CN114095947B - 一种网络覆盖评估方法、装置、电子设备及存储介质 - Google Patents

Abstract

本申请公开了一种网络覆盖评估方法、装置、电子设备及存储介质，涉及通信技术领域，用以解决现有技术中对临街商铺网络覆盖进行评估时，定位精度无法保证、应用成本较高、评估效率差的问题，包括：获取原始数据，原始数据包括至少一个测试终端的CQT测试数据。对原始数据进行数据处理，确定样本数据集；根据样本数据集对数据筛选模型进行训练；数据筛选模型用于从样本数据集中，筛选出测试终端位于商铺内时对应的样本数据；将待评估商铺的全量测量报告MR数据输入数据筛选模型，确定用户位于商铺内时对应的MR数据。确定待评估商铺的网络覆盖评估结果。本申请用于临街商铺的网络覆盖评估。

Description

一种网络覆盖评估方法、装置、电子设备及存储介质

技术领域

本申请涉及通信领域，尤其涉及一种网络覆盖评估方法、装置、电子设备及存储介质。

背景技术

近年来移动支付业务成为运营商移动网络的重点业务之一，各运营商均开展了对商场、商铺的无线网络覆盖专项保障和优化工作。对临街商铺网络覆盖主要以宏基站覆盖为主。一个宏基站小区将覆盖临街商铺以及其周边区域，如何有针对性的分析和评估出临街商铺内的网络覆盖质量成为亟待解决的问题。

然而目前对临街商铺网络覆盖进行评估的方案，存在定位精度无法保证、应用成本较高、评估效率差的问题。

发明内容

本申请提供一种网络覆盖评估方法、装置、电子设备及存储介质，用以解决现有技术中对临街商铺网络覆盖进行评估时，定位精度无法保证、应用成本较高、评估效率差的问题。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请提供一种网络覆盖评估方法，包括：获取原始数据；其中，原始数据包括至少一个商铺的呼叫质量拨打测试CQT测试数据，至少一个商铺的CQT测试数据包括至少一个测试终端的CQT测试数据。对原始数据进行数据处理，确定样本数据集。根据样本数据集对数据筛选模型进行训练；数据筛选模型用于从样本数据集中，筛选出测试终端位于商铺内时对应的样本数据。将待评估商铺的全量测量报告MR数据输入数据筛选模型，确定用户位于商铺内时对应的MR数据。根据用户位于商铺内时对应的MR数据，确定待评估商铺的网络覆盖评估结果。

在一种可能的实现方式中，对原始数据进行数据处理，确定样本数据集，具体包括：根据基本特征列，对样本数据进行特征提取；其中，基本特征列包括商铺的主服务小区参考信号接收功率RSRP、邻区RSRP、以及全球定位系统GPS经纬度。根据CQT测试时的位置信息，对进行特征提取后的原始数据，进行数据标注，确定样本数据集；CQT测试时的位置信息包括：测试终端位于商铺内和测试终端位于商铺外。

在一种可能的实现方式中，样本数据集包括训练数据集和验证数据集，根据样本数据集对数据筛选模型进行训练，具体包括：根据动态时间规整DTW算法和K近邻KNN算法，构建数据筛选模型。根据训练数据集对数据筛选模型进行训练。根据验证数据集，对数据筛选模型进行准确率的验证；若准确率满足预设要求，则确定数据筛选模型训练完成。

在一种可能的实现方式中，在将待评估商铺的全量测量报告MR数据输入数据筛选模型之前，上述方法还包括：对待评估商铺的全量MR数据进行数据处理。

在一种可能的实现方式中，网络覆盖评估结果包括待评估商铺的网络覆盖率。

第二方面，本申请提供一种网络覆盖评估装置，该网络覆盖评估装置包括：获取单元和处理单元。获取单元，用于获取原始数据；其中，原始数据包括至少一个商铺的呼叫质量拨打测试CQT测试数据，至少一个商铺的CQT测试数据包括至少一个测试终端的CQT测试数据。处理单元，用于对原始数据进行数据处理，确定样本数据集。处理单元，还用于根据样本数据集对数据筛选模型进行训练；数据筛选模型用于从样本数据集中，筛选出测试终端位于商铺内时对应的样本数据。处理单元，还用于将待评估商铺的全量测量报告MR数据输入数据筛选模型，确定用户位于商铺内时对应的MR数据。处理单元，还用于根据用户位于商铺内时对应的MR数据，确定待评估商铺的网络覆盖评估结果。

