CN114066184A - 一种区域覆盖的评估方法、装置和电子设备 - Google Patents
一种区域覆盖的评估方法、装置和电子设备 Download PDFInfo
- Publication number
- CN114066184A CN114066184A CN202111290657.2A CN202111290657A CN114066184A CN 114066184 A CN114066184 A CN 114066184A CN 202111290657 A CN202111290657 A CN 202111290657A CN 114066184 A CN114066184 A CN 114066184A
- Authority
- CN
- China
- Prior art keywords
- data
- total number
- area
- evaluated
- evaluation
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Educational Administration (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明提供了一种区域覆盖的评估方法、装置和电子设备,涉及通信技术领域,解决了运营商如何评估网络中各个小区的覆盖有效性的问题。该方法包括:获取待评估区域的评估数据;其中,评估数据至少包括场点数据、统计数据、网络数据和路测数据;根据预先存储的评估模型和评估数据,确定待评估区域的评估结果;其中,评估模型包括评估数据与评估结果的对应关系。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种区域覆盖的评估方法、装置和电子设备。
背景技术
随着施工、优化调整、天线老化、基站周边环境变化或者新建基站的影响,导致小区的覆盖有效性变差,例如小区的信号质量差,小区的实际覆盖区域远小于预设覆盖区域,或者小区的实际覆盖区域远大于预设覆盖区域。而覆盖有效性差的小区会影响到用户设备(User Equipment,UE)对网络的使用。
因此,运营商如何评估网络中各个小区的覆盖有效性成为了一个亟待解决的问题。
发明内容
本发明提供一种区域覆盖的评估方法、装置和电子设备,解决了运营商如何评估网络中各个小区的覆盖有效性的问题。
为达到上述目的,本发明采用如下技术方案:
第一方面,本发明的实施例提供一种区域覆盖的评估方法,包括:获取待评估区域的评估数据;其中,评估数据至少包括场点数据、统计数据、网络数据和路测数据;根据预先存储的评估模型和评估数据,确定待评估区域的评估结果;其中,评估模型包括评估数据与评估结果的对应关系。
由上述可知,本发明提供的区域覆盖的评估方法,通过预先存储包括评估数据与评估结果的对应关系的评估模型,从而运维人员在对待评估区域进行评估时,在获得待评估区域的评估数据后,可以根据预先存储的评估模型和评估数据,确定待评估区域的评估结果。从而可以方便运维人员对待评估区域的区域覆盖进行评估,如此可以解决运营商如何评估网络中各个小区的覆盖有效性的问题。
一种可实现的方式中,场点数据至少包括:场点类型和场点等级;统计数据至少包括关键绩效指标KPI统计信息和测量报告MR统计信息,KPI统计信息至少包括日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间下行物理资源块PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间下行物理资源块PRB平均利用率,MR统计信息至少包括日间目标小区的采样点中参考信号接收功率RSRP大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例,网络数据至少包括待评估区域内包含的基站总数、宏小区总数、室分小区总数和至少一个基站距离待评估区域的中心点的距离,路测数据至少包括待评估区域对应的第一栅格总数、待评估区域对应的有数据传输的第二栅格总数、第二栅格总数与第一栅格总数的第一比值、待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、第三栅格总数与第一栅格总数的第二比值、待评估区域对应的无数据传输的第四栅格总数、第四栅格总数与第一栅格总数的第三比值、待评估区域的采样点总数、待评估区域的全部采样点采集的RSRP的平均值、待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、第五栅格总数与第一栅格总数的第四比值和第五栅格总数与第二栅格总数的第五比值。
一种可实现的方式中,获取待评估区域的评估数据前,本发明的实施例提供的区域覆盖的评估方法还包括:获取训练样本数据和对训练样本数据的评估结果;其中,训练样本数据至少包括样本场点数据、样本统计数据、样本网络数据和样本路测数据;将训练样本数据输入至梯度提升决策树GBDT模型中;基于模型评估指标AUC,确定GBDT模型输出的对训练样本数据的预测比对结果与评估结果是否匹配;当预测比对结果与评估结果不匹配时,反复循环地迭代更新训练样本数据,直至AUC对应的得分大于得分阈值时,确定GBDT模型收敛,得到评估模型。
第二方面,本发明提供一种区域覆盖的评估装置,包括:获取单元和处理单元。
获取单元,用于获取待评估区域的评估数据;其中,评估数据至少包括场点数据、统计数据、网络数据和路测数据;处理单元,用于根据预先存储的评估模型和获取单元获取的评估数据,确定待评估区域的评估结果;其中,评估模型包括评估数据与评估结果的对应关系。
一种可实现的方式中,场点数据至少包括:场点类型和场点等级;统计数据至少包括关键绩效指标KPI统计信息和测量报告MR统计信息,KPI统计信息至少包括日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间下行物理资源块PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间下行物理资源块PRB平均利用率,MR统计信息至少包括日间目标小区的采样点中参考信号接收功率RSRP大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例,网络数据至少包括待评估区域内包含的基站总数、宏小区总数、室分小区总数和至少一个基站距离待评估区域的中心点的距离,路测数据至少包括待评估区域对应的第一栅格总数、待评估区域对应的有数据传输的第二栅格总数、第二栅格总数与第一栅格总数的第一比值、待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、第三栅格总数与第一栅格总数的第二比值、待评估区域对应的无数据传输的第四栅格总数、第四栅格总数与第一栅格总数的第三比值、待评估区域的采样点总数、待评估区域的全部采样点采集的RSRP的平均值、待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、第五栅格总数与第一栅格总数的第四比值和第五栅格总数与第二栅格总数的第五比值。
