CN114125865B - 一种5g基站的规划方法、装置、计算设备和存储介质 - Google Patents
一种5g基站的规划方法、装置、计算设备和存储介质 Download PDFInfo
- Publication number
- CN114125865B CN114125865B CN202010899600.1A CN202010899600A CN114125865B CN 114125865 B CN114125865 B CN 114125865B CN 202010899600 A CN202010899600 A CN 202010899600A CN 114125865 B CN114125865 B CN 114125865B
- Authority
- CN
- China
- Prior art keywords
- data
- station
- base station
- coverage
- domain data
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000013439 planning Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000004458 analytical method Methods 0.000 claims abstract description 28
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 29
- 238000004088 simulation Methods 0.000 claims description 13
- 238000007405 data analysis Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 8
- 238000013480 data collection Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 14
- 238000013461 design Methods 0.000 description 13
- 238000007726 management method Methods 0.000 description 12
- 238000005457 optimization Methods 0.000 description 9
- 238000010276 construction Methods 0.000 description 8
- 238000012550 audit Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000011835 investigation Methods 0.000 description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 4
- 238000003066 decision tree Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 239000000047 product Substances 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 229910052742 iron Inorganic materials 0.000 description 2
- 230000006855 networking Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 241000239290 Araneae Species 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- 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
- H04W24/06—Testing, supervising or monitoring using simulated traffic
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种5G基站的规划方法、装置、计算设备和存储介质，通过收集多域数据；根据O域数据以及B域数据的分析结果，得出已有站址的站型建议信息；根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。本发明根据多域数据进行分析得出站址站型的建议信息，提高了数据源的准确性及合理性，同时通过机器学习建立选型策略模型，从而挖掘最优站址站型的建议信息，替代了人工对规划站址站型的选择时的主观预设，极大程度上提升了站址站型的寻优效率。
Description
技术领域
本发明涉及通信技术领域，具体涉及一种5G基站的规划方法、装置、计算设备和存储介质。
背景技术