在一种可能的实现方式中，处理单元，还用于根据基本特征列，对原始数据进行特征提取；其中，基本特征列包括商铺的主服务小区参考信号接收功率RSRP、邻区RSRP、以及全球定位系统GPS经纬度。处理单元，还用于根据CQT测试时的位置信息，对进行特征提取后的原始数据，进行数据标注，确定样本数据集；CQT测试时的位置信息包括：测试终端位于商铺内和测试终端位于商铺外。

在一种可能的实现方式中，处理单元，还用于根据动态时间规整DTW算法和K近邻KNN算法，构建数据筛选模型。处理单元，还用于根据训练数据集对数据筛选模型进行训练。处理单元，还用于根据验证数据集，对数据筛选模型进行准确率的验证；若准确率满足预设要求，则确定数据筛选模型训练完成。

在一种可能的实现方式中，处理单元，还用于对待评估商铺的全量MR数据进行数据处理。

在一种可能的实现方式中，网络覆盖评估结果包括待评估商铺的网络覆盖率。

此外，第二方面所述的网络覆盖评估装置的技术效果可以参考上述第一方面所述的网络覆盖评估方法的技术效果，此处不再赘述。

第三方面，本申请提供一种存储一个或多个程序的计算机可读存储介质，该一个或多个程序包括指令，上述指令当被本申请的电子设备执行时使电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的网络覆盖评估方法。

第四方面，本申请提供一种电子设备，包括：处理器以及存储器；其中，存储器用于存储一个或多个程序，一个或多个程序包括计算机执行指令，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第一方面和第一方面的任一种可能的实现方式中所描述的网络覆盖评估方法。

第五方面，本申请提供一种包含指令的计算机程序产品，当该指令在计算机上运行时，使得本申请的电子设备执行如第一方面和第一方面的任一种可能的实现方式中所描述的网络覆盖评估方法。

第六方面，本申请提供一种芯片系统，该芯片系统应用于网络覆盖评估装置；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网络覆盖评估装置的存储器接收信号，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，所述网络覆盖评估装置执行如第一方面及其任一种可能的设计方式所述的网络覆盖评估方法。

基于上述技术方案，本申请能够带来以下有益效果：本申请通过CQT测试来收集训练数据和验证数据，并结合相应算法来构建机器学习模型，该机器学习模型能够判断某小区内的全部MR数据中，用户位于商铺内时对应的样本数据，进而能够根据这些筛选出的用户位于商铺内时对应的样本数据，来精确评估该小区内临街商铺的网络覆盖情况。本申请利用GPS数据在室内、外的定位偏移特征和覆盖强度特征，通过机器学习算法实现临街商铺内用户的覆盖信息提取和分析，能够低成本、高效的实现临街商铺的移动网络的覆盖率分析。

附图说明

图1为本申请的实施例提供的一种网络覆盖评估方法的流程示意图；

图2为本申请的实施例提供的另一种网络覆盖评估方法的流程示意图；

图3为本申请的实施例提供的另一种网络覆盖评估方法的流程示意图；

图4为本申请的实施例提供的一种网络覆盖评估装置的结构示意图；

图5为本申请的实施例提供的另一种网络覆盖评估装置的结构示意图。

具体实施方式

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，所描述的实施例仅仅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做出创造性劳动前提下所获得的所有其它实施例，都属于本申请保护的范围。

本文中字符“/”，一般表示前后关联对象是一种“或者”的关系。例如，A/B可以理解为A或者B。

本申请的说明书和权利要求书中的术语“第一”和“第二”是用于区别不同的对象，而不是用于描述对象的特定顺序。例如，第一边缘服务节点和第二边缘服务节点是用于区别不同的边缘服务节点，而不是用于描述边缘服务节点的特征顺序。

此外，本申请的描述中所提到的术语“包括”和“具有”以及它们的任何变形，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、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括其他没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。

另外，在本申请实施例中，“示例性的”、或者“例如”等词用于表示作例子、例证或说明。本申请中被描述为“示例性的”或“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性的”、或者“例如”等词旨在以具体方式呈现概念。

为了便于理解本申请的技术方案，下面对一些技术术语进行介绍。

1、呼叫质量拨打测试(call quality test，CQT)

CQT测试，指在固定的地点测试无线数据网络性能。这种测试方式也比较常用，就是使用终端在一些地点进行拨叫，主叫、被叫各占一定比例，最后对测试结果进行统计分析，完成主观评判，以便对网络运行的情况有直观的了解。