一种可实现的方式中,获取单元,还用于获取训练样本数据和对训练样本数据的评估结果;其中,训练样本数据至少包括样本场点数据、样本统计数据、样本网络数据和样本路测数据;处理单元,还用于将获取单元获取的训练样本数据输入至梯度提升决策树GBDT模型中;处理单元,还用于基于模型评估指标AUC,确定GBDT模型输出的对训练样本数据的预测比对结果与评估结果是否匹配;处理单元,还用于当预测比对结果与评估结果不匹配时,反复循环地迭代更新训练样本数据,直至AUC对应的得分大于得分阈值时,确定GBDT模型收敛,得到评估模型。
第三方面,本发明提供一种电子设备,包括:通信接口、处理器、存储器、总线;存储器用于存储计算机执行指令,处理器与存储器通过总线连接。当电子设备运行时,处理器执行存储器存储的计算机执行指令,以使电子设备执行如上述第一方面提供的区域覆盖的评估方法。
第四方面,本发明提供一种计算机可读存储介质,包括指令。当所述指令在计算机上运行时,使得计算机执行如上述第一方面提供的区域覆盖的评估方法。
第五方面,本发明提供一种计算机程序产品,当所述计算机程序产品在计算机上运行时,使得所述计算机执行如第一方面的设计方式所述的区域覆盖的评估方法。
需要说明的是,上述计算机指令可以全部或者部分存储在第一计算机可读存储介质上。其中,第一计算机可读存储介质可以与电子设备的处理器封装在一起的,也可以与电子设备的处理器单独封装,本发明对此不作限定。
本发明中第二方面、第三方面、第四方面以及第五方面的描述,可以参考第一方面的详细描述;并且,第二方面、第三方面、第四方面以及第五方面的描述的有益效果,可以参考第一方面的有益效果分析,此处不再赘述。
在本发明中,上述电子设备的名字对设备或功能模块本身不构成限定,在实际实现中,这些设备或功能模块可以以其他名称出现。只要各个设备或功能模块的功能和本发明类似,属于本发明权利要求及其等同技术的范围之内。
本发明的这些方面或其他方面在以下的描述中会更加简明易懂。
附图说明
为了更清楚地说明本发明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发明的一些实施例,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1为本发明的实施例提供了一种区域覆盖的评估方法应用的通信系统;
图2为本发明的实施例提供了一种区域覆盖的评估方法的流程示意图之一;
图3为本发明的实施例提供了一种区域覆盖的评估方法的流程示意图之二;
图4为本发明的实施例提供了一种区域覆盖的评估方法的评估数据的示意图;
图5为本发明的实施例提供了一种区域覆盖的评估方法的GIS示意图;
图6为本发明的实施例提供了一种电子设备的结构示意图之一;
图7为本发明的实施例提供了一种电子设备的结构示意图之二;
图8为本发明实施例提供的区域覆盖的评估方法的计算机程序产品的结构示意图。
具体实施方式
下面结合附图,对本发明的实施例进行描述。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分,本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定。
图1为本发明实施例提供的一种区域覆盖的评估方法应用的通信系统,如图1所示,该系统架构可以包括:服务器1和待评估区域2。
其中,服务器1通过获取待评估区域2的评估数据,从而服务器1可以根据该预先存储的评估模型和该待评估区域2的评估数据,确定该待评估区域2的评估结果。
本发明的实施例中的电子设备可以是图1中示出的服务器1,也可以是服务器1中的一部分装置。例如服务器1中的芯片系统。该芯片系统用于支持服务器1实现第一方面及其任意一种可能的实现方式中所涉及的功能。例如,获取待评估区域2的评估数据,根据该预先存储的评估模型和该待评估区域2的评估数据,确定该待评估区域2的评估结果。该芯片系统包括芯片,也可以包括其他分立器件或电路结构。
在本公开中所用的一些术语具有其在业界普通和习惯的意义。另外,对一些术语在本说明书中出现时会加以解释。但理解在本文中特别使用的几个术语会有所帮助。
3G是第三代移动通信技术(3rd-Generation)。
GeoJSON是一种对各种地理数据结构进行编码的格式,基于Javascript对象表示法(JavaScript Object Notation,JSON)的地理空间信息数据交换格式。
XGBoost是一个优化的分布式梯度增强库,旨在实现高效,灵活和便携。它在Gradient Boosting框架下实现机器学习算法。XGBoost提供并行树提升(也称为GBDT,GBM),可以快速准确地解决许多数据科学问题。相同的代码在主要的分布式环境(Hadoop,SGE,MPI)上运行,并且可以解决数十亿个示例之外的问题
现有技术中,由于覆盖有效性差的小区会影响到UE对网络的使用,因此运营商需要一种可以评估网络中各个小区的覆盖有效性方法。为此,本发明的实施例提供的一种区域覆盖的评估方法,通过预先存储包括评估数据与评估结果的对应关系的评估模型,从而运维人员在对待评估区域进行评估时,在获得待评估区域的评估数据后,可以根据预先存储的评估模型和评估数据,确定待评估区域的评估结果,从而可以方便运维人员对待评估区域的区域覆盖进行评估,如此可以解决运营商如何评估网络中各个小区的覆盖有效性的问题,具体的实现过程如下:
以下结合图1示出的通信系统,以电子设备为服务器1为例,对本发明实施例所提供的区域覆盖的评估方法进行介绍。
如图2所示,区域覆盖的评估方法包括以下步骤S11和S12的内容:
S11、服务器1获取待评估区域的评估数据。其中,评估数据至少包括场点数据、统计数据、网络数据和路测数据。
S12、服务器1根据预先存储的评估模型和评估数据,确定待评估区域的评估结果。其中,评估模型包括评估数据与评估结果的对应关系。
由上述可知,本发明提供的区域覆盖的评估方法,服务器1通过预先存储包括评估数据与评估结果的对应关系的评估模型,从而运维人员在对待评估区域进行评估时,可以通过服务器1获得待评估区域的评估数据。然后,服务器1可以根据预先存储的评估模型和评估数据,确定待评估区域的评估结果。从而可以方便运维人员对待评估区域的区域覆盖进行评估,如此可以解决运营商如何评估网络中各个小区的覆盖有效性的问题。
在一种可实现的方式中,场点数据至少包括:场点类型和场点等级。
