CN114095856A - 用于基站节能的处理方法和处理装置 - Google Patents

用于基站节能的处理方法和处理装置 Download PDF

Info

Publication number
CN114095856A
CN114095856A CN202010763391.8A CN202010763391A CN114095856A CN 114095856 A CN114095856 A CN 114095856A CN 202010763391 A CN202010763391 A CN 202010763391A CN 114095856 A CN114095856 A CN 114095856A
Authority
CN
China
Prior art keywords
data
base station
longitude
latitude
raster
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
CN202010763391.8A
Other languages
English (en)
Other versions
CN114095856B (zh
Inventor
袁晶晶
陆中远
张乐
王迎
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 Telecom Corp Ltd
Original Assignee
China Telecom Corp 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 Telecom Corp Ltd filed Critical China Telecom Corp Ltd
Priority to CN202010763391.8A priority Critical patent/CN114095856B/zh
Priority to US18/018,783 priority patent/US20240040501A1/en
Priority to EP21850341.5A priority patent/EP4184981A4/en
Priority to KR1020237005567A priority patent/KR102655903B1/ko
Priority to PCT/CN2021/108555 priority patent/WO2022022486A1/zh
Priority to JP2023506517A priority patent/JP7486659B2/ja
Publication of CN114095856A publication Critical patent/CN114095856A/zh
Application granted granted Critical
Publication of CN114095856B publication Critical patent/CN114095856B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • H04W4/025—Services making use of location information using location based information parameters
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0225—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal
    • H04W52/0229—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a wanted signal
    • H04W52/0232—Power saving arrangements in terminal devices using monitoring of external events, e.g. the presence of a signal where the received signal is a wanted signal according to average transmission signal activity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • 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
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/08—Testing, supervising or monitoring using real traffic
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0203—Power saving arrangements in the radio access network or backbone network of wireless communication networks
    • H04W52/0206—Power saving arrangements in the radio access network or backbone network of wireless communication networks in access points, e.g. base stations
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0212—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave
    • H04W52/0216—Power saving arrangements in terminal devices managed by the network, e.g. network or access point is master and terminal is slave using a pre-established activity schedule, e.g. traffic indication frame
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W52/00—Power management, e.g. TPC [Transmission Power Control], power saving or power classes
    • H04W52/02—Power saving arrangements
    • H04W52/0209—Power saving arrangements in terminal devices
    • H04W52/0251—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity
    • H04W52/0258—Power saving arrangements in terminal devices using monitoring of local events, e.g. events related to user activity controlling an operation mode according to history or models of usage information, e.g. activity schedule or time of day
    • 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
    • H04W16/02—Resource partitioning among network components, e.g. reuse partitioning
    • H04W16/06—Hybrid resource partitioning, e.g. channel borrowing
    • 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
    • H04W16/22—Traffic simulation tools or models
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/02—Arrangements for optimising operational condition
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • 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)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开提供了一种用于基站节能的处理方法和处理装置。该方法包括：获取基站的工参数据和MR数据，工参数据包括测量得到的基站经纬度数据，MR数据包括用户终端上报的终端经纬度数据；对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值，其中，栅格MR数据包括栅格经纬度；将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测；以及根据负载流量预测模型的预测结果下发相应的节电关断策略。