本申请实施例中，根据CQT测试来获取多个商铺的原始数据。

2、动态时间归整(dynamic time warping，DTW)算法

DTW算法，是一种衡量两个长度不同的时间序列的相似度的方法。具体来说，是将两个代表同一个类型的事物的不同长度序列进行时间上的“对齐”。比如DTW最常用的地方，语音识别中，同一个字母，由不同人发音，长短肯定不一样，把声音记录下来以后，它的信号肯定是很相似的，只是在时间上不太对整齐而已。所以我们需要用一个函数拉长或者缩短其中一个信号，使得它们之间的误差达到最小。

在本申请实施例中，DTW算法具体用于对样本数据集中的时序序列和样本数据子集中的序列进行比对，计算分数。随后采用KNN算法判断

3、K近邻(K Nearest Neighbors，KNN)算法

KNN算法是一种基本的分类和回归方法，是监督学习方法里的一种常用方法。k近邻算法假设给定一个训练数据集，其中的实例类别已定。分类时，对新的实例，根据其k个最近邻的训练实例类别，通过多数表决等方式进行预测。

k近邻法的三个要素为距离度量、k值的选择和分类决策规则。常用的距离度量是欧氏距离。k值为为KNN算法中的近邻数量门限，当k值较小时，k近邻模型更复杂，容易发生过拟合；k值较大时，k近邻模型更简单，又容易欠拟合。因此k值的选择会对分类结果产生重大影响。k值的选择反映了对近似误差与估计误差之间的权衡，通常由交叉验证选择最优的k。分类决策规则往往是多数表决，即由输入实例的k个邻近输入实例中的多数类决定输入实例的类。KNN算法使用的分类决策规则是多数表决，如果损失函数为0-1损失函数，那么要使误分类率最小即使经验风险最小，多数表决规则实际上就等同于经验风险最小化。

在本申请实施例中，KNN算法用于构建数据筛选模型。

以上对本申请中出现的技术名词进行了解释说明。

目前，移动互联网支付方式已成为我国的重要交易支付方式之一，移动支付业务也成为运营商移动网络的重点业务之一。因此各运营商均开展了对商场、商铺的无线网络覆盖专项保障和优化工作。

对于大型商场、高档写字楼等场景，运营商投资部署室内分布系统以保证室内覆盖质量，对该类场景的覆盖分析可直接分析室分小区的覆盖质量。但对于中小规模的临街商铺，则以宏基站覆盖为主。由于宏基站小区的覆盖范围大，一个宏基站小区将覆盖临街商铺以及其周边区域，如何有针对性的分析和评估出临街商铺内的网络覆盖质量成为亟待解决的问题。

针对临街商铺的覆盖分析，已有技术可分为三类：

第一类方案采用测量报告(measurement report，MR)、最小化路测(Minimization of Drive-Test，MDT)数据中的全球定位系统(global positioning system，GPS)信息结合商铺的地理信息系统(geographic information system，GIS)数据进行关联分析，通过位置比对判断用户是否位于商铺内。该类技术对商铺内用户覆盖信息的识别受限于GPS定位精度，由于GPS需要终端与卫星保持连接，因此在临街商铺这种室内场景下无法保证定位精度。

第二类方案采用无线网络指纹技术，通过人工测试等方式采集商铺内的移动网络覆盖信息，基于机器学习技术进行建模形成指纹库，以识别商铺内用户并获得其覆盖信息。该类技术指纹数据建立成本高，并且技术在理论上可行但实际效果依赖前期数据采集和模型训练，实际效果较差、定位精度无法保证。因此，虽然指纹技术已经提出较长时间，但业内很少实际应用。

第三类方案，基于室内的wifi、蓝牙等设备与无线网络结合进行分析识别商铺内移动网络用户。该类技术在数据基础上，需建设或采集其他设备的信息，成本较高。

例如，现阶段公开了一种基于信令和MR数据的网络质量监测方法和覆盖评估方法，该方法基于信令和MR数据的网络质量监测方法得到对应的定位信息和RSRP数据，然后根据定位信息将RSRP数据在高精度地图上显示，绘制出小区的覆盖图，从而进行网络覆盖的评估。