统计数据至少包括关键绩效指标(Key Performance Indicator,KPI)统计信息和测量报告(Measurement Report,MR)统计信息,KPI统计信息至少包括日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间下行物理资源块(physical resource block,PRB)平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间PRB平均利用率,MR统计信息至少包括日间目标小区的采样点中参考信号接收功率(Reference Signal Receiving Power,RSRP)大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例。网络数据至少包括待评估区域内包含的基站总数、宏小区总数、室分小区总数和至少一个基站距离待评估区域的中心点的距离,路测数据至少包括待评估区域对应的第一栅格总数、待评估区域对应的有数据传输的第二栅格总数、第二栅格总数与第一栅格总数的第一比值、待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、第三栅格总数与第一栅格总数的第二比值、待评估区域对应的无数据传输的第四栅格总数、第四栅格总数与第一栅格总数的第三比值、待评估区域的采样点总数、待评估区域的全部采样点采集的RSRP的平均值、待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、第五栅格总数与第一栅格总数的第四比值和第五栅格总数与第二栅格总数的第五比值。
具体的,日间目标制式平均倒流比等于待评估区域内全部小区在日间的目标制式倒流比的平均值。
具体的,日间单小区平均空口业务流量等于待评估区域内全部小区在日间的空口业务流量的平均值。
具体的,日间下行PRB平均利用率等于待评估区域内全部小区在日间的下行PRB的平均值。
具体的,夜间目标制式平均倒流比等于待评估区域内全部小区在夜间的目标制式倒流比的平均值。
具体的,夜间单小区平均空口业务流量等于待评估区域内全部小区在夜间的空口业务流量的平均值。
具体的,夜间下行PRB平均利用率等于待评估区域内全部小区在夜间的下行PRB的平均值。
具体的,日间目标小区的采样点中RSRP大于或等于预设阈值的第一采样点比例等于待评估区域在日间的RSRP大于或等于预设阈值的采样点总数与待评估区域在日间的采样点总数的比值。
具体的,夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例等于待评估区域在夜间的RSRP大于或等于预设阈值的采样点总数与待评估区域在夜间的采样点总数的比值。
在一种可实现的方式中,结合图2,如图3所示,本申请实施例提供的区域覆盖的评估方法还包括:
S13、服务器1获取训练样本数据和对训练样本数据的评估结果。其中,训练样本数据至少包括样本场点数据、样本统计数据、样本网络数据和样本路测数据。
在一些示例中,为了更加准确地获取评估模型,本发明实施例提供的区域覆盖的评估方法,通过将已有小区的历史评估数据作为训练样本数据,将已有小区的历史评估数据对应的评估结果作为训练样本数据的评估结果。从而在将训练样本数据输入至评估模型中时,可以对应评估模型给出的评估结果与训练样本数据的评估结果是否相同,从而可以不断地迭代评估模型,保证评估模型给出的评估结果的准确性。
具体的,已有小区的历史评估数据的第一原始数据包括:工程参数数据,场点信息数据,KPI数据,MR数据和最小化路测(Minimization of Drive-Test,MDT)数据和投诉数据。其中,工程参数数据至少包括:基站站型、站高、天线方向角、下倾角、基站位置经纬度。场点信息数据至少包括:场点分类、场点重要性分级、场点地理边界信息。KPI数据,具体信息至少包括:向低优先级制式的切换发起次数、倒流比、上行PRB利用率和下行PRB利用率。投诉数据至少包括:覆盖问题相关的投诉位置、投诉次数。
需要说明的是,场点信息的统计时长越长,越能够反映出该待评估区域的实际情况。如:统计第一预设时长的KPI数据,统计第二预设时长的MR数据,统计第三预设时长的MDT数据和统计第四预设时长的投诉数据,第一预设时长、第二预设时长、第三预设时长和第四预设时长四者可以相同也可以不同。示例性的,第一预设时长可以为30天、第二预设时长可以为31天、第三预设时长可以为28天、第四预设时长可以为29天;或者第一预设时长、第二预设时长、第三预设时长和第四预设时长四者均为30天。
已有小区的历史评估数据的评估结果的第二原始数据包括:运维人员根据已有小区的历史评估数据给出的评估结果。示例性的,以采用二分类对评估结果进行划分,划分后的评估结果包括达标和不达标。以采用多分类对评估结果进行划分,划分后的评估结果包括优、良、中和差等。
至此,服务器1已拿到第一原始数据,以及第二原始数据。为了更好地分析,需要对第一原始数据,以及第二原始数据进行数据处理,从而得到便于分析的数据。具体的,对第一原始数据,以及第二原始数据进行数据处理的过程如下:
一、确定待评估区域中包含的至少一个基站。
基于待评估区域的地理边界数据(地理边界数据为待评估区域的地理边界的多边形的位置信息的集合。示例性的,该集合中的位置信息可采用geojson字符串记录)和基站的位置信息,确定处于待评估区域边界内的基站列表,并存入场点信息数据中。
优选的,由于边界外的基站也会对待评估区域内区域起到覆盖作用,因此可以将待评估区域的边界扩大x米,再进行待评估区域内基站的确定过程。如:x等于50。
二、计算待评估区域的中心点对应的位置信息。
优选的,采用多边形重心算法计算待评估区域的中心点的位置信息。示例性的,以该位置信息采用全球定位系统(Global Positioning System,GPS)为例,中心点的位置信息包括经度和纬度。
三、确定待评估区域中包含的栅格数据。
对MDT数据进行地理栅格化处理。如采用方形栅格,栅格大小为m×m米。如m等于30,服务器1按照30m×30m的方形栅格对MDT数据进行地理栅格化处理,从而可以确定待评估区域中包含的栅格数据。
四、对KPI数据和MR数据进行汇总,以确定场点数据、统计数据、网络数据和路测数据。
首先,将预设时长内的KPI数据进行统计汇总处理,针对不同类型的数据进行不同的统计处理。如数量类的数据,例如小区数、业务流量等,执将相同数据的数量类数据进行求和统计。对应百分比类的数据,例如PRB平均利用率等,采用区域范围内小区平均值进行处理。如待分析小区包含2个小区,分别为小区1和小区2,小区1的上行业务流量为300M,小区2的上行业务流量为200M,在对待分析小区的上行业务流量进行统计时,需将小区1和小区2二者的上行业务流量进行求和,从而可以确定待分析小区的上行业务流量为500M。又例如:待分析小区包含2个小区,分别为小区1和小区2,小区1的PRB平均利用率为80%,小区2的PRB平均利用率为90%,在对待分析小区的PRB平均利用率进行统计时,需将小区1和小区2二者的PRB平均利用率进行平均,从而可以确定待分析小区的上行业务流量为
