所述测试点的经纬度和所述第三采样点的参考信号接收功率、经纬度，从各个所述第三采样点中确定所述测试点对应的各个第三目标采样点；
根据各个所述第三目标采样点的参考信号接收功率的平均值、第一参数、第二参数，通过网络覆盖预测模型，得到第五代移动通信技术网络的参考信号接收功率的预测结果。
第二方面，本申请提供一种网络覆盖预测装置，包括：
数据获取模块，用于获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据和所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；
数据处理模块，用于对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；
预测模型建立模块，用于根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
第三方面，本申请提供一种网络覆盖预测设备，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上第一方面及第一方面可能的设计所述的网络覆盖预测方法。
第四方面，本申请提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上第一方面及第一方面可能的设计所述的网络覆盖预测方法。
本实施例提供的网络覆盖预测方法、装置、设备及存储介质，首先获取包括同一目标小区内的第一采样点的数据和第二采样点的数据的样本点数据，这里的第一采样点的数据为以第四代通讯技术(the 4Generation mobile communication technology，4G)网络中参考信号接收功率为采样点的数据，第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；然后对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本，再根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果，用以评估规划建设第五代移动通信技术网络的需求。因此，本申请通过获取第一采样点(即4G采样点)的数据和第二采样点(即5G采样点)的数据，对采样点的数据进行分析，筛选出有效样本，通过有效样本以及第一基站(4G基站)和第二基站(5G基站)的固有参数(这里的固有参数是从第一参数值和第二参数值中确定的)，利用人工智能技术，通过支持向量机回归(SVR)应用，对4G采样点的数据进行处理，准确有效地实现对5G无线网络覆盖能力的预测，进而支撑后续的规划建设5G网络的需求。
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一简单地介绍，显而易见地，下面描述中的附图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性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的网络覆盖预测方法的场景示意图；
图2为本申请实施例提供的网络覆盖预测方法的流程示意图；
图3为本申请再一实施例提供的网络覆盖预测方法的流程示意图；
图4为本申请实施例提供的网络覆盖预测装置的结构示意图；
图5为本申请实施例提供的网络覆盖预测设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例，例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
目前，在第五代移动通信技术(5th Generation Mobile CommunicationTechnology，5G)建网初期，缺乏有效的网络能力仿真和覆盖效果评估手段。其中，传统仿真方法受限于3D电子地图和不同环境下差异化传播模型的精准度制约，在成本、人力和对输入数据准确性方面有较高的要求，实现精准仿真难度非常大。同时由于5G发展初期用户较少，5G无线网终端无线信息(Measurement Result，MR)数据的采样点不足，不能有效对5G网络覆盖效果进行评估，无法支撑后续的规划建设需求。因此，现有技术无法准确有效地对5G网络覆盖情况进行预测，进而无法支撑后续的规划建设需求。
为了解决上述问题，本申请的技术构思为：将支持向量机回归(SVR)应用于基于4G网络最小化路测数据进行5G网络覆盖的预测研究中，通过对采样数据进行合理性关联和参数特征的选取，实现对5G网络覆盖能力的评估，低成本、高效且预测结果精准。
参考图1，图1为本申请实施例提供的网络覆盖预测方法的场景示意图。图1中的网络覆盖预测设备可以是服务器。其中，4G网络最小化路测是一种通过网络配置对用户终端进行测量数据采集、上报的自动化路测技术，4G网络最小化路测数据包含参考信号接收功率(Reference Signal Receiving Power，RSRP)等字段，含有GPS经纬度信息，获取简便，成本低廉，即4G网络最小化路测数据包括RSRP值和经纬度。