Description

用于基站节能的处理方法和处理装置
技术领域
本公开涉及通信技术领域，特别涉及一种用于基站节能的处理方法和处理装置。
背景技术
在5G(5th generation mobile communication technology，第五代移动通信技术)时代，MIMO(multiple input multiple output，多进多出)等新技术的引进将使得5G网络功耗超过4G网络功耗的5-12倍，而且网络操维难度增加。基站主设备的高能耗问题是运营商迫切解决的问题。目前较为流行的一种基站节能方案是，利用AI(ArtificialIntelligence，人工智能)技术进行负载预测，提前制定基站射频关断策略，达到节能的目的。
发明内容
本公开的发明人发现，在相关技术中利用AI技术进行负载预测实现射频节能的方法存在如下技术问题：基于AI技术进行负载预测时，没有提前对工参(即工程参数)中的经纬度进行校验，工参数据存在错误或者更新不及时的问题，如不进行提前校验，会降低模型预测的准确性，进而影响节能效果。
鉴于此，本公开的实施例提供了一种用于基站节能的处理方法，以提高模型预测的准确性。
根据本公开的一个方面，提供了一种用于基站节能的处理方法，包括：获取基站的工参数据和测量报告MR数据，所述工参数据包括测量得到的基站经纬度数据，所述MR数据包括用户终端上报的终端经纬度数据；对所述MR数据进行栅格化处理以得到栅格MR数据，并根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值，其中，所述栅格MR数据包括栅格经纬度；将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测；以及根据所述负载流量预测模型的预测结果下发相应的节电关断策略。
在一些实施例中，所述工参数据还包括测量得到的所述基站的方向角数据，所述MR数据还包括所述用户终端上报的终端所在的方向角数据，所述栅格MR数据还包括栅格方向角；所述处理方法还包括：根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据；以及根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区；所述下发相应的节电关断策略的步骤包括：根据所述负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
在一些实施例中，所述栅格MR数据还包括：基站类型、平均参考信号接收功率RSRP、基站标识、栅格方向角和栅格内MR数量；根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值的步骤包括：选择基站类型为室外基站、与包含预定个数小区的基站对应的且所述平均RSRP大于第一阈值的栅格MR数据；根据所述基站标识和所述基站的方向角数据对所述栅格MR数据进行分组，以将所述栅格MR数据分到相应的小区；对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据；根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度；以及根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为所述基站的经纬度数据的计算值。
在一些实施例中，将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比的步骤包括：按照距离计算方法计算所述基站的经纬度的计算值与所述工参数据中的所述基站经纬度数据之间的距离关系值；选择所述距离关系值小于第二阈值的基站的工参数据作为用于输入所述负载预测模型的基站的工参数据。
在一些实施例中，对每个小区内的栅格MR数据进行异常点检测的步骤包括：设定临界点K值为K＝第三阈值＊每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比；利用所述临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值；以及去除所述LOF值大于第四阈值的栅格MR数据。
在一些实施例中，根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据的步骤包括：对所选择的基站的栅格MR数据按照基站标识和所述基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与所述每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据；按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类；利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据；根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角；计算基站的所述每个小区的方向角和所述工参数据中的所述基站的方向角数据的差值，并计算所述差值的平均值；以及将所述差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
在一些实施例中，将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测的步骤包括：对所选择的基站的工参数据进行异常点去除处理；利用密度聚类算法对所述工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘所述预测点之间的密度关系，以表征所述预测点之间的聚类关系；以及在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。
在一些实施例中，所述基站的工参数据还包括基站的频段；根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区的步骤包括：根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区；根据与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算所述两个小区的距离，并计算与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值；以及在所述两个小区的距离小于第七阈值且所述方向角数据的差值小于第八阈值的情况下，确定所述两个小区为共覆盖小区。
在一些实施例中，所述处理方法还包括：以用户感知指标为优化目标，对所述负载流量预测模型的预测结果和节电关断策略进行迭代。
根据本公开的另一个方面，提供了一种用于基站节能的处理装置，包括：获取单元，用于获取基站的工参数据和测量报告MR数据，所述工参数据包括测量得到的基站经纬度数据，所述MR数据包括用户终端上报的终端经纬度数据；数据处理单元，用于对所述MR数据进行栅格化处理以得到栅格MR数据，并根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值，其中，所述栅格MR数据包括栅格经纬度；参数选择单元，用于将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；训练预测单元，用于将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测；以及策略下发单元，用于根据所述负载流量预测模型的预测结果下发相应的节电关断策略。
在一些实施例中，所述工参数据还包括测量得到的所述基站的方向角数据，所述MR数据还包括所述用户终端上报的终端所在的方向角数据，所述栅格MR数据还包括栅格方向角；所述参数选择单元还用于根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据；所述获取单元还用于根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区；所述策略下发单元用于根据所述负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
在一些实施例中，所述栅格MR数据还包括：基站类型、平均参考信号接收功率RSRP、基站标识、栅格方向角和栅格内MR数量；所述数据处理单元用于选择基站类型为室外基站、与包含预定个数小区的基站对应的且所述平均RSRP大于第一阈值的栅格MR数据，根据所述基站标识和所述基站的方向角数据对所述栅格MR数据进行分组，以将所述栅格MR数据分到相应的小区，对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据，根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度，以及根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为所述基站的经纬度数据的计算值。
在一些实施例中，所述参数选择单元用于按照距离计算方法计算所述基站的经纬度的计算值与所述工参数据中的所述基站经纬度数据之间的距离关系值，选择所述距离关系值小于第二阈值的基站的工参数据作为用于输入所述负载预测模型的基站的工参数据。
在一些实施例中，所述数据处理单元用于设定临界点K值为K＝第三阈值＊每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比，利用所述临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值，以及去除所述LOF值大于第四阈值的栅格MR数据。
在一些实施例中，所述参数选择单元用于对所选择的基站的栅格MR数据按照基站标识和所述基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与所述每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据，按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类，利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据，根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角，计算基站的所述每个小区的方向角和所述工参数据中的所述基站的方向角数据的差值，并计算所述差值的平均值，以及将所述差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
在一些实施例中，所述训练预测单元用于对所选择的基站的工参数据进行异常点去除处理，利用密度聚类算法对所述工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘所述预测点之间的密度关系，以表征所述预测点之间的聚类关系，以及在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。