然后,将数据处理过后的第一原始数据,以及第二原始数据进行归纳,形成特征项。示例性的,可以将待评估区域称之为“场点”。如待评估区域的场点类型为高校,目标大学是其中一个具体场点,用于覆盖目标大学的小区均为隶属于该场点的小区。历史评估数据以场点为样本进行特征项归类,既数据集的每一行为一个场点,每一列为该场点的不同特征项。其中,特征项可以为日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量、夜间PRB平均利用率、日间目标小区的采样点中RSRP大于或等于预设阈值的第一采样点比例、夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例、待评估区域内包含的基站总数、宏小区总数、室分小区总数、至少一个基站距离待评估区域的中心点的距离、待评估区域对应的第一栅格总数(也称为待评估区域的场点栅格总数)、待评估区域对应的有数据传输的第二栅格总数(也称为场点内有数据栅格总数)、第二栅格总数与第一栅格总数的第一比值、待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、第三栅格总数与第一栅格总数的第二比值、待评估区域对应的无数据传输的第四栅格总数、第四栅格总数与第一栅格总数的第三比值、待评估区域的采样点总数、待评估区域的全部采样点采集的RSRP的平均值、待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、第五栅格总数与第一栅格总数的第四比值和第五栅格总数与第二栅格总数的第五比值中的一项或者多项。
具体的,场点数据至少包括场点类型、场点等级、场点名称和场点标识码(Identity document,ID)。其中,场点类型:由运营商根据网络运营管理需求进行具体分类的定义,如高校、居民区、高铁车站、工业园区等。场点等级由运营商根据建设和运营的要求进行划分。如运营商根据该待评估区域的投资额进行场点等级划分。
具体的,统计数据至少包括KPI统计信息和MR统计信息。其中,KPI统计信息和MR统计信息的采集时间为日间和夜间,设日间时段为t1-t2,夜间时段为t3-t4。一般的,以计时方法为二十四小时制为例,建议t1等于7,t2等于19,t3等于20,t4等于1,如此,KPI统计信息和MR统计信息二者在日间的数据采集时间为早七点至晚七点,KPI统计信息和MR统计信息二者在夜间的数据采集时间为晚八点至次日凌晨1点。
针对每个场点下的全部小区,按照日间和夜间两个时段,对KPI统计信息进行汇总统计,如此可以确定日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间PRB平均利用率。示例性的,目标制式可以为第四代移动通信技术(the 4th generation mobile communication technology,4G),或者第五代移动通信技术(5th Generation Mobile Communication Technology,5G)。
然后,选择能代表覆盖需求的q个RSRP门限值(也称为预设阈值){thr1,thr2,thr3,…,thrq}。为避免维度爆炸,一般的q为大于0,且小于或等于10的整数。具体的,预设阈值建议选择典型业务覆盖要求、规划目标等具有特定意义的一些门限值。如:-110dbm对应路测要求门限、-110dbm对应规划覆盖门限、-112dbm对应volte覆盖门限等。
针对每个场点下的全部小区,按照日间和夜间两个时段,对MR统计信息进行汇总统计,从而得到日间目标小区的采样点中参考信号接收功率RSRP大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例。需要说明的是,当有多个预设阈值时,需要采集每一个预设阈值对应的第一采样点比例和第二采样点比例。如:包含2个预设阈值,分别为thr1和thr2。此时,服务器1需要确定日间目标小区的采样点中参考信号接收功率RSRP大于或等于thr1的第一采样点比例,确定日间目标小区的采样点中参考信号接收功率RSRP大于或等于thr2的第一采样点比例,确定夜间目标小区的采样点中RSRP大于或等于thr1的第二采样点比例,确定夜间目标小区的采样点中RSRP大于或等于thr2的第二采样点比例。
具体的,基于处于待评估区域边界内的基站列表,汇总统计每个场点内包含基站总数、每个场点内宏小区数量、每个场点内室分小区数量,从而得到网络数据中的待评估区域内包含的基站总数、宏小区总数、室分小区总数。然后,计算该基站列表中的每个基站距离待评估区域的中心点的距离。示例性的,为了便于计算可以在计算出待评估区域中的每个基站与待评估区域的中心点的距离后,筛选最近的N个小区的距离作为网络数据中至少一个基站距离待评估区域的中心点的距离。如N为3,此时服务器1在计算完每个基站与待评估区域的中心点的距离后,按照从小到大的顺序对每个距离进行排序,将距离最小的前3个距离,如距离1、距离2和距离3,距离1小于距离2,距离2小于距离3。然后,服务器1确定距离1、距离2和距离3为网络数据中至少一个基站距离待评估区域的中心点的距离。
具体的,通过待评估区域中包含的栅格数据,可以确定路测数据中的待评估区域对应的第一栅格总数、待评估区域对应的有数据传输的第二栅格总数、第二栅格总数与第一栅格总数的第一比值、待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数(也称为低采样点栅格数量)、第三栅格总数与第一栅格总数的第二比值(也称为低采样点栅格数量占比)、待评估区域对应的无数据传输的第四栅格总数(也称为空低栅格数量)和第四栅格总数与第一栅格总数的第三比值(也称为空低栅格数量占比)。
具体的,通过对场点内MDT数据进行统计,从而可以确定待评估区域的采样点总数、待评估区域的全部采样点采集的RSRP的平均值,以及场点内的RSRP累积分布函数(Cumulative Distribution Function,CDF)曲线。通过分析场点内的RSRP CDF曲线,从而可以确定待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数(也称为达标栅格数)、第五栅格总数与第一栅格总数的第四比值和第五栅格总数与第二栅格总数的第五比值。示例性的,目标阈值可以为q个RSRP门限值中的一个或多个。
优选的,RSRP CDF曲线分布输出的分段点选择无需过于精细,以免造成维度爆炸。
优选的,第四比值和第五比值主要区别在于分母不同,由于MDT数据在部分场点(如:室内、终端不支持)无数据或数据量极低,如此会影响统计结果。因此,对于第四比值和第五比值引入两种统计特征,能给数据集增加额外的信息量,保证计算的准确性。
S14、服务器1将训练样本数据输入至梯度提升决策树GBDT模型中。
一些示例中,在将训练样本数据输入至梯度提升决策树GBDT模型中时,需要对“特征项”特征进行编码。如:对场点类型、场点等级二者均执行标签编码label encoding。当评估结果分为两类(如达标和不达标),则执行二值编码。当评估结果分为多分类(如优、良、中和差),则执行独热编码onehot encoding。然后,将GBDT模型中的目标变量y设置为“评估结果”,将“特征项”作为输入数据矩阵X。