又例如，现阶段还公开了一种基于大数据和人工智能的网络优化方法，包括：采集多维度无线网络数据和标准+定制的信令数据，通过互补融合进行数据整理和清洗，实现用户采样点经、纬度的回填及入库；通过位移算法和GIS建筑图层关联，获取精确用户行为；通过位移算法和室内外用户分析，判定用户级别的移动状态和静止状态，同时，从信令分析中获得用户室内外情况，结合前述两种信息，实现高速移动用户、静止室内用户的建模和校准；基于人工智能机器学习算法，对小区用户进行分类，形成不同的小区集合，随机划分小区集合来训练并验证参数学习模型，通过验证的参数学习模型可以针对小区集合制定网络优化方案。

再例如，现阶段公开了一种基于指纹库精准分离算法的4G室内深度覆盖优化方法。该方法利用指纹库技术准确定位MR采样点经纬度，结合MR采样点的切换特性、室内外移动特性以及主服务小区数量特性因素，对MR采样点进行室内外区分，结合室内外场景对用户行为进行分析，从而为网络优化提供优化依据，支撑客户的业务发展和网络建设的需求。

然而，上述现有技术存在以下缺点：

现有技术采用MR、MDT数据进行无线网络覆盖分析时，地理最小化分析粒度为小区，无法对临街商铺进行有针对性的覆盖分析。

现有技术通过关联终端GPS数据和商铺GIS信息识别商铺内用户的覆盖信息，但在商铺的深度室内(与窗边较远的位置)，由于终端GPS信号中断，将无法识别商铺内的网络用户。此外GPS定位技术在GPS信号弱时定位精度无法保证，商用终端在GPS信号弱时将存在百米内的定位误差，因此在商铺浅层室内(与窗边较近位置)采用GPS来识别用户识别精度较差。

现有技术通过信令数据、MR等大数据关联，结合用户互联网行为信息识别商铺内移动网络用户，存在数据量大、运算成本高等问题。

现有技术通过指纹库进行临街商铺内的移动网络用户覆盖信息识别，指纹库建立成本高并且识别精度受训练数据影响大。

以上对现有技术及其缺点进行了介绍。

为解决上述现有方案中存在的问题，本申请实施例提供一种网络覆盖评估方法及装置。其中，网络覆盖评估装置首先根据CQT测试法对多个临街商铺进行原始数据的采集，并对收集到的原始数据进行特征提取和数据标注，从而得到用于训练数据筛选模型的样本数据集。在此之后，网络覆盖评估装置将样本数据集分为两部分，即训练数据集和验证数据集。网络覆盖评估装置基于DTW算法和KNN算法，根据训练数据集构建数据筛选模型并进行训练，该数据筛选模型具体用于筛选出当用户终端位于商铺内时对应的数据。并且，在模型训练过程中根据验证数据集对数据筛选模型进行准确率的验证，直至准确率满足预设要求。最后，网络覆盖评估装置将待评估商铺的全量MR数据输入值数据筛选模型中，筛选出用户位于商铺内时对应的部分数据，根据这部分MR数据，确定待评估商铺的网络覆盖评估结果。由此，本申请利用GPS数据在室内、外的定位偏移特征和覆盖强度特征，通过机器学习算法实现临街商铺内用户的覆盖信息提取和分析，能够低成本、高效的实现临街商铺的移动网络的覆盖率分析。

在本申请提供的网络覆盖评估方法中，执行主体是网络覆盖评估装置。该网络覆盖评估装置可以是一种电子设备(例如电脑终端、服务器)，还可以是电子设备中的处理器，还可以是电子设备中用于网络覆盖评估的控制模块，还可以是电子设备中用于网络覆盖评估的客户端。

为了解决现有技术中对临街商铺网络覆盖进行评估时，定位精度无法保证、应用成本较高、评估效率差的问题，本申请提供一种网络覆盖评估方法。如图1所示，本申请提供的网络覆盖评估方法包括以下步骤：

S101、网络覆盖评估装置获取原始数据。

可选的，原始数据包括多个商铺的经过CQT测试法得出的测试数据，每个商铺又包括至少一个测试终端的CQT测试数据。CQT测试法为本领域的常用测试数据收集方法，本实施例在此不再赘述。

可以理解的是，前述多个商铺中可以包括待评估商铺，也可以不包括待评估商铺。这是由于在收集原始数据时，是采用CQT测试法来收集的，由工作人员实地在商铺中选点进行数据收集。后续用于待评估商铺的网络覆盖评估结果评估的数据，是实际应用时采集的待评估商铺的现场用户的全量MR数据。因此，当多个商铺中包括待评估商铺时，并不会对原始数据的可靠性造成影响。