在一些实施例中，所述基站的工参数据还包括基站的频段；所述获取单元用于根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区，根据与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算所述两个小区的距离，并计算与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值，在所述两个小区的距离小于第七阈值且所述方向角数据的差值小于第八阈值的情况下，确定所述两个小区为共覆盖小区。
在一些实施例中，所述策略下发单元还用于以用户感知指标为优化目标，对所述负载流量预测模型的预测结果和节电关断策略进行迭代。
根据本公开的另一个方面，提供了一种用于基站节能的处理装置，包括：存储器；以及耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如前所述的方法。
根据本公开的另一个方面，提供了一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如前所述的方法。
在上述处理方法中，获取基站的工参数据和MR数据，工参数据包括测量得到的基站经纬度数据，MR数据包括用户终端上报的终端经纬度数据；对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值，其中，栅格MR数据包括栅格经纬度；将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测；以及根据负载流量预测模型的预测结果下发相应的节电关断策略。该方法实现了对基站经纬度数据的稽核，因此可以提高模型预测的准确性，进而优化节能效果。
通过以下参照附图对本公开的示例性实施例的详细描述，本公开的其它特征及其优点将会变得清楚。
附图说明
构成说明书的一部分的附图描述了本公开的实施例，并且连同说明书一起用于解释本公开的原理。
参照附图，根据下面的详细描述，可以更加清楚地理解本公开，其中：
图1是示出根据本公开一些实施例的用于基站节能的处理方法的流程图；
图2是示出根据本公开另一些实施例的用于基站节能的处理方法的流程图；
图3是示出根据本公开另一些实施例的用于基站节能的处理方法的流程图；
图4是示出根据本公开一些实施例的基站工参经纬度稽核的方法的流程图；
图5是示出根据本公开一些实施例的利用LOF算法进行异常点检测的示意图；
图6是示出根据本公开一些实施例的基站工参方向角稽核的方法的流程图；
图7是示出根据本公开一些实施例的用于基站节能的处理装置的结构示意图；
图8是示出根据本公开另一些实施例的用于基站节能的处理装置的结构示意图；
图9是示出根据本公开另一些实施例的用于基站节能的处理装置的结构示意图。
具体实施方式
现在将参照附图来详细描述本公开的各种示例性实施例。应注意到：除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本公开的范围。
同时，应当明白，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。
以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本公开及其应用或使用的任何限制。
对于相关领域普通技术人员已知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为说明书的一部分。
在这里示出和讨论的所有示例中，任何具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
但是，本公开的发明人发现，在相关技术中利用AI技术进行负载预测实现射频节能的方法存在如下技术问题：基于AI技术进行负载预测时，没有提前对工参(即工程参数)中的经纬度进行校验，基站经纬度是重要的模型训练数据，而有时工参数据存在错误或者更新不及时的问题，如不进行提前校验，会降低模型预测的准确性，进而影响节能效果。
鉴于此，本公开的实施例提供了一种用于基站节能的处理方法，以提高模型预测的准确性。
图1是示出根据本公开一些实施例的用于基站节能的处理方法的流程图。如图1所示，该方法包括步骤S102至S110。
在步骤S102，获取基站的工参数据和MR(Measurement Report，测量报告)数据。该工参数据可以包括测量得到的基站经纬度数据。该MR数据可以包括用户终端上报的终端经纬度数据。
在一些实施例中，工参数据还可以包括测量得到的基站的方向角数据，MR数据还可以包括用户终端上报的终端所在的方向角数据。
在步骤S104，对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值，其中，栅格MR数据包括栅格经纬度。
例如，在某个基站的周围，可能存在多个用户终端，每个用户终端上报MR数据，可以将预定范围(例如50米*50米的范围)的方格作为一个栅格，对该栅格内的MR数据进行数据处理即可得到栅格MR数据。例如，可以对栅格内的MR数据的终端经纬度计算平均值作为栅格经纬度，对栅格内的MR数据的终端方向角计算平均值作为栅格方向角等。
在一些实施例中，栅格MR数据还可以包括栅格方向角。在一些实施例中，栅格MR数据还可以包括：基站类型、平均RSRP(Reference Signal Receiving Power，参考信号接收功率)、基站标识、栅格方向角和栅格内MR数量。
在一些实施例中，根据栅格MR数据计算得到基站的经纬度数据的计算值的步骤包括：选择基站类型为室外基站、与包含预定个数小区的基站对应的且平均RSRP大于第一阈值的栅格MR数据；根据基站标识和基站的方向角数据对栅格MR数据进行分组，以将栅格MR数据分到相应的小区；对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据；根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度；以及根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为该基站的经纬度数据的计算值。
这里，第一阈值可以根据实际需要来确定。例如，该第一阈值的范围可以为-110dB(分贝)至-100dB。例如，第一阈值可以为-102dB。当然，本领域技术人员能够理解，本公开的第一阈值的范围并不仅限于此。
在步骤S106，将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据。
在一些实施例中，该步骤S106可以包括：按照距离计算方法计算基站的经纬度的计算值与工参数据中的基站经纬度数据之间的距离关系值；以及选择该距离关系值小于第二阈值的基站的工参数据作为用于输入负载预测模型的基站的工参数据。
这里，第二阈值可以根据实际需要来确定。例如，该第二阈值的范围可以为800米至1000米。当然，本领域技术人员能够理解，本公开的第二阈值的范围并不仅限于此。
在步骤S108，将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测。
在一些实施例中，该步骤S108可以包括：对所选择的基站的工参数据进行异常点去除处理；利用密度聚类算法对工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘预测点之间的密度关系，以表征预测点之间的聚类关系；以及在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。这样实现了对负载预测模型的训练和预测。例如，上述关于构造特征的过程可以采用已知的技术。
在步骤S110，根据负载流量预测模型的预测结果下发相应的节电关断策略。
至此，提供了根据本公开一些实施例的用于基站节能的处理方法。该处理方法包括：获取基站的工参数据和MR数据，工参数据包括测量得到的基站经纬度数据，MR数据包括用户终端上报的终端经纬度数据；对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值，其中，栅格MR数据包括栅格经纬度；将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测；以及根据负载流量预测模型的预测结果下发相应的节电关断策略。该方法实现了对基站经纬度数据的稽核，因此可以提高模型预测的准确性，进而优化节能效果。
本公开的发明人还发现，在相关技术中利用AI技术进行负载预测实现射频节能的方法还存在如下技术问题：在节能策略下发时，现有方法没有考虑工参数据中方向角的正确性，从而影响基站节能效果。
鉴于此，本公开的实施例还提供一种用于基站节能的处理方法，以提高工参数据中方向角的正确性。
在本公开的一些实施例中，所述处理方法还可以包括：根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据；以及根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区。所述下发相应的节电关断策略的步骤包括：根据负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。这样实现了对基站方向角数据的稽核，因此可以提高小区共覆盖分析的准确性，进而优化节能效果。
图2是示出根据本公开另一些实施例的用于基站节能的处理方法的流程图。如图2所示，该处理方法可以包括步骤S202至S214。
在步骤S202，获取基站的工参数据和MR数据。
在一些实施例中，工参数据可以包括测量得到的基站经纬度数据和方向角数据。该MR数据可以包括用户终端上报的终端经纬度数据和终端所在的方向角数据。
在步骤S204，对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值，其中，栅格MR数据包括栅格经纬度。
在一些实施例中，栅格MR数据还可以包括栅格方向角、基站类型、平均RSRP、基站标识、栅格方向角和栅格内MR数量。
在步骤S206，将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据。
在步骤S208，将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测。
在步骤S210，根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据。
在一些实施例中，该步骤S210可以包括：对所选择的基站的栅格MR数据按照基站标识和基站的方向角数据(即工参数据中的基站的方向角数据)进行分组，计算每组中每个栅格内的MR数量与每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据；按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类；利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据；根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角；计算基站的所述每个小区的方向角和工参数据中的基站的方向角数据的差值，并计算该差值的平均值；以及将差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。例如，第六阈值的范围可以为30°至60°。当然，本领域技术人员能够理解，该第六阈值可以根据实际情况来设定，本公开的第六阈值的范围并不仅限此。