具体地，服务器可以通过网络配置对用户终端进行测量数据采集，采集同一小区内的分别代表4G和5G RSRP值的样本点。这里的测量数据可以表示为样本点数据，包括RSRP值和经纬度。服务器还可以获取每个小区对应的4G基站的第一参数值和5G基站的第二参数值，比如小区天面挂高、天面方位角、天面下倾角等参数值。然后服务器利用4G采样点RSRP进行5G采样点RSRP的预测，即基于样本点数据，对样本进行筛选，确定有效样本，以及基于参数值进行参数的特征选取，然后根据有效样本和特征，不断优化支持向量机回归的参数，最终得到最优模型即网络覆盖预测模型。因此，利用4G网络最小化路测数据模拟现网传播环境，使5G无线网覆盖预测结果更贴近实际，保证了评估的准确性以及有效性，能够有效支撑5G网络的规划建设工作。
下面以具体地实施例对本申请的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
参见图2所示，图2为本申请实施例提供的网络覆盖预测方法的流程示意图。
参见图2，所述网络覆盖预测方法，包括：
S201、获取样本点数据。
其中，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据。所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据，所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据。所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值。所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站。
本实施例中，这里的第一采样点为第四代通讯技术网络中参考信号接收功率对应的采样点，第二采样点为第五代移动通信技术网络中参考信号接收功率对应的采样点。其中，样本点数据(即基础数据)为同一小区内的分别代表4G和5G RSRP值的样本点。该样本点数据包括每个点的经纬度，以及每个小区对应的4G基站和5G基站的小区天面挂高、天面方位角、天面下倾角等参数值。
其中，样本点数据的获取方式可以是基于4G网络最小化路测实现对终端侧(即用户终端)进行测量数据采集、上报等。
S202、对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本。
本实施例中，为了保证预测的准确性，可以通过对数据进行合理性关联和参数特征的选取，确定训练模型的有效样本数据。其中，4G采样点和5G采样点数据的关联性可以通过地理关联性确定。特征选取可以利用路径损耗这一指标所关联的参数进行筛选。
在一种可能的设计中，在上述实施例的基础上，该方法还可以包括：根据第一采样点的数据中的经纬度以及第二采样点的数据中的经纬度，确定各个采样点的分布信息；根据分布信息，对各个采样点进行可视化操作。
本实施例中，根据第一采样点的数据中的经纬度以及第二采样点的数据中的经纬度，确定4G采样点和5G采样点的分布信息，用以确定4G采样点和5G采样点之间的地理关联性。并根据分布信息进行各样点的地理可视化。
具体地，为更好的确定4G和5G采样点数据的分布情况，以便确定4G和5G样本之间的地理关联性，利用公开地图(OpenStreetMap，OSM)，基于经纬度对各样点进行地理可视化。
S203、根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型。
其中，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
本实施例中，在完成了有效样本筛选和特征选取确定的基础上，构建具有多维特征的样本数据，并按预设比例(比如6:4)划分训练集和测试集，以5G RSRP作为输出结果，构建支持向量机回归模型，不断优化，得到网络覆盖预测模型。通过网络覆盖预测模型来预测某一区域或某些区域5G网络的覆盖效果，用以评估规划建设5G网络的需求。
本实施例提供的网络覆盖预测方法，通过获取第一采样点(即4G采样点)的数据和第二采样点(即5G采样点)的数据，对采样点的数据进行分析，筛选出有效样本，通过有效样本以及第一基站(4G基站)和第二基站(5G基站)的固有参数(这里的固有参数是从第一参数值和第二参数值中确定的)，利用人工智能技术，通过支持向量机回归(SVR)应用，对4G采样点的数据进行处理，准确有效地实现对5G无线网络覆盖能力的预测，进而支撑后续的规划建设5G网络的需求。
在一种可能的设计中，本实施例在上述实施例的基础上，对如何进行采样点分析，获得有效样本进行了详细说明。所述对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本，可以通过以下步骤实现：
步骤a1、以各个所述第二采样点为中心，执行下述步骤：根据预设查找范围以及所述第二采样点的经纬度，确定经纬度范围；根据所述经纬度范围以及各个所述第一采样点的经纬度，从各个所述第一采样点中确定与所述第二采样点存在关联关系的第一目标采样点。
步骤a2、将各个所述第一目标采样点以及各个所述第二采样点作为有效样本。
其中，一个第二采样点对应至少一个第一目标采样点。
本实施例中，针对样本点筛选，确定有效样本的具体过程为：利用4G采样点RSRP进行5G采样点RSRP的预测，关键在于确定4G采样点和5G采样点的对应关联关系。通过地理位置的相关性，建立5G采样点和4G采样点的关联性。