在另一些示例中,需将已有小区的历史评估数据和已有小区的历史评估数据的评估结果进行数据分割,形成训练数据集trainset=(X_train,y_train)和验证数据集testset=(X_test,y_test)。然后,将trainset数据作为训练数据,执行GBDT模型的fit训练,得到训练后的模型clf。其中,clf=GBDT(X_train,y_train,**param).fit,**param表示模型的可调参数。
为了验证GBDT模型的准确性,需要对训练后的模型clf进行模型验证。如:对testset数据集执行模型预测(predict),输出目标变量“评估结果”的预测结果y′,y′=clf.predict(X_test)。
S15、服务器1基于模型评估指标AUC,确定GBDT模型输出的对训练样本数据的预测比对结果与评估结果是否匹配。
在一些示例中,通过计算trainset数据中的y_test,与y′的得分,从而可以确定GBDT模型输出的对训练样本数据的预测比对结果与评估结果是否匹配。
如:采用模型评估指标(Area Under Curve,AUC)计算trainset数据中的y_test,与y′的得分,得分score=auc(ytest,y′)。
S16、服务器1当预测比对结果与评估结果不匹配时,反复循环地迭代更新训练样本数据,直至AUC对应的得分大于得分阈值时,确定GBDT模型收敛,得到评估模型。
在一些示例中,当score大于得分阈值时,认为GBDT模型收敛,保存模型。否则,通过调整“**param”,反复循环地迭代更新训练样本数据,直至AUC对应的得分大于得分阈值时,确定GBDT模型收敛,得到评估模型。
结合上述示例,服务器1获取待评估区域的评估数据包括如下步骤:
服务器1通过运营支撑系统(Operation Support Systems,OSS)采集本地网数据,从而可以确定工程参数数据、场点信息数据、KPI数据和MDT数据。
示例性的,以服务器1通过OSS采集本地网数据包括15个本地网络的数据为例,部分工程参数数据如表1-表3所示,部分场点信息数据如表4所示。其中,由于本地网数据采用逗号分隔值文件格式(Comma-Separated Values,CSV)记录数据,因此可以采用表格的方式展示数据。
表1
表2
表3
表4
具体的,场点信息数据中待评估区域的地理边界图层数据由单独的csv文件记录,地理边界存储为一个二维采样点组成的数据。示例性的,部分场点地理边界信息如表5所示。
表5
示例性的,以服务器1通过OSS采集31天的4G KPI数据为例,服务器1将采集到的KPI数据解析为结构化数据(二维表格),并按照小时汇总的结构化csv文件。其中,部分4GKPI数据的结构化csv文件如图4所示。
示例性的,以服务器1将MDT数据预处理为50x50米的栅格化数据为例进行说明,部分栅格化数据如表6-表11所示。
表6
表7
表8
表9
表10
表11
第一运营商RSRP≥-115采样点数 | 第一运营商RSRP≥-120采样点数 |
0 | 0 |
0 | 0 |
服务器1通过网管系统采集MR数据。通常MR数据采用可扩展标记语言(ExtensibleMarkup Language,XML)格式记录数据。
服务器1通过收集运维人员对本地网络的具体场点的路测(DRIVE TEST,DT)/通话质量测试(Call Quality Test,CQT)的测试数据、投诉处理出具和日常运营维护经验以及公司对不同场点的覆盖要求,确定已有小区的历史评估数据的评估结果。示例性的,部分已有小区的历史评估数据的评估结果如表12所示。
表12
具体的,本发明提供的实施例中,服务器1将待评估区域的边界扩大300米后计算落入待评估区域内的基站列表。然后,服务器1采用多边形重心算法计算场点的中心经纬度。示例性的,部分基站列表如表13所示。
表13
服务器1对MDT数据采用方形栅格进行地理栅格化处理。如:方形栅格的大小为50米×50米。示例性的,栅格化的MDT数据地理信息系统(Geographic Information System或Geo-Information system,GIS)示例如图5所示。
然后,服务器1根据工程参数数据、场点信息数据、KPI数据、MR数据、栅格化的MDT数据以及已有小区的历史评估数据的评估结果,确定场点数据、统计数据、网络数据和路测数据。
示例性的,预设阈值包含4个RSRP门限值,分别为thr1=-100dbm、thr2=-105dbm、thr3=-110dbm和thr4=-112dbm。
服务器1采用二分类对已有小区的历史评估数据的评估结果进行分类,确定每个评估结果。示例性的,评估结果包括“达标”与“不达标”。特征构建完毕后,形成待评估区域的评估数据,存储为csv文件。示例性的,待评估区域的部分评估数据如表14-表22所示。
表14
表15
表16
表17
表18
表19
表20
表21
表22
然后,服务器1采用GBDT算法的一种开源项目xgboost进行模型训练。示例性的,采用计算机编程语言为Python编写的GBDT模型训练代码如下:
1)对“类别”特征进行编码:对场点类型、场点等级执行label encoding编码;本实施例中覆盖评级为二分类,执行二值编码,将“达标”或“合格”映射为1,“达标”、“不达标”映射为0。
2)设置目标变量y=“评估结果”,全部特征项作为输入数据矩阵X。
3)将已有小区的历史评估数据和已有小区的历史评估数据的评估结果进行数据分割,形成训练数据集和验证数据集。
4)使用xgboost提供的XGB Classifer模型,设置模型通用参数,并将训练数据集输入XGB Classifer模型进行fit训练。
5)模型验证:对验证数据集执行模型预测(predict),输出目标变量“评估结果”的预测结果y′。计算trainset数据中的y_test,与y′的得分,选择AUC(Area Under Curve)作为模型验证指标。
6)XGB Classifer模型在训练数据集和验证数据集上的auc得分均超过得分阈值,如0.95,说明XGB Classifer模型的分类性能良好,可保存XGB Classifer模型以用来对评估数据进行场点覆盖评估。
示例性的,电子设备在运行XGB Classifer模型时的运行代码如下:
7)最后,服务器1按照上述方法采集新的网络多源数据并建立数据集,此时无需人工提供网络覆盖评估经验相关特征,将网络侧数据作为模型输入,由模型智能化的给出“评估结果”的预测,从而快速、低成本的完场点化的覆盖评估。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