在步骤S212，根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区。
在一些实施例中，基站的工参数据还可以包括基站的频段。
在一些实施例中，该步骤S212可以包括：根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区；根据与该两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算该两个小区的距离，并计算与该两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值；以及在该两个小区的距离小于第七阈值且方向角数据的差值小于第八阈值的情况下，确定该两个小区为共覆盖小区。
在步骤S214，根据负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
至此，提供了根据本公开一些实施例的用于基站节能的处理方法。这样实现了对基站经纬度数据和基站方向角数据的稽核，因此可以提高模型预测的准确性和小区共覆盖分析的准确性，进而优化节能效果。
在一些实施例中，所述处理方法还可以包括：以用户感知指标为优化目标，对负载流量预测模型的预测结果和节电关断策略进行迭代。这样可以实现对节电关断策略的优化，提高节能效果。
图3是示出根据本公开另一些实施例的用于基站节能的处理方法的流程图。
首先，如图3所示，数据输入。例如，该数据可以包括网管获取的基站工参数据、MR数据、无线负荷类数据和无线感知类数据等。
在一些实施例中，基站工参数据可以包括基站标识(即基站ID)、小区标识(即小区ID)、基站名称、经度、纬度和不同小区的方位角等。这里需要说明的是，每个基站可以对应多个(例如3个)方位角，每个方位角对应一个小区(也可以称为扇区)。
在一些实施例中，无线负荷类数据可以包括：上行PRB(Physical ResourceBlock，物理资源块)利用率、下行PRB利用率、平均RRC(Radio Resource Control，无线资源控制)连接数、最大RRC连接数、用户平均ERAB(Evolved Radio Access Bearer，演进的无线接入承载)数、同频切换成功次数、异频切换成功次数、CQI(Channel Quality Indication，信道质量指示)～4占比、CQI～6占比、PDCP(Packet Data Convergence Protocol，分组数据汇聚协议)层上行流程和PDCP层下行流程等。
在一些实施例中，无线感知类数据可以包括：RRC建立成功率、RRC重建比例、E-RAB掉线率、CQI优良比、用户下行感知速率和系统内切换成功率等。
在一些实施例中，可以从网管数据库中抽取基站工参数据、无线负荷类数据、用户感知类数据，从OMC(Operation and Maintenance Center，操作维护中心)北向文件接口获取用户终端上报的包含经纬度的MR数据。例如该MR数据为MRO_MDT(Maintenance，Repair&Operations，维护、维修和运行；Minimization Drive Test，最小化路测)数据。
接下来，如图3所示，基于MR数据分别对工参数据中的基站经纬度和方向角进行稽核。
例如，基于MR数据进行数据挖掘分析对基站工参经纬度进行稽核：通过对栅格化的MR数据进行数据处理，采用异常点检测算法LOF(Local Outlier Factor，局部离群因子检测方法)进行异常点筛选，然后按照质心的计算方法汇聚出基站的经纬度，在与工参数据中的经纬度对比，选出基站工参经纬度正确的基站工参数据作为负载预测模型的输入。
又例如，基于MR数据进行数据挖掘分析算法对工参方向角进行稽核：对基站下的MR数据剔除边缘栅格，利用高斯核密度函数对栅格化的MR数据进行小区分类，利用方向角计算公式计算每个小区的方向角，在与工参数据中的基站的方向角比较，选出方向角没有问题的基站，其工参数据作为小区共覆盖判定的输入。
接下来，如图3所示，选择工参经纬度正确的基站工参及其指标数据作为模型的输入，进行模型训练、预测及评估。
例如，可以对工参数据中的基站标识进行去除奇异基站处理，对下行PRB平均利用率进行异常值处理等，之后两者合并。
然后，利用密度聚类DBSCAN(Density-Based Spatial Clustering ofApplications with Noise具有噪声的应用的基于密度的空间聚类)算法对工参数据中的基站经纬度数据所表示的预测点进行聚类，挖掘所述预测点之间的密度关系，以表征所述预测点之间的聚类关系。
在对预测点进行聚类之后，基于机器学习算法进行模型训练，计算准确率、召回率、均方根误差(Root Mean Squared Error，简称为RMSE)和对称平均绝对百分比误差(Symmetry Mean Absolute Percentage Error，简称为SMAPE)等以进行模型准确率评估。
接下来，如图3所示，在基站经纬度正确的基站中选择工参方向角正确的基站进行共覆盖判定以获取共覆盖小区。
例如，可以准备所需基站工参数据，包括基站ID、小区ID、经纬度、方向角、频点(或频段)等；按照频段拆分数据，关联相关经纬度及方向角；频段两两组合，基于以下条件判定是否存在共覆盖：
若两小区经纬度间距离＜第七阈值，且两小区方向角差值＜第八阈值(第八阈值可根据现网实际情况设定)，则确定两个小区为共覆盖小区；否则该两个小区不是共覆盖小区。
在一些实施例中，第七阈值的范围可以为50米至100米。当然，本领域技术人员能够理解，第七阈值可以根据现网实际情况设定，本公开的第七阈值的范围并不仅限于此。
在一些实施例中，第八阈值的范围可以为20°至30°。当然，本领域技术人员能够理解，第八阈值可以根据现网实际情况设定，本公开的第八阈值的范围并不仅限于此。
通过确定出两个小区为共覆盖小区，可以对这两个小区中的一个小区执行节电关断策略，这样既节省基站功耗，又不影响小区用户的通信。
接下来，如图3所示，结合负载流量预测模型及共覆盖分析结果，下发相应的节电关断策略。
接下来，如图3所示，以用户感知指标为优化目标，对负载流量预测模型的预测结果和节电关断策略进行迭代。这样节电的同时保证用户体验。这里，用户感知指标可以采用已知的技术获得。
至此，提供了根据本公开另一些实施例的用于基站节能的处理方法。该方法基于MR数据，采用数据挖掘分析技术分别对基站经纬度和方向角进行稽核，提升基站节电中的负载预测及节电策略下发的准确性。本公开的方法采用数据挖掘分析技术对基站经纬度和方向角进行稽核，相比于传统统计方法更加智能、灵活，过程简洁。另外，上述方法可以利用已有的数据集接口，无需改进用户终端，易于推广和实现。
图4是示出根据本公开一些实施例的基站工参经纬度稽核的方法的流程图。如图4所示，该方法可以包括步骤S402至S414。
在一些实施例中，在该步骤402之前，对MR数据进行栅格化处理以得到栅格MR数据。
在一些实施例中，在对MR数据进行栅格化处理后，还可以将工参数据与栅格MR数据中关联，从而在栅格MR数据中增加基站经纬度和基站方向角的字段。当然，本领域技术人员能够理解，也可以不在栅格MR数据中增加基站经纬度和基站方向角的字段。
例如，栅格MR数据的字段如下表1所示：
表1 字段列表
′Grid_id′ ′ECI′ ′Grid_longitude′ ′Grid_latitude′ ′Grid_count′
栅格ID ECI 栅格经度 栅格纬度 栅格中MR数
′avg_RSRP′ ′Freq′ ′Grid_direction′ ′eNodeBID′ ′Direction′
平均RSRP 频率 栅格方向角 基站标识 基站方向角
′Longitude′ ′Latitude′ ′Type′
基站经度 基站纬度 基站类型
这里，ECI为基站小区标识。
在步骤S402，选择基站类型为室外基站、与包含预定个数(例如3个)小区的基站对应的且平均RSRP大于第一阈值的栅格MR数据。
在一些实施例中，选择的字段包括：基站ID、方向角、栅格内MR数量和栅格经纬度等。
在步骤S404，根据基站标识和基站的方向角数据对栅格MR数据进行分组，以将栅格MR数据分到相应的小区。
在步骤S406，对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据。
例如，利用机器学习中无监督学习的异常点检测LOF算法分别将每个小区的噪声栅格清洗丢弃。
在一些实施例中，该步骤S406可以包括：设定临界点K值为K＝第三阈值＊每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比；利用临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值；以及去除LOF值大于第四阈值的栅格MR数据。
例如，第三阈值的范围可以为90％至97％。例如第三阈值可以为95％。当然，本领域技术人员能够理解，本公开的第三阈值可以根据实际需要调整，并不仅限于上述范围。
可以采用已知的计算方法并利用K值计算得出每组内各个栅格的LOF值，这里，LOF值大于第四阈值的栅格为异常栅格，从而去除该异常栅格(例如如图5所示的离群点)。
例如，该第四阈值的范围可以为0.1至1。例如，该第四阈值可以为0.5。当然，本领域技术人员能够理解，本公开的第四阈值可以根据实际需要调整，并不仅限于上述范围。
在步骤S408，根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度。
例如，在去除异常的栅格MR数据之后，根据剩余的每个小区的栅格MR数据中的栅格经纬度计算栅格经纬度的平均值，即为每个小区的平均经纬度。
在步骤S410，根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为该基站的经纬度数据的计算值。
例如，该基站的平均经纬度(可以称为质心)的计算公式为：
Figure BDA0002613702650000171
其中，x表示基站的平均经度，xi为基站的每个小区的平均经度，y表示基站的平均纬度，yi为基站的每个小区的平均纬度，N为基站的小区个数。
在步骤S412，按照距离计算方法计算基站的经纬度的计算值与工参数据中的基站经纬度数据之间的距离关系值。
例如，基站的经纬度的计算值(Lat1，Lng1)与工参数据中的基站经纬度数据(Lat2，Lng2)之间的距离关系值L为：
Figure BDA0002613702650000181
其中，
Figure BDA0002613702650000182
Figure BDA0002613702650000183
R为地球半径(可以取6378千米)，Lat1和Lat2分别为纬度，Lng1和Lng2分别为经度。