针对每个5G采样点，以5G采样点为中心，指定其周围的查找范围(这里的预设查找范围可以指水平距离范围，比如10米内)，根据水平距离和经纬度之间的数学关系，确定经纬度范围，查找在此范围内4G采样点(即至少一个第一目标采样点)。5G采样点范围内的4G采样点要超过一定数量(即大于预设阈值)，能够建立4G到5G的关联关系，并将该5G采样点为中心选定的所有4G采样点的RSRP的平均值作为回归建模中的动态参数。
在一种可能的设计中，本实施例在上述实施例的基础上，对S203进行了详细说明。根据所述第一参数值和所述第二参数值以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，可以通过以下步骤实现：
步骤b1、从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数。
步骤b2、根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型。本实施例中，首先从第一参数值和第二参数值中选取对网络覆盖情况存在影响的性能参数，比如发射功率、天线增益、穿透损耗、路径损耗等作为影响参数。然后将影响参数与有效样本形成多维特征数据作为训练模型的目标样本，进而通过目标样本，训练支持向量机回归模型，通过不断迭代优化模型参数，最终得到网络覆盖预测模型。
在一种可能的设计中，本实施例在上述实施例的基础上，对如何确定影响参数进行了详细说明。从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数，可以通过以下步骤实现：
步骤c1、根据路径损耗公式，确定影响路径损耗的目标参数；
步骤c2、根据所述目标参数，从所述第一参数值和所述第二参数值中获取所述目标参数以及与所述目标参数关联的参数；
步骤c3、将所述目标参数以及与所述目标参数关联的参数作为影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数。
本实施例中，根据路径损耗公式，影响4/5G RSRP的参数有发射功率、天线增益、穿透损耗和路径损耗。其中发射点和接收点之间的路径损耗受天线挂高、下倾角、方位角的影响，这些参数同样被考虑在内。另外4/5GRSRP还受地理位置的影响，这些影响难以通过设备检测，而4G RSRP和采样点经纬度中已经包含了隐性地理位置信息，通过对4G RSRP的数据挖掘，可将地理位置信息的影响加入5G RSRP预测，从而使预测结果更加准确。参见表1所示的模型参数选取。
表1模型参数选取
Figure BDA0003325963330000101
Figure BDA0003325963330000111
其中，4/5G发射功率、4/5G天线增益、4G穿透损耗、4G路径损耗为静态参数，4GRSRP是随着测试点经纬度变化相关的动态参数。
在一种可能的设计中，本实施例在上述实施例的基础上，对如何训练模型进行了详细说明。其中，影响参数包括：第四代通讯技术网络的发射功率、第四代通讯技术网络的天线增益、第四代通讯技术网络的穿透损耗、第四代通讯技术网络的路径损耗、第五代移动通信技术网络的发射功率以及第五代移动通信技术网络的天线增益。根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，可以通过以下步骤实现：
步骤e1、针对所述有效样本中每个所述第二采样点，将与所述第二采样点对应的至少一个所述第一目标采样点的参考信号接收功率的平均值作为一个目标样本的动态参数，并且将所述影响参数作为所述目标样本的静态参数，并且将第二采样点的第五代移动通信技术网络的参考信号接收功率作为所述目标样本的标记值；
步骤e2、根据各个所述目标样本，通过修正支持向量机回归模型的参数，确定网络覆盖预测模型。
本实施例中，基于支持向量机回归建立预测模型具体可以为：
SVR是广泛应用于趋势预测的机器学习算法，其核心思想是将输入样本空间(xi,yi)映射到高维空间x→φ(x)实现线性回归，得到非线性回归函数用于预测。其中i＝1，2，...l，xi∈Rn，Rn为n维实数集，yi∈R。
其中，SVR来源于支持向量机(supportvector machine，SVM)，SVM要求构建超平面距离，使最近的样本与超平面之间的距离最大，从而实现样本分类，而SVR则要求样本与回归曲线f(x)＝ωTφ(x)+b间的总偏差最小，从而实现样本回归，其中ω为权值，b为偏置向量。其最优化问题表示为:
Figure BDA0003325963330000121
式(1)中C为惩罚参数；ξi，
Figure BDA0003325963330000122
为松弛变量。
约束条件为：
Figure BDA0003325963330000123
式(2)中:ε为回归误差。
利用拉格朗日乘子法求解式(1)的优化问题，通常采用高斯核函数实现高维空间映射。
具体地，在完成了有效样本筛选和影响参数确定的基础上，构建具有多维特征的样本数据(即目标样本)，并按6:4划分训练集和测试集，以5G RSRP作为输出结果，构建支持向量机回归模型。首先将多维特征参数映射到高维空间，通过拉格朗日函数优化方法对数据进行拟合，构建超平面，实现4G RSRP到5G RSRP的回归映射。