本发明实施例可以根据上述方法示例对电子设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。需要说明的是,本发明实施例中对模块的划分是示意性的,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。
如图6所示,为本发明实施例提供的一种电子设备10的结构示意图。电子设备10用于获取待评估区域的评估数据;根据预先存储的评估模型和评估数据,确定待评估区域的评估结果。电子设备10可以包括获取单元101和处理单元102。
获取单元101,用于获取待评估区域的评估数据。例如,结合图2,获取单元101可以用于执行S11。结合图3,获取单元101可以用于执行S13。
处理单元102,用于根据预先存储的评估模型和评估数据,确定待评估区域的评估结果。例如,结合图2,处理单元102可以用于执行S12。结合图3,处理单元102可以用于执行S14、S15和S16。
其中,上述方法实施例涉及的各步骤的所有相关内容均可以援引到对应功能模块的功能描述,其作用在此不再赘述。
当然,本发明实施例提供的电子设备10包括但不限于上述模块,例如电子设备10还可以包括存储单元103。存储单元103可以用于存储该写电子设备10的程序代码,还可以用于存储写电子设备10在运行过程中生成的数据,如写请求中的数据等。
图7为本发明实施例提供的一种电子设备10的结构示意图,如图7所示,该电子设备10可以包括:至少一个处理器51、存储器52、通信接口53和通信总线54。
下面结合图7对电子设备的各个构成部件进行具体的介绍:
其中,处理器51是电子设备10的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器51是一个中央处理器(Central Processing Unit,CPU),也可以是特定集成电路(Application Specific Integrated Circuit,ASIC),或者是被配置成实施本发明实施例的一个或多个集成电路,例如:一个或多个DSP,或,一个或者多个现场可编程门阵列(Field Programmable Gate Array,FPGA)。
在具体的实现中,作为一种实施例,处理器51可以包括一个或多个CPU,例如图7中所示的CPU0和CPU1。且,作为一种实施例,电子设备可以包括多个处理器,例如图7中所示的处理器51和处理器55。这些处理器中的每一个可以是一个单核处理器(Single-CPU),也可以是一个多核处理器(Multi-CPU)。这里的处理器可以指一个或多个设备、电路、和/或用于处理数据(例如计算机程序指令)的处理核。
存储器52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(ElectricallyErasable Programmable Read-Only Memory,EEPROM)、只读光盘(Compact Disc 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52可以是独立存在,通过通信总线54与处理器51相连接。存储器52也可以和处理器51集成在一起。
在具体的实现中,存储器52,用于存储本发明中的数据和执行本发明的软件程序。处理器51可以通过运行或执行存储在存储器52内的软件程序,以及调用存储在存储器52内的数据,执行空调器的各种功能。
通信接口53,使用任何收发器一类的装置,用于与其他设备或通信网络通信,如无线接入网(Radio Access Network,RAN),无线局域网(Wireless Local Area Networks,WLAN)、终端、云端等。通信接口53可以包括获取单元实现接收功能。
通信总线54,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图7中仅用一条粗线表示,但并不表示仅有一根总线或一种类型的总线。
作为一个示例,结合图6,电子设备10中的获取单元101实现的功能与图7中的通信接口53的功能相同,处理单元102实现的功能与图7中的处理器51的功能相同,存储单元103实现的功能与图7中的存储器52的功能相同。
本发明另一实施例还提供一种计算机可读存储介质,该计算机可读存储介质中存储有指令,当指令在计算机上运行时,使得计算机执行上述方法实施例所示的方法。
在一些实施例中,所公开的方法可以实施为以机器可读格式被编码在计算机可读存储介质上的或者被编码在其它非瞬时性介质或者制品上的计算机程序指令。
图8示意性地示出本发明实施例提供的计算机程序产品的概念性局部视图,所述计算机程序产品包括用于在计算设备上执行计算机进程的计算机程序。
在一个实施例中,计算机程序产品是使用信号承载介质410来提供的。所述信号承载介质410可以包括一个或多个程序指令,其当被一个或多个处理器运行时可以提供以上针对图2描述的功能或者部分功能。因此,例如,参考图2中所示的实施例,S11和S12的一个或多个特征可以由与信号承载介质410相关联的一个或多个指令来承担。此外,图8中的程序指令也描述示例指令。
在一些示例中,信号承载介质410可以包含计算机可读介质411,诸如但不限于,硬盘驱动器、紧密盘(CD)、数字视频光盘(DVD)、数字磁带、存储器、只读存储记忆体(read-only memory,ROM)或随机存储记忆体(random access memory,RAM)等等。
在一些实施方式中,信号承载介质410可以包含计算机可记录介质412,诸如但不限于,存储器、读/写(R/W)CD、R/W DVD、等等。
在一些实施方式中,信号承载介质410可以包含通信介质413,诸如但不限于,数字和/或模拟通信介质(例如,光纤电缆、波导、有线通信链路、无线通信链路、等等)。
信号承载介质410可以由无线形式的通信介质413(例如,遵守IEEE802.41标准或者其它传输协议的无线通信介质)来传达。一个或多个程序指令可以是,例如,计算机可执行指令或者逻辑实施指令。
在一些示例中,诸如针对图2描述的写数据装置可以被配置为,响应于通过计算机可读介质411、计算机可记录介质412、和/或通信介质413中的一个或多个程序指令,提供各种操作、功能、或者动作。
通过以上的实施方式的描述,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,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。
在本发明所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以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,所述模块或单元的划分,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装置,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,机械或其它的形式。