在步骤S414，选择距离关系值小于第二阈值的基站的工参数据作为用于输入负载预测模型的基站的工参数据。
至此，提供了根据本公开一些实施例的基站工参经纬度稽核的方法。通过对基站经纬度数据的稽核，可以提高模型预测的准确性，进而优化节能效果。
图6是示出根据本公开一些实施例的基站工参方向角稽核的方法的流程图。如图6所示，该方法包括步骤S602至S612。
在步骤S602，对所选择的基站的栅格MR数据按照基站标识和基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据。例如，第五阈值的范围可以为0＜第五阈值≤0.1。当然，本领域技术人员能够理解，第五阈值可以根据实际情况来设定，本公开的第五阈值的范围并不仅限于此。
即，对于对满足第二阈值的基站的栅格MR数据进行方向角稽核，按照基站标识和基站的方向角数据进行分组，计算每组中每个栅格内的MR数量Grid_count与每组中的MR数量的总数SUM(Grid_count)的比值rate，如下：
rate＝Grid_count/SUM(Grid_count)。 (3)
将rate＜第五阈值(可设定)的剔除，即去除边缘栅格。这样可以减小过于离散的栅格引起的误差，提高方向角稽核的准确性。
在步骤S604，按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类。
即，在该步骤S604中，对基站经纬度正确下的栅格MR数据，按照基站ID分组后，循环利用高斯核密度函数fn：
Figure BDA0002613702650000191
其中，σ为函数的宽度参数，x为待分类的栅格的经纬度，y为中心点(即基站经纬度)。在通过得到的新特征构造的目标函数hθ(x)，做类别判定：
hθ(x)＝θ0+θ1f1+…+θnfn， (4)
其中，θ为每个核函数系数，fn为每个栅格计算的核函数值。
对于栅格x，计算新特征f，当0＜hθ(x)≤1时，判定x为属于小区1，当判1＜hθ(x)≤2时x属于小区2，其余x属于小区3。
在步骤S606，利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据。
栅格分类完成之后，利用栅格经纬度对每个小区内栅格计算方向角，方向角Direction计算公式如下：
distanceNorth＝R*(Lng1-Lng2)， (5)
distanceEast＝R*cos Lat1*(Lng1-Lng2)， (6)
Direction＝mod(tanh-1(distanceEast，distanceNorth)，2*π)， (7)
其中，Lng1和Lat1为小区内的一个栅格的经度和纬度，Lng2为小区内的另一个栅格的经度，distanceNorth为两个经纬度朝北方向的距离，distanceEast为两个经纬度朝东方向的距离。
在步骤S608，根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角。
在步骤S610，计算基站的每个小区的方向角和工参数据中的基站的方向角数据的差值，并计算差值的平均值。
在步骤S612，将差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
例如，若差值的平均值大于或等于第六阈值，则判断该基站存在方向角连接异常；若差值的平均值小于第六阈值，则作为节电下共覆盖判定的输入。
至此，提供了根据本公开一些实施例的基站工参方向角稽核的方法。通过对基站方向角数据的稽核，可以提高小区共覆盖分析的准确性，进而优化节能效果。
图7是示出根据本公开一些实施例的用于基站节能的处理装置的结构示意图。如图7所示，该处理装置包括：获取单元702、数据处理单元704、参数选择单元706、训练预测单元708和策略下发单元710。
获取单元702用于获取基站的工参数据和测量报告MR数据。工参数据包括测量得到的基站经纬度数据。MR数据包括用户终端上报的终端经纬度数据。
数据处理单元704用于对MR数据进行栅格化处理以得到栅格MR数据，并根据栅格MR数据计算得到基站的经纬度数据的计算值。栅格MR数据包括栅格经纬度。
参数选择单元706用于将基站的经纬度数据的计算值与工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据。
训练预测单元708用于将所选择的基站的工参数据输入负载预测模型以进行负载预测模型的训练和预测。
策略下发单元710用于根据负载流量预测模型的预测结果下发相应的节电关断策略。
至此，提供了根据本公开一些实施例的用于基站节能的处理装置。通过对基站经纬度数据的稽核，可以提高模型预测的准确性，进而优化节能效果。
在一些实施例中，工参数据还可以包括测量得到的基站的方向角数据，MR数据还可以包括用户终端上报的终端所在的方向角数据，栅格MR数据还可以包括栅格方向角。
在一些实施例中，参数选择单元706还可以用于根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据。获取单元702还可以用于根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区。策略下发单元710用于根据负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
在一些实施例中，栅格MR数据还可以包括：基站类型、平均参考信号接收功率RSRP、基站标识、栅格方向角和栅格内MR数量。
在一些实施例中，数据处理单元704可以用于选择基站类型为室外基站、与包含预定个数小区的基站对应的且平均RSRP大于第一阈值的栅格MR数据，根据基站标识和基站的方向角数据对栅格MR数据进行分组，以将栅格MR数据分到相应的小区，对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据，根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度，以及根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为所述基站的经纬度数据的计算值。
在一些实施例中，参数选择单元706可以用于按照距离计算方法计算基站的经纬度的计算值与工参数据中的所述基站经纬度数据之间的距离关系值，选择距离关系值小于第二阈值的基站的工参数据作为用于输入负载预测模型的基站的工参数据。
在一些实施例中，数据处理单元704可以用于设定临界点K值为K＝第三阈值＊每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比，利用临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值，以及去除LOF值大于第四阈值的栅格MR数据。
在一些实施例中，参数选择单元706可以用于对所选择的基站的栅格MR数据按照基站标识和基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据，按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类，利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据，根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角，计算基站的每个小区的方向角和工参数据中的所述基站的方向角数据的差值，并计算所述差值的平均值，以及将所述差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
在一些实施例中，训练预测单元708可以用于对所选择的基站的工参数据进行异常点去除处理，利用密度聚类算法对所述工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘预测点之间的密度关系，以表征预测点之间的聚类关系，以及在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。
在一些实施例中，基站的工参数据还可以包括基站的频段。获取单元702可以用于根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区，根据与两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算所述两个小区的距离，并计算与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值，在所述两个小区的距离小于第七阈值且所述方向角数据的差值小于第八阈值的情况下，确定所述两个小区为共覆盖小区。
在一些实施例中，策略下发单元710还可以用于以用户感知指标为优化目标，对负载流量预测模型的预测结果和节电关断策略进行迭代。
图8是示出根据本公开另一些实施例的用于基站节能的处理装置的结构示意图。该处理装置包括存储器810和处理器820。其中：
存储器810可以是磁盘、闪存或其它任何非易失性存储介质。存储器用于存储图1至图4和图6中的至少一个所对应实施例中的指令。
处理器820耦接至存储器810，可以作为一个或多个集成电路来实施，例如微处理器或微控制器。该处理器820用于执行存储器中存储的指令，通过对基站经纬度数据的稽核，可以提高模型预测的准确性，进而优化节能效果。
在一些实施例中，还可以如图9所示，该处理装置900包括存储器910和处理器920。处理器920通过BUS总线930耦合至存储器910。该处理装置900还可以通过存储接口940连接至外部存储装置950以便调用外部数据，还可以通过网络接口960连接至网络或者另外一台计算机系统(未标出)，此处不再进行详细介绍。
在该实施例中，通过存储器存储数据指令，再通过处理器处理上述指令，通过对基站经纬度数据的稽核，可以提高模型预测的准确性，进而优化节能效果。
在另一些实施例中，本公开还提供了一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现图1至图4和图6中的至少一个所对应实施例中的方法的步骤。本领域内的技术人员应明白，本公开的实施例可提供为方法、装置、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用非瞬时性存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(系统)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
至此，已经详细描述了本公开。为了避免遮蔽本公开的构思，没有描述本领域所公知的一些细节。本领域技术人员根据上面的描述，完全可以明白如何实施这里公开的技术方案。
虽然已经通过示例对本公开的一些特定实施例进行了详细说明，但是本领域的技术人员应该理解，以上示例仅是为了进行说明，而不是为了限制本公开的范围。本领域的技术人员应该理解，可在不脱离本公开的范围和精神的情况下，对以上实施例进行修改。本公开的范围由所附权利要求来限定。