然后进行模型寻优：支持向量机回归算法的关键参数主要有核函数、惩罚系数等。本实施例利用核函数、gamma值和惩罚系数的不同组合方式进行模型优化迭代，最终确定最优的参数组合，如表2所示。
表2模型最优参数
参数 取值
核函数 高斯函数
gamma 1
C 3
通过样本点的筛选和模型的优化，以4G RSRP作为动态输入，发射功率、天线增益、路径损耗等参数作为静态输入，以5G RSRP为输出结果，建立支持向量机回归模型，模型预测正确率较高。
图3为本申请再一实施例提供的网络覆盖预测方法的流程示意图。结合图3所示，通过支持向量机回归对采集的网格特征数据进行处理，实现对5G网络能力的仿真评估，主要流程可以包括数据预处理、特征选择、回归模型生成、参数优化、数据回归分析、模型评价。
具体地，将获取到的样本点数据进行数据可视化操作，然后对数据样本分析以及对有效样本筛选，同时，基于4G，5G信号差异以及影响参数，实现SVR建模，并对模型进行参数优化，回归分析输出并对结果评价，实现网络覆盖预测模型的构建。
在一种可能的设计中，在构建完成网络覆盖预测模型之后，该网络覆盖预测方法还可以通过以下步骤实现：
步骤f1、获取待预测区域内的测试点的经纬度、在所述待预测区域内以第四代通讯技术网络中参考信号接收功率为第三采样点的参考信号接收功率、经纬度和第一参数、第二参数；
步骤f2、根据所述测试点的经纬度和所述第三采样点的参考信号接收功率、经纬度，从各个所述第三采样点中确定所述测试点对应的各个第三目标采样点；
步骤f3、根据各个所述第三目标采样点的参考信号接收功率的平均值、第一参数、第二参数，通过网络覆盖预测模型，得到第五代移动通信技术网络的参考信号接收功率的预测结果，所述预测结果用于为评估规划建设第五代移动通信技术网络的需求提供数据参考。
本实施例中，对某一区域或某些区域进行5G网络覆盖情况的预测时，首先获取网络覆盖预测模型所需的输入量：该区域内4G采样点的参考信号接收功率的平均值以及影响参数，将平均值以及影响参数输入到网络覆盖预测模型中，输出5G网络的参考信号接收功率的预测结果。其中，平均值的计算与上述实施例中构建模型时确定的平均值的方式相同，在此不再赘述。
由于现实环境和网络复杂性，5G网络规划使用的传统仿真方法误差较大，参考价值较小，因此，本申请利用4G网络最小化路测数据模拟现网传播环境，使5G无线网覆盖智能预测结果更贴近实际，能够有效支撑5G网络的规划建设工作。
本申请通过建立了支持向量机回归模型，利用核函数、gamma值和惩罚系数的不同组合方式迭代选优确定了最优参数组合，实现了基于4G网络最小化路测数据及相关参数，智能预测5G无线网络覆盖效果，预测精度较高，且成本低、高效。
为了实现所述网络覆盖预测方法，本实施例提供了一种网络覆盖预测装置。参见图4，图4为本申请实施例提供的网络覆盖预测装置的结构示意图；所述网络覆盖预测装置40，包括：数据获取模块401、数据处理模块402、预测模型建立模块403；数据获取模块401，用于获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据和所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；数据处理模块402，用于对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；预测模型建立模块403，用于根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
本实施例通过设置数据获取模块401、数据处理模块402、预测模型建立模块403，用于通过获取第一采样点(即4G采样点)的数据和第二采样点(即5G采样点)的数据，对采样点的数据进行分析，筛选出有效样本，通过有效样本以及第一基站(4G基站)和第二基站(5G基站)的固有参数(这里的固有参数是从第一参数值和第二参数值中确定的)，利用人工智能技术，通过支持向量机回归(SVR)应用，对4G采样点的数据进行处理，准确有效地实现对5G无线网络覆盖能力的预测，进而支撑后续的规划建设5G网络的需求。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
在一种可能的设计中，所述数据处理模块，具体用于：
以各个所述第二采样点为中心，执行下述步骤：根据预设查找范围以及所述第二采样点的经纬度，确定经纬度范围；根据所述经纬度范围以及各个所述第一采样点的经纬度，从各个所述第一采样点中确定与所述第二采样点存在关联关系的第一目标采样点；
将各个所述第一目标采样点以及各个所述第二采样点作为有效样本；
其中，一个第二采样点对应至少一个第一目标采样点。
在一种可能的设计中，预测模型建立模块，包括评估单元；第一预测单元和第二预测单元；第一预测单元，用于从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数；第二预测单元，用于根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型。
在一种可能的设计中，第一预测单元，具体用于：