S102、网络覆盖评估装置对原始数据进行数据处理，确定样本数据集。

其中，样本数据集用于对数据筛选模型进行训练。数据筛选模型用于从样本数据集中，筛选出测试终端位于商铺内时对应的数据。

可选的，网络覆盖评估装置对原始数据进行的数据处理，具体包括特征提取和数据标注。其中，对原始数据进行数据标注即对于每个测试终端对应的数据，都标注出该测试终端是否位于商铺内。

S103、网络覆盖评估装置根据样本数据集对数据筛选模型进行训练。

其中，数据筛选模型是基于DTW算法和KNN算法来构建的。DTW算法和KNN算法是本领域在构建机器学习模型时常用的算法，本实施例在此不再赘述。

S104、网络覆盖评估装置将待评估商铺的全量MR数据输入所述数据筛选模型，确定用户位于商铺内时对应的MR数据。

其中，待评估商铺的全量MR数据是实际应用中，待评估商铺现场的MR数据。这些MR数据中，既包括位于商铺内用户的MR数据，也包括位于商铺外用户的MR数据。需要指出，网络覆盖评估装置在获取待评估商铺的全量MR数据时，会以待评估商铺为中心，确定具体的数据收集范围，并仅获取该范围内的用户。例如，网络覆盖评估装置获取待评估商铺5米范围内的全量MR数据。具体的数据收集范围的大小，可由工作人员视实际情况而定，本申请实施例对此不做具体限定。

可选的，网络覆盖评估装置将待评估商铺的全量MR数据输入所述数据筛选模型之前，也对待评估商铺的全量MR数据进行数据处理。需要指出，此处对对待评估商铺的全量MR数据进行的数据处理，只包括特征提取。这是由于在实际应用中，待评估商铺现场的MR数据是不包括用户是否位于商铺内或商铺外的。

S105、网络覆盖评估装置根据用户位于商铺内时对应的MR数据，确定待评估商铺的网络覆盖评估结果。

可选的，待评估商铺的网络覆盖评估结果可以包括待评估商铺内的网络覆盖率。

可选的，在网络覆盖评估装置根据用户位于商铺内时对应的MR数据后，可以根据常规的覆盖评估分析方法，同时设置覆盖达标阈值，来计算待评估商铺的网络覆盖率，示例性的，具体可参照以下公式：

其中，N表示待评估商铺的网络覆盖率，sum(RSRP≥R₀)用于表示全部用户位于商铺内时对应的MR数据中，RSRP大于或等于覆盖达标阈值的用户的数量，sum(RSRP)用于表示用户位于商铺内时对应的MR数据中所有用户的数量。

基于上述技术方案，本申请通过CQT测试来收集训练数据和验证数据，并结合相应算法来构建机器学习模型，该机器学习模型能够判断某小区内的全部MR数据中，用户位于商铺内时对应的样本数据，进而能够根据这些筛选出的用户位于商铺内时对应的样本数据，来精确评估该小区内临街商铺的网络覆盖情况。本申请利用GPS数据在室内、外的定位偏移特征和覆盖强度特征，通过机器学习算法实现临街商铺内用户的覆盖信息提取和分析，能够低成本、高效的实现临街商铺的移动网络的覆盖率分析。

结合图1，如图2所示，在本申请提供的网络覆盖评估方法中，步骤S102具体包括以下步骤S201-S202：

S201、网络覆盖评估装置根据基本特征列，对原始数据进行特征提取。

可选的，基本特征列包括商铺的主服务小区RSRP、邻区RSRP、以及GPS经纬度。

S202、网络覆盖评估装置根据CQT测试时的位置信息，对进行特征提取后的原始数据，进行数据标注，确定样本数据集。

可选的，CQT测试时的位置信息包括：测试终端位于商铺内和测试终端位于商铺外。

示例性的，经过步骤S201-S202之后，样本数据集的数据字段结构如下表1所示：

表1样本数据集的数据字段结构

需要说明的是，上述表1中是以商铺的主服务小区有5个邻区为例进行说明，并不代表所有商铺都具有5个邻区。具体邻区的数量根据实际应用中具体商铺的主服务小区来决定，本申请对此不做限定。

结合图1，如图3所示，在本申请提供的网络覆盖评估方法中，步骤S103具体包括以下步骤S301-S303：

S301、网络覆盖评估装置根据DTW算法和KNN算法，构建数据筛选模型。

可选的，网络覆盖评估装置以CQT测试中测试终端所处位置为依据，将样本数据集进行分组。例如，CQT测试中测试了j个位置的数据，则将样本数据集分为j组，标识为Sample。设置分段长度n，将每组样本数据分割为N个样本子集，每组下的k个字集可表示为：