Claims (20)

1.一种用于基站节能的处理方法，包括：
获取基站的工参数据和测量报告MR数据，所述工参数据包括测量得到的基站经纬度数据，所述MR数据包括用户终端上报的终端经纬度数据；
对所述MR数据进行栅格化处理以得到栅格MR数据，并根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值，其中，所述栅格MR数据包括栅格经纬度；
将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；
将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测；以及
根据所述负载流量预测模型的预测结果下发相应的节电关断策略。
2.根据权利要求1所述的处理方法，其中，所述工参数据还包括测量得到的所述基站的方向角数据，所述MR数据还包括所述用户终端上报的终端所在的方向角数据，所述栅格MR数据还包括栅格方向角；
所述处理方法还包括：根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据；以及根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区；
所述下发相应的节电关断策略的步骤包括：根据所述负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
3.根据权利要求2所述的处理方法，其中，所述栅格MR数据还包括：基站类型、平均参考信号接收功率RSRP、基站标识、栅格方向角和栅格内MR数量；
根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值的步骤包括：
选择基站类型为室外基站、与包含预定个数小区的基站对应的且所述平均RSRP大于第一阈值的栅格MR数据；
根据所述基站标识和所述基站的方向角数据对所述栅格MR数据进行分组，以将所述栅格MR数据分到相应的小区；
对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据；
根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度；以及
根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为所述基站的经纬度数据的计算值。
4.根据权利要求3所述的处理方法，其中，将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比的步骤包括：
按照距离计算方法计算所述基站的经纬度的计算值与所述工参数据中的所述基站经纬度数据之间的距离关系值；
选择所述距离关系值小于第二阈值的基站的工参数据作为用于输入所述负载预测模型的基站的工参数据。
5.根据权利要求3所述的处理方法，其中，对每个小区内的栅格MR数据进行异常点检测的步骤包括：
设定临界点K值为K＝第三阈值*每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比；
利用所述临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值；以及
去除所述LOF值大于第四阈值的栅格MR数据。
6.根据权利要求3所述的处理方法，其中，根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据的步骤包括：
对所选择的基站的栅格MR数据按照基站标识和所述基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与所述每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据；
按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类；
利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据；
根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角；
计算基站的所述每个小区的方向角和所述工参数据中的所述基站的方向角数据的差值，并计算所述差值的平均值；以及
将所述差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
7.根据权利要求1所述的处理方法，其中，将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测的步骤包括：
对所选择的基站的工参数据进行异常点去除处理；
利用密度聚类算法对所述工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘所述预测点之间的密度关系，以表征所述预测点之间的聚类关系；以及
在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。
8.根据权利要求2或6所述的处理方法，其中，所述基站的工参数据还包括基站的频段；
根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区的步骤包括：
根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区；
根据与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算所述两个小区的距离，并计算与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值；以及
在所述两个小区的距离小于第七阈值且所述方向角数据的差值小于第八阈值的情况下，确定所述两个小区为共覆盖小区。
9.根据权利要求2所述的处理方法，还包括：
以用户感知指标为优化目标，对所述负载流量预测模型的预测结果和节电关断策略进行迭代。
10.一种用于基站节能的处理装置，包括：
获取单元，用于获取基站的工参数据和测量报告MR数据，所述工参数据包括测量得到的基站经纬度数据，所述MR数据包括用户终端上报的终端经纬度数据；
数据处理单元，用于对所述MR数据进行栅格化处理以得到栅格MR数据，并根据所述栅格MR数据计算得到所述基站的经纬度数据的计算值，其中，所述栅格MR数据包括栅格经纬度；
参数选择单元，用于将所述基站的经纬度数据的计算值与所述工参数据中的基站经纬度数据进行对比以选择得到用于输入负载预测模型的基站的工参数据；
训练预测单元，用于将所选择的基站的工参数据输入所述负载预测模型以进行负载预测模型的训练和预测；以及
策略下发单元，用于根据所述负载流量预测模型的预测结果下发相应的节电关断策略。
11.根据权利要求10所述的处理装置，其中，所述工参数据还包括测量得到的所述基站的方向角数据，所述MR数据还包括所述用户终端上报的终端所在的方向角数据，所述栅格MR数据还包括栅格方向角；
所述参数选择单元还用于根据所选择的基站的工参数据中的方向角数据和与所选择的基站对应的栅格MR数据中的栅格方向角选择用于判定共覆盖小区的基站的工参数据；
所述获取单元还用于根据用于判定共覆盖小区的基站的工参数据获取共覆盖小区；
所述策略下发单元用于根据所述负载流量预测模型的预测结果和所获取的共覆盖小区下发相应的节电关断策略。
12.根据权利要求11所述的处理装置，其中，所述栅格MR数据还包括：基站类型、平均参考信号接收功率RSRP、基站标识、栅格方向角和栅格内MR数量；
所述数据处理单元用于选择基站类型为室外基站、与包含预定个数小区的基站对应的且所述平均RSRP大于第一阈值的栅格MR数据，根据所述基站标识和所述基站的方向角数据对所述栅格MR数据进行分组，以将所述栅格MR数据分到相应的小区，对每个小区内的栅格MR数据进行异常点检测，以去除异常的栅格MR数据，根据剩余的栅格MR数据中的栅格经纬度计算每个基站的每个小区的平均经纬度，以及根据每个基站的每个小区的平均经纬度计算该基站的平均经纬度，即为所述基站的经纬度数据的计算值。
13.根据权利要求12所述的处理装置，其中，
所述参数选择单元用于按照距离计算方法计算所述基站的经纬度的计算值与所述工参数据中的所述基站经纬度数据之间的距离关系值，选择所述距离关系值小于第二阈值的基站的工参数据作为用于输入所述负载预测模型的基站的工参数据。
14.根据权利要求12所述的处理装置，其中，
所述数据处理单元用于设定临界点K值为K＝第三阈值*每个小区中的栅格内MR数量的总和，其中，第三阈值为百分比，利用所述临界点K值计算每个小区内各个栅格MR数据的局部离群因子LOF值，以及去除所述LOF值大于第四阈值的栅格MR数据。
15.根据权利要求12所述的处理装置，其中，
所述参数选择单元用于对所选择的基站的栅格MR数据按照基站标识和所述基站的方向角数据进行分组，计算每组中每个栅格内的MR数量与所述每组中的MR数量的总数的比值，并去除比值小于第五阈值的栅格MR数据，按照基站标识将剩余的栅格MR数据再次分组，并利用高斯核密度函数将再次分组后的每组内的栅格MR数据进行小区分类，利用经过小区分类所得到的每个小区内的每个栅格MR数据的栅格经纬度计算每个栅格的方向角数据，根据每个小区内的每个栅格的方向角数据计算每个小区的方向角数据的平均值，作为每个小区的方向角，计算基站的所述每个小区的方向角和所述工参数据中的所述基站的方向角数据的差值，并计算所述差值的平均值，以及将所述差值的平均值小于第六阈值的基站的工参数据作为用于判定共覆盖小区的基站的工参数据。
16.根据权利要求10所述的处理装置，其中，
所述训练预测单元用于对所选择的基站的工参数据进行异常点去除处理，利用密度聚类算法对所述工参数据中的基站经纬度数据所表示的预测点进行聚类并构造用于负载预测模型训练的特征，挖掘所述预测点之间的密度关系，以表征所述预测点之间的聚类关系，以及在对所述预测点进行聚类并构造所述特征之后，利用所选择的基站的工参数据、所述特征和相应的性能指标数据基于机器学习算法进行模型训练，并进行模型准确率评估。
17.根据权利要求11或15所述的处理装置，其中，所述基站的工参数据还包括基站的频段；
所述获取单元用于根据频段将多个小区两两组合，分别得到与两个频段对应的两个小区，根据与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站经纬度数据计算所述两个小区的距离，并计算与所述两个小区对应的两个用于判定共覆盖小区的基站的工参数据中的基站的方向角数据的差值，在所述两个小区的距离小于第七阈值且所述方向角数据的差值小于第八阈值的情况下，确定所述两个小区为共覆盖小区。
18.根据权利要求11所述的处理装置，其中，
所述策略下发单元还用于以用户感知指标为优化目标，对所述负载流量预测模型的预测结果和节电关断策略进行迭代。
19.一种用于基站节能的处理装置，包括：
存储器；以及
耦接至所述存储器的处理器，所述处理器被配置为基于存储在所述存储器的指令执行如权利要求1至9任意一项所述的方法。
20.一种计算机可读存储介质，其上存储有计算机程序指令，该指令被处理器执行时实现如权利要求1至9任意一项所述的方法。
CN202010763391.8A 2020-07-31 2020-07-31 用于基站节能的处理方法和处理装置 Active CN114095856B (zh)