根据路径损耗公式，确定影响路径损耗的目标参数；
根据所述目标参数，从所述第一参数值和所述第二参数值中获取所述目标参数以及与所述目标参数关联的参数；
将所述目标参数以及与所述目标参数关联的参数作为影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数。
在一种可能的设计中，所述影响参数包括：第四代通讯技术网络的发射功率、第四代通讯技术网络的天线增益、第四代通讯技术网络的穿透损耗、第四代通讯技术网络的路径损耗、第五代移动通信技术网络的发射功率以及第五代移动通信技术网络的天线增益；所述第二预测单元，具体用于：
针对所述有效样本中每个所述第二采样点，将与所述第二采样点对应的至少一个所述第一目标采样点的参考信号接收功率的平均值作为一个目标样本的动态参数，并且将所述影响参数作为所述目标样本的静态参数，并且将第二采样点的第五代移动通信技术网络的参考信号接收功率作为所述目标样本的标记值；
根据各个所述目标样本，通过修正支持向量机回归模型的参数，确定网络覆盖预测模型。
在一种可能的设计中，所述装置还可以包括：预测模块；预测模块，用于获取待预测区域内的测试点的经纬度、在所述待预测区域内以第四代通讯技术网络中参考信号接收功率为第三采样点的参考信号接收功率、经纬度和第一参数值、第二参数值；根据所述测试点的经纬度和所述第三采样点的参考信号接收功率、经纬度，从各个所述第三采样点中确定所述测试点对应的各个第三目标采样点；根据各个所述第三目标采样点的参考信号接收功率的平均值、第一参数值、第二参数值，通过网络覆盖预测模型，得到第五代移动通信技术网络的参考信号接收功率的预测结果。
在一种可能的设计中，所述装置还可以包括：可视化模块；所述可视化模块，用于根据第一采样点的数据中的经纬度以及第二采样点的数据中的经纬度，确定各个采样点的分布信息；根据分布信息，对各个采样点进行可视化操作。
为了实现所述网络覆盖预测方法，本实施例提供了一种网络覆盖预测设备。图5为本申请实施例提供的网络覆盖预测设备的结构示意图。如图5所示，本实施例的网络覆盖预测设备50包括：处理器501以及存储器502；其中，存储器502，用于存储计算机执行指令；处理器501，用于执行存储器存储的计算机执行指令，以实现上述实施例中所执行的各个步骤。具体可以参见上述方法实施例中的相关描述。
本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上述的网络覆盖预测方法。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，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，例如多个模块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，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个单元中。上述模块成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application SpecificIntegrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(PeripheralComponent，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
一种示例性的存储介质耦合至处理器，从而使处理器能够从该存储介质读取信息，且可向该存储介质写入信息。当然，存储介质也可以是处理器的组成部分。处理器和存储介质可以位于专用集成电路(Application Specific Integrated Circuits，简称：ASIC)中。当然，处理器和存储介质也可以作为分立组件存在于电子设备或主控设备中。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (10)

1.一种网络覆盖预测方法，其特征在于，包括：
获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据，所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；
对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；
根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
2.根据权利要求1所述的方法，其特征在于，所述对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本，包括：
以各个所述第二采样点为中心，执行下述步骤：根据预设查找范围以及所述第二采样点的经纬度，确定经纬度范围；根据所述经纬度范围以及各个所述第一采样点的经纬度，从各个所述第一采样点中确定与所述第二采样点存在关联关系的第一目标采样点；
将各个所述第一目标采样点以及各个所述第二采样点作为有效样本；
其中，一个第二采样点对应至少一个第一目标采样点。