SubSampleSet_kj＝Sample_j[(0,1,…n-1)+n×k]

在此之后，将全部j组数据合并，共形成j＝k*j个样本数据子集：

其中，如前述步骤S202所述，对每个训练子集根据其测试位置进行数据标注，划分为两个类别：

Class＝0表示‘用户位于商铺内’；Class＝1表示‘用户位于商铺外’。

样本数据集重新表示为：

SampleData＝{(SubSampleSet_i,Class_i)}

可选的，网络覆盖评估装置将样本数据集分为将样本数据集分为两部分，即训练数据集和验证数据集。示例性的，训练数据集和验证数据集的占比比值可以为2:1，本申请实施例对此不做具体限定。

以上对本实施例中样本数据集的构建和划分进行了介绍。

S302、网络覆盖评估装置根据训练数据集对数据筛选模型进行训练。

可选的，网络覆盖评估装置根据训练数据集，基于DTW算法和KNN算法构建数据筛选模型。网络覆盖评估装置验证数据集，对数据筛选模型进行准确度的验证，直至数据筛选模型满足预设的准确度的要求。

需要说明的是，本申请实施例中，基DTW算法和KNN算法构建数据筛选模型的方法与现有技术中，根据DTW算法和KNN算法构建机器学习模型的算法相同，本申请在此不再赘述。

S303、网络覆盖评估装置根据验证数据集，对数据筛选模型进行准确率的验证。

可选的，网络覆盖评估装置将预设要求具体设定准确度阈值，当根据验证数据集对数据筛选模型进行准确度验证的结果满足该准确度阈值时，网络覆盖评估装置确定数据筛选模型训练完成。

可选的，网络覆盖评估装置根据验证数据集对数据筛选模型进行准确度验证，确定验证结果并将该验证结果代入损失函数，直至该损失函数的值满足预设要求。其中，预设要求可由人工进行设定。

在一种可能的实现方式中，上述步骤S302和S303具体包括以下步骤S1-S6：

S1、设置滑动时间窗口参数长度w_time＝w(单位为数据样本数，个)，滑动距离为d(单位为数据样本数，个)。

S2、设置KNN算法的距离指标为DTW(TestData(w_time),SubSampleS et)。

S3、将TestData拆分为目标变量和特征矩阵。

可选的，目标变量y_test＝TestData[‘是否位于商铺内’]；特征矩阵X_test为去掉‘是否位于商铺内’列之外的其他全部数据。

S4、训练KNN模型，对测试数据集的每个滑动时间窗内的时序数据进行分类。

可选的，当模型预测的分类结果为‘用户位于商铺内’，则将该窗口内的全部样本的‘用户是否在商铺’特征置为1，否则置0。具体表示为：

model＝KNN(X_test,SampleData,w_time,d,K,**param)

其中，**param为模型的其他可调参数，本实施例对此不做限定；K为KNN算法中的近邻数量门限；model表示训练后得到的模型。

S5、执行模型，得到模型对X_test分析得到的每个样本点分类结果y′。

S6、对模型的准确率进行评价。

由于对临街商铺的覆盖分析需求首要是对店铺内用户的准确识别，而对店铺内用户被识别为店铺外用户的错误容忍度较高，因此采用查准率(precision)指标进行模型准确性验证。

当模型score≥s时，认为模型可用，否则回到S301a步进行参数调整后重新训练评估。示例性的，将s设置为一个大于或等于0.9的值，本实施例对此不做具体限定。

基于上述技术方案，本申请中网络覆盖评估装置首先根据CQT测试法对多个临街商铺进行原始数据的采集，并对收集到的原始数据进行特征提取和数据标注，从而得到用于训练数据筛选模型的样本数据集。在此之后，网络覆盖评估装置将样本数据集分为两部分，即训练数据集和验证数据集。网络覆盖评估装置基于DTW算法和KNN算法，根据训练数据集构建数据筛选模型并进行训练，该数据筛选模型具体用于筛选出当用户终端位于商铺内时对应的数据。并且，在模型训练过程中根据验证数据集对数据筛选模型进行准确率的验证，直至准确率满足预设要求。最后，网络覆盖评估装置将待评估商铺的全量MR数据输入值数据筛选模型中，筛选出用户位于商铺内时对应的部分数据，根据这部分MR数据，确定待评估商铺的网络覆盖评估结果。由此，本申请利用GPS数据在室内、外的定位偏移特征和覆盖强度特征，通过机器学习算法实现临街商铺内用户的覆盖信息提取和分析，能够低成本、高效的实现临街商铺的移动网络的覆盖率分析。