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一个物理单元或多个物理单元,即可以位于一个地方,或者也可以分布到多个不同地方。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,在本发明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,可以存储在一个可读取存储介质中。基于这样的理解,本发明实施例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,该软件产品存储在一个存储介质中,包括若干指令用以使得一个设备(可以是单片机,芯片等)或处理器(processor)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种区域覆盖的评估方法,其特征在于,包括:
获取待评估区域的评估数据;其中,所述评估数据至少包括场点数据、统计数据、网络数据和路测数据;
根据预先存储的评估模型和所述评估数据,确定所述待评估区域的评估结果;其中,所述评估模型包括评估数据与评估结果的对应关系。
2.根据权利要求1所述的区域覆盖的评估方法,其特征在于,所述场点数据至少包括:场点类型和场点等级;所述统计数据至少包括关键绩效指标KPI统计信息和测量报告MR统计信息,所述KPI统计信息至少包括日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间下行物理资源块PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间下行物理资源块PRB平均利用率,所述MR统计信息至少包括日间目标小区的采样点中参考信号接收功率RSRP大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例,所述网络数据至少包括所述待评估区域内包含的基站总数、宏小区总数、室分小区总数和至少一个基站距离所述待评估区域的中心点的距离,所述路测数据至少包括所述待评估区域对应的第一栅格总数、所述待评估区域对应的有数据传输的第二栅格总数、所述第二栅格总数与第一栅格总数的第一比值、所述待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、所述第三栅格总数与第一栅格总数的第二比值、所述待评估区域对应的无数据传输的第四栅格总数、所述第四栅格总数与所述第一栅格总数的第三比值、所述待评估区域的采样点总数、所述待评估区域的全部采样点采集的RSRP的平均值、所述待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、所述第五栅格总数与所述第一栅格总数的第四比值和所述第五栅格总数与所述第二栅格总数的第五比值。
3.根据权利要求1所述的区域覆盖的评估方法,其特征在于,所述获取待评估区域的评估数据前,所述方法还包括:
获取训练样本数据和对所述训练样本数据的评估结果;其中,所述训练样本数据至少包括样本场点数据、样本统计数据、样本网络数据和样本路测数据;
将所述训练样本数据输入至梯度提升决策树GBDT模型中;
基于模型评估指标AUC,确定所述GBDT模型输出的对所述训练样本数据的预测比对结果与所述评估结果是否匹配;
当所述预测比对结果与所述评估结果不匹配时,反复循环地迭代更新所述训练样本数据,直至所述AUC对应的得分大于得分阈值时,确定所述GBDT模型收敛,得到所述评估模型。
4.一种区域覆盖的评估装置,其特征在于,包括:
获取单元,用于获取待评估区域的评估数据;其中,所述评估数据至少包括场点数据、统计数据、网络数据和路测数据;
处理单元,用于根据预先存储的评估模型和所述获取单元获取的所述评估数据,确定所述待评估区域的评估结果;其中,所述评估模型包括评估数据与评估结果的对应关系。
5.根据权利要求4所述的区域覆盖的评估装置,其特征在于,所述场点数据至少包括:场点类型和场点等级;所述统计数据至少包括关键绩效指标KPI统计信息和测量报告MR统计信息,所述KPI统计信息至少包括日间小区平均可用率、日间目标制式平均倒流比、日间单小区平均空口业务流量、日间下行物理资源块PRB平均利用率、夜间小区平均可用率、夜间目标制式平均倒流比、夜间单小区平均空口业务流量和夜间下行物理资源块PRB平均利用率,所述MR统计信息至少包括日间目标小区的采样点中参考信号接收功率RSRP大于或等于预设阈值的第一采样点比例和夜间目标小区的采样点中RSRP大于或等于预设阈值的第二采样点比例,所述网络数据至少包括所述待评估区域内包含的基站总数、宏小区总数、室分小区总数和至少一个基站距离所述待评估区域的中心点的距离,所述路测数据至少包括所述待评估区域对应的第一栅格总数、所述待评估区域对应的有数据传输的第二栅格总数、所述第二栅格总数与第一栅格总数的第一比值、所述待评估区域对应的有数据传输的栅格中数据传输总量小于或等于传输阈值的第三栅格总数、所述第三栅格总数与第一栅格总数的第二比值、所述待评估区域对应的无数据传输的第四栅格总数、所述第四栅格总数与所述第一栅格总数的第三比值、所述待评估区域的采样点总数、所述待评估区域的全部采样点采集的RSRP的平均值、所述待评估区域对应的栅格中采样点采集的RSRP大于或等于目标阈值的第五栅格总数、所述第五栅格总数与所述第一栅格总数的第四比值和所述第五栅格总数与所述第二栅格总数的第五比值。
6.根据权利要求4所述的区域覆盖的评估装置,其特征在于,所述获取单元,还用于获取训练样本数据和对所述训练样本数据的评估结果;其中,所述训练样本数据至少包括样本场点数据、样本统计数据、样本网络数据和样本路测数据;
所述处理单元,还用于将所述获取单元获取的所述训练样本数据输入至梯度提升决策树GBDT模型中;
所述处理单元,还用于基于模型评估指标AUC,确定所述GBDT模型输出的对所述训练样本数据的预测比对结果与所述评估结果是否匹配;
所述处理单元,还用于当所述预测比对结果与所述评估结果不匹配时,反复循环地迭代更新所述训练样本数据,直至所述AUC对应的得分大于得分阈值时,确定所述GBDT模型收敛,得到所述评估模型。
7.一种计算机可读存储介质,其特征在于,包括指令,当其在计算机上运行时,使得计算机执行如上述权利要求1-3任一项所述的区域覆盖的评估方法。
8.一种电子设备,其特征在于,包括:通信接口、处理器、存储器、总线;
所述存储器用于存储计算机执行指令,所述处理器与所述存储器通过所述总线连接;