3.根据权利要求2所述的方法，其特征在于，所述根据所述第一参数值和所述第二参数值以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，包括：
从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数；
根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型。
4.根据权利要求3所述的方法，其特征在于，所述从所述第一参数值和所述第二参数值中确定影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数，包括：
根据路径损耗公式，确定影响路径损耗的目标参数；
根据所述目标参数，从所述第一参数值和所述第二参数值中获取所述目标参数以及与所述目标参数关联的参数；
将所述目标参数以及与所述目标参数关联的参数作为影响第四代通讯技术网络以及第五代移动通信技术网络的影响参数。
5.根据权利要求4所述的方法，其特征在于，所述影响参数包括：第四代通讯技术网络的发射功率、第四代通讯技术网络的天线增益、第四代通讯技术网络的穿透损耗、第四代通讯技术网络的路径损耗、第五代移动通信技术网络的发射功率以及第五代移动通信技术网络的天线增益；
所述根据所述影响参数以及所述有效样本，训练支持向量机回归模型，得到网络覆盖预测模型，包括：
针对所述有效样本中每个所述第二采样点，将与所述第二采样点对应的至少一个所述第一目标采样点的参考信号接收功率的平均值作为一个目标样本的动态参数，并且将所述影响参数作为所述目标样本的静态参数，并且将第二采样点的第五代移动通信技术网络的参考信号接收功率作为所述目标样本的标记值；
根据各个所述目标样本，通过修正支持向量机回归模型的参数，确定网络覆盖预测模型。
6.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
获取待预测区域内的测试点的经纬度、在所述待预测区域内以第四代通讯技术网络中参考信号接收功率为第三采样点的参考信号接收功率、经纬度和第一参数值、第二参数值；
根据所述测试点的经纬度和所述第三采样点的参考信号接收功率、经纬度，从各个所述第三采样点中确定所述测试点对应的各个第三目标采样点；
根据各个所述第三目标采样点的参考信号接收功率的平均值、第一参数值、第二参数值，通过网络覆盖预测模型，得到第五代移动通信技术网络的参考信号接收功率的预测结果。
7.根据权利要求1-5任一项所述的方法，其特征在于，所述方法还包括：
根据第一采样点的数据中的经纬度以及第二采样点的数据中的经纬度，确定各个采样点的分布信息；
根据分布信息，对各个采样点进行可视化操作。
8.一种网络覆盖预测装置，其特征在于，包括：
数据获取模块，用于获取样本点数据，所述样本点数据包括同一目标小区内的第一采样点的数据和第二采样点的数据，所述第一采样点的数据为以第四代通讯技术网络中参考信号接收功率为采样点的数据和所述第二采样点的数据为以第五代移动通信技术网络中参考信号接收功率为采样点的数据，所述第一采样点的数据和所述第二采样点的数据均包括采样点的参考信号接收功率和经纬度，所述第一采样点的数据还包括所述目标小区对应的第一基站的第一参数值，所述第二采样点的数据还包括和所述目标小区对应的第二基站的第二参数值，所述第一基站为所述第四代通讯技术网络对应的基站，所述第二基站为以所述第五代移动通信技术网络对应的基站；
数据处理模块，用于对所述第一采样点的数据和所述第二采样点的数据进行分析，确定有效样本；
预测模型建立模块，用于根据所述第一参数值和所述第二参数值以及所述有效样本对应的样本点数据，训练支持向量机回归模型，得到网络覆盖预测模型，所述网络覆盖预测模型用于预测第五代移动通信技术网络的覆盖效果。
9.一种网络覆盖预测设备，其特征在于，包括：至少一个处理器和存储器；
所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1-7任一项所述的网络覆盖预测方法。
10.一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中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如权利要求1-7任一项所述的网络覆盖预测方法。
CN202111262627.0A 2021-10-28 2021-10-28 网络覆盖预测方法、装置、设备及存储介质 Active CN113890833B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111262627.0A CN113890833B (zh) 2021-10-28 2021-10-28 网络覆盖预测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111262627.0A CN113890833B (zh) 2021-10-28 2021-10-28 网络覆盖预测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN113890833A CN113890833A (zh) 2022-01-04