本申请实施例可以根据上述方法示例对网络覆盖评估装置进行功能模块或者功能单元的划分，例如，可以对应各个功能划分各个功能模块或者功能单元，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或者功能单元的形式实现。其中，本申请实施例中对模块或者单元的划分是示意性的，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。

示例性的，如图4所示，为本申请实施例所涉及的一种网络覆盖评估装置的一种可能的结构示意图。该网络覆盖评估装置400包括：获取单元401和处理单元402。

其中，获取单元401，用于获取原始数据。

处理单元402，用于对原始数据进行数据处理，确定样本数据集。

处理单元402，还用于根据样本数据集对数据筛选模型进行训练。

处理单元402，还用于将待评估商铺的全量测量报告MR数据输入数据筛选模型，确定用户位于商铺内时对应的MR数据。

处理单元402，还用于根据用户位于商铺内时对应的MR数据，确定待评估商铺的网络覆盖评估结果。

可选的，处理单元402，还用于根据基本特征列，对原始数据进行特征提取。

可选的，处理单元402，还用于根据CQT测试时的位置信息，对进行特征提取后的原始数据，进行数据标注，确定样本数据集。

可选的，处理单元402，还用于根据动态时间规整DTW算法和K近邻KNN算法，构建数据筛选模型。

可选的，处理单元402，还用于根据训练数据集对数据筛选模型进行训练。

可选的，处理单元402，还用于根据验证数据集，对数据筛选模型进行准确率的验证。

可选的，处理单元402，还用于在准确率满足预设要求时，确定数据筛选模型训练完成。

可选的，处理单元402，还用于对待评估商铺的全量MR数据进行数据处理。

可选的，网络覆盖评估装置400还可以包括存储单元(图4中以虚线框示出)，该存储单元存储有程序或指令，当处理单元402执行该程序或指令时，使得网络覆盖评估装置可以执行上述方法实施例所述的网络覆盖评估方法。

此外，图4所述的网络覆盖评估装置的技术效果可以参考上述实施例所述的网络覆盖评估方法的技术效果，此处不再赘述。

示例性地，图5为上述实施例中所涉及的网络覆盖评估装置的又一种可能的结构示意图。如图5所示，网络覆盖评估装置500包括：处理器502。

其中，处理器502，用于对该网络覆盖评估装置的动作进行控制管理，例如，执行上述获取单元401和处理单元402执行的步骤，和/或用于执行本文所描述的技术方案的其它过程。

上述处理器502可以是实现或执行结合本申请内容所描述的各种示例性的逻辑方框，模块和电路。该处理器可以是中央处理器，通用处理器，数字信号处理器，专用集成电路，现场可编程门阵列或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本申请公开内容所描述的各种示例性的逻辑方框，模块和电路。所述处理器也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，DSP和微处理器的组合等。

可选地，网络覆盖评估装置500还可以包括通信接口503、存储器501和总线504。其中，通信接口503用于支持网络覆盖评估装置500与其他网络实体的通信。存储器501用于存储该网络覆盖评估装置的程序代码和数据。

其中，存储器501可以是网络覆盖评估装置中的存储器，该存储器可以包括易失性存储器，例如随机存取存储器；该存储器也可以包括非易失性存储器，例如只读存储器，快闪存储器，硬盘或固态硬盘；该存储器还可以包括上述种类的存储器的组合。

总线504可以是扩展工业标准结构(Extended Industry StandardArchitecture，EISA)总线等。总线504可以分为地址总线、数据总线、控制总线等。为便于表示，图5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。

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。上述描述的系统，装置和模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请实施例提供一种包含指令的计算机程序产品，当所述计算机程序产品在本申请的电子设备上运行时，使得所述计算机执行上述方法实施例所述的网络覆盖评估方法。

本申请实施例还提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当计算机执行该指令时，该本申请的电子设备执行上述方法实施例所示的方法流程中网络覆盖评估装置执行的各个步骤。

其中，计算机可读存储介质，例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘。随机存取存储器(Random Access Memory，RAM)、只读存储器(Read-Only Memory，ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、寄存器、硬盘、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的人以合适的组合、或者本领域数值的任何其他形式的计算机可读存储介质。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特定用途集成电路(Application Specific Integrated Circuit，ASIC)中。在本申请实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何在本申请揭露的技术范围内的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (8)