Priority Applications (6)

Application Number Priority Date Filing Date Title
CN202010763391.8A CN114095856B (zh) 2020-07-31 2020-07-31 用于基站节能的处理方法和处理装置
US18/018,783 US20240040501A1 (en) 2020-07-31 2021-07-27 Processing method and processing apparatus for saving energy of base station
EP21850341.5A EP4184981A4 (en) 2020-07-31 2021-07-27 PROCESSING METHOD AND PROCESSING APPARATUS FOR SAVING BASE STATION ENERGY
KR1020237005567A KR102655903B1 (ko) 2020-07-31 2021-07-27 기지국의 에너지를 절약하기 위한 처리 방법 및 처리 장치
PCT/CN2021/108555 WO2022022486A1 (zh) 2020-07-31 2021-07-27 用于基站节能的处理方法和处理装置
JP2023506517A JP7486659B2 (ja) 2020-07-31 2021-07-27 基地局の省エネルギー処理方法及び処理装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010763391.8A CN114095856B (zh) 2020-07-31 2020-07-31 用于基站节能的处理方法和处理装置

Publications (2)

Publication Number Publication Date
CN114095856A true CN114095856A (zh) 2022-02-25
CN114095856B CN114095856B (zh) 2022-09-23

Family

ID=80037576

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010763391.8A Active CN114095856B (zh) 2020-07-31 2020-07-31 用于基站节能的处理方法和处理装置

Country Status (6)