CN113890833B true CN113890833B (zh) 2023-06-13

Family

ID=79013825

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111262627.0A Active CN113890833B (zh) 2021-10-28 2021-10-28 网络覆盖预测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN113890833B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114845317A (zh) * 2022-05-30 2022-08-02 深圳市有方科技股份有限公司 运营商覆盖情况的分析方法、装置和存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015089636A1 (en) * 2013-12-20 2015-06-25 Thales Canada Inc. Method and system for estimating a topology of a network and its use in a mobile ad hoc radio network
CN108810911A (zh) * 2018-06-04 2018-11-13 南京邮电大学 一种基于数据挖掘的低功耗广域网网络规划方法
WO2019211792A1 (en) * 2018-05-02 2019-11-07 Jerusalem College Of Technology Machine learning methods for sir prediction in cellular networks
CN110831019A (zh) * 2019-12-04 2020-02-21 中通服建设有限公司 基站规划方法、装置、计算机设备和存储介质
EP3661249A1 (en) * 2018-11-29 2020-06-03 Nokia Solutions and Networks Oy Measurement-based wireless communications network design
CN111988785A (zh) * 2019-05-21 2020-11-24 大唐移动通信设备有限公司 一种5g网络覆盖处理方法及装置
CN112004233A (zh) * 2020-08-31 2020-11-27 南京邮电大学 一种基于大数据挖掘的网络规划方法
CN113112099A (zh) * 2021-05-14 2021-07-13 国网河北省电力有限公司经济技术研究院 电网日电量预测模型训练方法和电网日电量预测方法
CN113329437A (zh) * 2021-06-07 2021-08-31 北京邮电大学 无线网络信号传播路径损耗预测方法及电子设备
EP4072188A1 (en) * 2021-04-06 2022-10-12 Juniper Networks, Inc. Detection of insufficient rf coverage areas in a wireless network

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015089636A1 (en) * 2013-12-20 2015-06-25 Thales Canada Inc. Method and system for estimating a topology of a network and its use in a mobile ad hoc radio network
WO2019211792A1 (en) * 2018-05-02 2019-11-07 Jerusalem College Of Technology Machine learning methods for sir prediction in cellular networks
CN108810911A (zh) * 2018-06-04 2018-11-13 南京邮电大学 一种基于数据挖掘的低功耗广域网网络规划方法
EP3661249A1 (en) * 2018-11-29 2020-06-03 Nokia Solutions and Networks Oy Measurement-based wireless communications network design
CN111246488A (zh) * 2018-11-29 2020-06-05 诺基亚通信公司 基于测量的无线通信网络设计
CN111988785A (zh) * 2019-05-21 2020-11-24 大唐移动通信设备有限公司 一种5g网络覆盖处理方法及装置
CN110831019A (zh) * 2019-12-04 2020-02-21 中通服建设有限公司 基站规划方法、装置、计算机设备和存储介质
CN112004233A (zh) * 2020-08-31 2020-11-27 南京邮电大学 一种基于大数据挖掘的网络规划方法