1.一种网络覆盖评估方法，其特征在于，所述方法包括：

获取原始数据；其中，所述原始数据包括至少一个测试终端的呼叫质量拨打测试CQT测试数据；

对所述原始数据进行数据处理，确定样本数据集；

根据所述样本数据集对数据筛选模型进行训练；所述数据筛选模型用于从所述样本数据集中，筛选出测试终端位于商铺内时对应的样本数据；

将待评估商铺的全量测量报告MR数据输入所述数据筛选模型，确定用户位于商铺内时对应的MR数据；

根据所述用户位于商铺内时对应的MR数据，确定所述待评估商铺的网络覆盖评估结果；

所述对所述原始数据进行数据处理，确定样本数据集，包括：

根据基本特征列，对所述原始数据进行特征提取；其中，所述基本特征列包括所述商铺的主服务小区参考信号接收功率RSRP、邻区RSRP、以及全球定位系统GPS经纬度；

根据所述CQT测试时的位置信息，对进行特征提取后的所述原始数据进行数据标注，确定所述样本数据集；所述CQT测试时的位置信息包括：所述测试终端位于商铺内和所述测试终端位于商铺外；

所述样本数据集包括训练数据集和验证数据集，所述根据所述样本数据集对数据筛选模型进行训练，包括：

根据动态时间规整DTW算法和K近邻KNN算法，构建所述数据筛选模型；

根据所述训练数据集对所述数据筛选模型进行训练；

根据验证数据集，对所述数据筛选模型进行准确率的验证；若所述准确率满足预设要求，则确定所述数据筛选模型训练完成。

2.根据权利要求1所述的方法，其特征在于，在所述将待评估商铺的全量测量报告MR数据输入所述数据筛选模型之前，所述方法还包括：

对所述待评估商铺的全量MR数据进行所述数据处理。

3.根据权利要求1-2任一项所述的方法，其特征在于，所述网络覆盖评估结果包括所述待评估商铺的网络覆盖率。

4.一种网络覆盖评估装置，其特征在于，所述网络覆盖评估装置包括：获取单元和处理单元；

所述获取单元，用于获取原始数据；其中，所述原始数据包括至少一个测试终端的呼叫质量拨打测试CQT测试数据；

所述处理单元，用于对所述原始数据进行数据处理，确定样本数据集；

所述处理单元，还用于根据所述样本数据集对数据筛选模型进行训练；所述数据筛选模型用于从所述样本数据集中，筛选出测试终端位于商铺内时对应的样本数据；

所述处理单元，还用于将待评估商铺的全量测量报告MR数据输入所述数据筛选模型，确定用户位于商铺内时对应的MR数据；

所述处理单元，还用于根据所述用户位于商铺内时对应的MR数据，确定所述待评估商铺的网络覆盖评估结果；

所述处理单元，还用于根据基本特征列，对所述原始数据进行特征提取；其中，所述基本特征列包括所述商铺的主服务小区参考信号接收功率RSRP、邻区RSRP、以及全球定位系统GPS经纬度；

所述处理单元，还用于根据所述CQT测试时的位置信息，对进行特征提取后的所述原始数据，进行数据标注，确定所述样本数据集；所述CQT测试时的位置信息包括：所述测试终端位于商铺内和所述测试终端位于商铺外；

所述处理单元，还用于根据动态时间规整DTW算法和K近邻KNN算法，构建所述数据筛选模型；

所述处理单元，还用于根据所述训练数据集对所述数据筛选模型进行训练；

所述处理单元，还用于根据验证数据集，对所述数据筛选模型进行准确率的验证；若所述准确率满足预设要求，则确定所述数据筛选模型训练完成。

5.根据权利要求4所述的网络覆盖评估装置，其特征在于，

所述处理单元，还用于对所述待评估商铺的全量MR数据进行所述数据处理。

6.根据权利要求4-5任一项所述的网络覆盖评估装置，其特征在于，所述网络覆盖评估结果包括所述待评估商铺的网络覆盖率。

7.一种电子设备，其特征在于，包括：处理器以及存储器；其中，所述存储器用于存储计算机执行指令，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所述计算机执行指令，以使所述电子设备执行权利要求1-3中任一项所述的网络覆盖评估方法。

8.一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包括指令，所述指令当被电子设备执行时使所述计算机执行如权利要求1-3中任一项所述的网络覆盖评估方法。