Country Link
US (1) US20240040501A1 (zh)
EP (1) EP4184981A4 (zh)
JP (1) JP7486659B2 (zh)
KR (1) KR102655903B1 (zh)
CN (1) CN114095856B (zh)
WO (1) WO2022022486A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024026911A1 (zh) * 2022-08-05 2024-02-08 Oppo广东移动通信有限公司 节能方法、装置、设备及存储介质

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2621359A (en) * 2022-08-09 2024-02-14 Nec Corp Communication system
CN115061376B (zh) * 2022-08-18 2022-11-29 南通高米精密机械有限公司 基于lof算法的挤塑过程优化控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101453747A (zh) * 2008-10-31 2009-06-10 中国移动通信集团北京有限公司 一种话务量预测方法及装置
JP2011139252A (ja) * 2009-12-28 2011-07-14 Panasonic Corp スタンドアロン基地局、携帯端末および基地局検出方法
CN105159262A (zh) * 2015-09-11 2015-12-16 杭州秦歌科技有限公司 一种智慧基站节能管理系统
US20170208560A1 (en) * 2014-11-07 2017-07-20 Parallel Wireless, Inc. Signal Quality Database
CN108111965A (zh) * 2016-11-23 2018-06-01 中国移动通信集团公司 一种基站位置的确定方法和装置
CN109982333A (zh) * 2017-12-27 2019-07-05 中国移动通信集团广东有限公司 一种td-lte深度覆盖补盲的选址方法及系统
CN110933592A (zh) * 2018-09-20 2020-03-27 中移物联网有限公司 一种定位方法及装置、存储介质
CN111194045A (zh) * 2019-12-28 2020-05-22 西安交通大学 一种基于用户群体聚集行为模型进行节能的方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7127257B2 (en) * 2001-12-27 2006-10-24 Qualcomm Incorporated Use of mobile stations for determination of base station location parameters in a wireless mobile communication system
US20030125045A1 (en) 2001-12-27 2003-07-03 Riley Wyatt Thomas Creating and using base station almanac information in a wireless communication system having a position location capability
CN101772160B (zh) 2009-01-04 2013-04-17 华为技术有限公司 一种定位测量上报方法及系统
JP5516758B2 (ja) 2011-01-24 2014-06-11 富士通株式会社 通信システム、ホールエリアの検出方法、基地局装置及び移動局装置
WO2013066383A1 (en) 2011-11-04 2013-05-10 Intel Corporation Coordination of self-optimization operations in a self organizing network
US9400321B2 (en) * 2013-06-05 2016-07-26 Apple Inc. Utilizing mobile wireless access gateways for location and context purposes
IN2013DE03532A (zh) 2013-12-05 2015-06-12 Alcatel Lucent
JP2016005248A (ja) * 2014-06-19 2016-01-12 富士通株式会社 無線ネットワーク制御システム，無線ネットワーク制御装置，及び無線ネットワーク制御方法
CN110912627B (zh) * 2019-12-24 2021-05-14 电子科技大学 一种基于数据驱动的小区接收功率预测方法
CN114071484A (zh) * 2020-07-30 2022-02-18 华为技术有限公司 基于人工智能的通信方法和通信装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101453747A (zh) * 2008-10-31 2009-06-10 中国移动通信集团北京有限公司 一种话务量预测方法及装置
JP2011139252A (ja) * 2009-12-28 2011-07-14 Panasonic Corp スタンドアロン基地局、携帯端末および基地局検出方法
US20170208560A1 (en) * 2014-11-07 2017-07-20 Parallel Wireless, Inc. Signal Quality Database
CN105159262A (zh) * 2015-09-11 2015-12-16 杭州秦歌科技有限公司 一种智慧基站节能管理系统
CN108111965A (zh) * 2016-11-23 2018-06-01 中国移动通信集团公司 一种基站位置的确定方法和装置
CN109982333A (zh) * 2017-12-27 2019-07-05 中国移动通信集团广东有限公司 一种td-lte深度覆盖补盲的选址方法及系统
CN110933592A (zh) * 2018-09-20 2020-03-27 中移物联网有限公司 一种定位方法及装置、存储介质
CN111194045A (zh) * 2019-12-28 2020-05-22 西安交通大学 一种基于用户群体聚集行为模型进行节能的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
梁力维，李荣聪: "基于AI的5G基站节能技术研究", 《移动通信》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2024026911A1 (zh) * 2022-08-05 2024-02-08 Oppo广东移动通信有限公司 节能方法、装置、设备及存储介质

Also Published As

Publication number Publication date
EP4184981A1 (en) 2023-05-24
CN114095856B (zh) 2022-09-23
WO2022022486A1 (zh) 2022-02-03
US20240040501A1 (en) 2024-02-01
EP4184981A4 (en) 2024-03-06
KR102655903B1 (ko) 2024-04-09
JP7486659B2 (ja) 2024-05-17
JP2023535841A (ja) 2023-08-21
KR20230043896A (ko) 2023-03-31

Similar Documents

Publication Publication Date Title
CN114095856B (zh) 用于基站节能的处理方法和处理装置
CN109495920B (zh) 一种无线通信网络特征画像方法、设备和计算机程序产品
CN106792752B (zh) 基站信号覆盖自优化方法和系统
Ma et al. A dynamic affinity propagation clustering algorithm for cell outage detection in self-healing networks
CN109151881B (zh) 一种基于用户数据的网络负荷均衡优化方法
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN111328084B (zh) 一种小区容量的评估方法及装置
CN112243249B (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
Ying et al. Characterizing spatial patterns of base stations in cellular networks
CN106412973A (zh) 一种网络覆盖质量检测方法及装置
CN105163344A (zh) 一种td-lte系统内干扰的定位方法
CN107438251B (zh) 一种用于室内外用户区分的方法和装置
CN106921978B (zh) 一种位置分布确定方法及装置
CN110621025B (zh) 一种设备选型方法和装置
CN107231635B (zh) 一种网络覆盖的分析方法及装置
CN102026239A (zh) 一种基于测量报告的频率优化方法
WO2017211178A1 (zh) 划分超级小区的方法及装置
CN111385804A (zh) 小区簇划分方法及电子设备
CN104469811A (zh) 认知无线传感网络分簇合作频谱感知硬融合方法
CN112243242B (zh) 大规模天线波束配置方法和装置
CN116828518A (zh) 定位上行频段干扰源的方法、装置、电子设备及存储介质
CN110650483B (zh) 一种设备选型方法和装置
CN115442819A (zh) 网络优化方法和通信装置
CN110719594B (zh) 一种设备选型方法和装置
Li et al. Partitioning the wireless environment for determining radio coverage and traffic distribution with user feedback

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