当所述电子设备运行时,所述处理器执行所述存储器存储的计算机执行指令,以使所述电子设备执行如上述权利要求1-3任一项所述的区域覆盖的评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290657.2A CN114066184A (zh) | 2021-11-02 | 2021-11-02 | 一种区域覆盖的评估方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111290657.2A CN114066184A (zh) | 2021-11-02 | 2021-11-02 | 一种区域覆盖的评估方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114066184A true CN114066184A (zh) | 2022-02-18 |
Family
ID=80236559
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111290657.2A Pending CN114066184A (zh) | 2021-11-02 | 2021-11-02 | 一种区域覆盖的评估方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114066184A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834419A (zh) * | 2022-11-16 | 2023-03-21 | 中国联合网络通信集团有限公司 | 网络评估方法、装置及存储介质 |
CN115952427A (zh) * | 2023-03-14 | 2023-04-11 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
CN116390147A (zh) * | 2023-04-14 | 2023-07-04 | 诺优信息技术(上海)有限公司 | 一种无线网络质量的评估方法、装置和电子设备 |
-
2021
- 2021-11-02 CN CN202111290657.2A patent/CN114066184A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115834419A (zh) * | 2022-11-16 | 2023-03-21 | 中国联合网络通信集团有限公司 | 网络评估方法、装置及存储介质 |
CN115952427A (zh) * | 2023-03-14 | 2023-04-11 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
CN115952427B (zh) * | 2023-03-14 | 2023-05-30 | 山东美航天天能源技术有限公司 | 一种产业园数字化运营管理方法及系统 |
CN116390147A (zh) * | 2023-04-14 | 2023-07-04 | 诺优信息技术(上海)有限公司 | 一种无线网络质量的评估方法、装置和电子设备 |
CN116390147B (zh) * | 2023-04-14 | 2024-02-06 | 诺优信息技术(上海)有限公司 | 一种无线网络质量的评估方法、装置和电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114066184A (zh) | 一种区域覆盖的评估方法、装置和电子设备 | |
CN109451532A (zh) | 一种基站位置的核查方法及装置 | |
KR20190139130A (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
CN110677859A (zh) | 弱覆盖区域的确定方法、装置和计算机可读存储介质 | |
CN111294730B (zh) | 一种网络问题投诉信息处理的方法及装置 | |
CN111918298B (zh) | 基于聚类的站点规划方法、装置、电子设备和存储介质 | |
CN111554408B (zh) | 城市内部登革热时空预测方法、系统及电子设备 | |
CN107547154A (zh) | 一种建立视频流量预测模型的方法及装置 | |
CN108574933A (zh) | 用户轨迹恢复方法及装置 | |
US20220191818A1 (en) | Method and Apparatus for Obtaining Emission Probability, Method and Apparatus for Obtaining Transition Probability, and Sequence Positioning Method and Apparatus | |
CN109495897B (zh) | Lte网络问题区域化聚合方法及装置 | |
CN111294841B (zh) | 一种无线网络问题的处理方法、装置及存储介质 | |
US20220329524A1 (en) | Intelligent Capacity Planning and Optimization | |
Liu et al. | A comprehensive risk analysis of transportation networks affected by rainfall‐induced multihazards | |
US10880754B1 (en) | Network planning tool for retention analysis in telecommunications networks | |
CN114037140A (zh) | 预测模型训练、数据预测方法、装置、设备及存储介质 | |
US20140236957A1 (en) | System and method for terminal capacity management | |
CN111178633A (zh) | 基于随机森林算法预测景区客流量的方法和装置 | |
CN103581982A (zh) | 一种业务热点的检测方法、确定方法、定位方法及装置 | |
CN111163482A (zh) | 数据的处理方法、设备及存储介质 | |
CN110390343A (zh) | 一种空间气象数据的订正方法及系统 | |
Motlagh et al. | mmtc deployment over sliceable infrastructure: The megasense scenario | |
CN112541047A (zh) | 一种适用于多级网格化管理系统的海量数据聚合方法 | |
CN114615693B (zh) | 网络容量预测方法、装置、电子设备及计算机存储介质 | |
JP6010059B2 (ja) | 設備メンテナンス負担評価方法および装置 |
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 |