EP4072188A1 (en) * 2021-04-06 2022-10-12 Juniper Networks, Inc. Detection of insufficient rf coverage areas in a wireless network
CN113112099A (zh) * 2021-05-14 2021-07-13 国网河北省电力有限公司经济技术研究院 电网日电量预测模型训练方法和电网日电量预测方法
CN113329437A (zh) * 2021-06-07 2021-08-31 北京邮电大学 无线网络信号传播路径损耗预测方法及电子设备

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"A machine learning approach for SNR prediction in 5G systems";K Saija等;《IEEE》;全文 *
"Research on wireless coverage area detection technology for 5G mobile communication networks";H Wang等;《International Journal of Distributed》;全文 *
"基于MR的移动无线网络规划的可靠性分析";王宜科;《邮电设计技术 》;全文 *
"基于人工智能的5G无线网络智能规划和优化";左扬;《电信科学》;全文 *
刘娅汐."移动通信网络覆盖计算与优化方法研究".《中国优秀博士学位论文全文数据库》.2021,全文. *
李军."5G无线网络智能规划与仿真".《电信科学》.2020,全文. *

Also Published As

Publication number Publication date
CN113890833A (zh) 2022-01-04

Similar Documents

Publication Publication Date Title
US11206555B2 (en) Method for implementing antenna azimuth correction based on user data
CN111327377B (zh) 场强预测方法、装置、设备及存储介质
CN111028016A (zh) 销量数据预测方法、装置以及相关设备
US11568179B2 (en) Selecting an algorithm for analyzing a data set based on the distribution of the data set
CN112069281A (zh) 兴趣点位置的确定方法、装置、计算机设备及存储介质
Zagouras et al. Clustering the solar resource for grid management in island mode
CN106162559A (zh) 用于在无线通信系统中估计位置的设备和方法
CN110134907A (zh) 一种降雨缺失数据填补方法、系统及电子设备
CN113890833B (zh) 网络覆盖预测方法、装置、设备及存储介质
CN113378473A (zh) 一种基于机器学习模型的地下水砷风险预测方法
CN108133234B (zh) 基于稀疏子集选择算法的社区检测方法、装置及设备
CN104635206B (zh) 一种无线定位的方法及装置
CN114462294A (zh) 一种两阶段代理模型辅助参数估计方法以及系统
CN112566143B (zh) 负载均衡方法、装置及计算设备
CN110233684B (zh) 信噪比评估方法、装置、设备及存储介质
CN108495262B (zh) 室内空间泛在定位信号指纹库稀疏表征和匹配定位方法
CN111835541B (zh) 一种流量识别模型老化检测方法、装置、设备及系统
Liu et al. A method for deterministic statistical downscaling of daily precipitation at a monsoonal site in Eastern China
CN114157374A (zh) 小区无线信号强度预测方法和装置、计算机可读存储介质
Abo et al. Sampling density and frequency as data quality determinants in smart grids
CN114095947B (zh) 一种网络覆盖评估方法、装置、电子设备及存储介质
CN117272118B (zh) 一种t/r组件健康状态预测方法、系统、设备和介质
CN113807654B (zh) 网络运营指标的评估方法、电子设备及存储介质
CN112533253B (zh) 移动网络信号强度计算方法、装置、电子设备及存储介质
CN117175664B (zh) 基于使用场景的储能充电设备输出功率自适应调节系统

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
GR01 Patent grant
GR01 Patent grant