随着5G网络的发展，对5G基站数量的要求越来越高，现有技术中心5G基站规划需求是各子公司系统根据实际情况，在需求管理侧自下而上向总系统发起需求申请，子公司系统网优进行审核，通过审批后进入总系统的基站需求库。如图1所示，在规划审核流程中，设计院将规划数据进行录入，然后依次由分公司工程部、网优审核，最终子公司系统网优审核通过后进入站点规划库。对于站点建设分为自建与非自建模式，非自建站点进入铁塔对接审核流程，自建站点则进入勘察设计审核流程。在勘察设计审核环节，由设计院启动勘察设计流程，与规划审核流程类似分别需要分公司工程部、分公司网优、省公司网优审核后最终录入勘察设计库。
现有方法虽能对5G基站规划设计审核进行较规范管理，但存在着如下较明显弊端：第一，在需求管理侧缺少从上至下的统筹需求体现，省网优未能完全嵌入需求链环，无法形成规划-设计-优化全流程闭环体系，可能会导致实际需求与规划造成较大偏差；第二，评估数据源过于单一，基本采用MR、测试数据等常规数据，未能关联B域等价值运营数据，无法有效形成高价值用户的感知聚焦；第三，评估方式及标准不一，图1为现有技术的的5G集中规划设计审核及入网流程示意图，如图1所示，5G集中规划设计审核及入网流程中，由最初需求管理到最终后评估环节需遍历6大环节，且涉及约6个部门审核，其中设计院为集团专业公司(集团内部)，铁塔则属于集团外部公司，无法保证每个环节能按既定的评估方式及标准进行刚性审核，尤其是在需求管理及规划审核阶段，依据项目管理协会(ProjectManagement Institute，PMI)提供的项目管理标准中，规划和需求阶段在整个项目管理周期中占据最重要位置，所以在此环节中如未能有刚性约束条件，对整个5G站点建设将产生较大隐性网络质量影响。
发明内容
鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的5G基站的规划方法、装置、计算设备和存储介质。
根据本发明的一个方面，提供了一种5G基站的规划方法，包括：
收集多域数据，所述多域数据包括O域数据和B域数据；
根据所述O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果，得出已有站址的站型建议信息；
根据所述已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。
根据本发明的另一方面，提供了一种5G基站的规划装置，包括：
数据收集模块，用于收集多域数据，所述多域数据包括O域数据和B域数据；
数据分析模块，用于根据所述O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果，得出已有站址的站型建议信息；
模型训练模块，用于根据所述已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
输出模块，用于从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。
根据本发明的又一方面，提供了一种计算设备，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行上述5G基站的规划方法对应的操作。
根据本发明的再一方面，提供了一种计算机存储介质，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如上述5G基站的规划方法对应的操作。
根据本发明的一种5G基站的规划方法、装置、计算设备和存储介质，通过收集多域数据，多域数据包括O域数据和B域数据；根据O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果，得出已有站址的站型建议信息；根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。本发明对多域数据(O域数据和B域数据)进行科学管理，根据多域数据进行分析得出站址站型的建议信息，提高数据源的准确性及合理性，同时通过机器学习建立选型策略模型，从而挖掘最优站址站型的建议信息，替代了人工对规划站址站型的选择时的主观预设，极大程度上提升了站址站型的寻优效率。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明现有技术中5G集中规划设计审核及入网流程示意图；
图2示出了本发明改进后的5G集中规划设计审核及入网流程示意图；
图3示出了本发明实施例提供的一种5G基站的规划方法流程图；
图4示出了本发明实施例提供的一种5G基站的规划方法的示意图；
图5示出了本发明实施例提供的一种5G基站的规划方法的4/5G联合仿真过程示意图；
图6示出了本发明实施例提供的一种5G基站的规划方法的基于Prophet模型的业务流量预测过程示意图；
图7示出了本发明实施例提供的一种5G基站的规划装置的结构示意图；
图8示出了本发明实施例提供的计算设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整的传达给本领域的技术人员。
由于基站站型产品选型多、覆盖场景复杂，因此需精细择优，具体地，基站站型包括：64T宏站设备、32T宏站设备、8T宏站设备、4T和2T微站设备；其中64T宏站设备主要运用于密集城区解决室外容量需求，同时改善高楼层(10层以上)的覆盖；32T宏站设备主要运用于密集城区场景解决室外容量需求，由于垂直维增益不如64T产品，主要用于覆盖中低层区域；8T宏站设备：主要部署于对5G下载速率及容量需求相对不高的乡镇及农村区域；4T和2T微站设备：主要用于城区居民区深度覆盖，结合5G覆盖需求对于支持升级5G的设备优先升级。
为了改进的5G集中规划设计审核及入网流程，一方面，图2为改进后的5G集中规划设计审核及入网流程示意图，如图2所示，通过在需求管理侧增加从上至下的省级网优管理链条，将网优对网络质量需求进行前置，由省网优集中推送需求，分公司确认并补充数据后由省网优审核，进而将网络质量需求发送至需求库，通过省网优对现有网络质量及仿真趋势预测，从而更好的进行5G网络覆盖、容量、干扰等统筹把控，分公司可介入/补充进行最大程度的信息交互；另一方面，可以结合多域数据，将多域数据进行科学关联，提高规划数据的准确性及合理性。
图3示出了本发明一种5G基站的规划方法实施例的流程图，如图3所示，该方法包括以下步骤：
步骤S310：收集多域数据，多域数据包括O域数据和B域数据。
在一种可选的方式中，步骤S310进一步包括：收集O域数据，O域数据至少包括：测量报告数据和业务流量数据；收集B域数据，B域数据至少包括：用户数据；该方法还包括：收集已有基站站址数据信息以及可继承4G通信网络工参数据信息。
在本步骤中，可以通过预设的时间间隔多阶段收集多域数据，其中O域数据指的是操作支撑系统(Operation Support System，OSS)的数据域的数据，包括网络质量的相关指标数据，如：北向数据中的测量报告(Measurement Report，MR)数据、业务流量数据等；B域数据指的是业务支撑系统(Business Support System，BSS)的数据域的数据，主要涵盖用户数据，如：用户信息、用户消费习惯、每用户平均收入(Average Revenue Per User，ARPU)数值的分组以及用户投诉数据等，通过对用户数据分析可以得到高价值用户数据信息。
图4为本实施例一种5G基站的规划方法的示意图，如图4所示，在步骤S310中，还可以收集已有基站站址数据信息以及可继承4G通信网络工参数据信息等其它数据，其中，已有基站站址数据信息指的是获取已有基站站址地形地貌等物理位置GIS信息；可继承4G通信网络工参数据信息指的是获取在相同D频段下的工参配置信息。
以上步骤S310主要涉及数据源粗选及清洗过程。
步骤S320：根据O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果。
在一种可选的方式中，步骤S320进一步包括：对测量报告数据通过4/5G联合仿真算法进行评估，得到不同站型下5G和4G共覆盖小区的覆盖对比结果；将业务流量数据输入至时间序列算法模型中，预测得到未来预设时间段内的业务流量预测结果。
图5为4/5G联合仿真过程示意图，如图5所示，在步骤S320中，由于5G网络与4G网络的LTE D频段同处2.6GHz频段，具有相同的传播特性，因此，通过步骤S310收集的现网海量的MR数据结合4G网络和5G网络差异以及不同站型之间的差异预测不同站型下5G和4G共覆盖小区的覆盖对比效果，从而评估不同站型下5G和4G共覆盖小区的覆盖对比结果；具体地说，位置数据采集阶段通过步骤S310收集的现网海量的MR数据以及云端(Over The TOP，OTT)数据、WIFI数据、家宽(家庭宽带)数据和掌厅(掌上营业厅)数据等；分析并对上述数据进行位置定位得到OTT定位/掌厅定位信息、WLAN信息以及MR指纹库信息，对上述信息通过蛛网格校准算法进行校准，采用综合指纹库定位的方法进行定位，从而得到位置定位信息；对上述位置定位信息通过快速射线追踪模型算法、4/5G覆盖差异分析(例如，依据5G网络与4G网络的覆盖功率或覆盖增益差异的分析等)以及64/32/16/8TR设备差异分析等4/5G联合仿真算法的处理；得到不同设备类型覆盖对比信息、不同设备4/5G共覆盖分析数据以及5G基站设备选型建议。
进一步地，将业务流量数据输入至时间序列算法模型中(例如Prophet预测模型)进行预测，图6为基于Prophet模型的业务流量预测过程示意图，如图6所示，将小区负荷数据输入Prophet模型，其中，小区负荷数据至少包括以下信息：基站的上下行物理资源块(Physical Resource Block，PRB)利用率、上下行流量等、,控制信道元(Control ChannelElement，CCE)占用率、有效无线资源控制(Radio Resource Control，RRC)连接平均数、双连接的RRC连接平均数以及RRC连接平均数，经过Prophet模型的AI预测，输出小区未来负荷数据，依据不同站型之间的容量差异，预测得到未来预设时间段内的业务流量预测结果，结合业务流量预测结果、不同站型的适用场景和不同站型的小区容量差异进行后续的站型建议，从而实现提前预判的精细化挑选5G基站站型，通过业务流量预测降低5G基站站型选择带来的用户感知风险。
在一种可选的方式中，该方法还可以包括步骤：对用户数据进行分析得到B域数据的分析结果，B域数据的分析结果包括：价值数据高于预设值的用户数据信息(这里主要指获取一些高价值用户数据)以及用户投诉数据。
在一种可选的方式中，该方法还可以包括步骤：对已有基站站址数据信息以及可继承4G通信网络工参数据信息进行特征提取，得到相应基站的特征数据。
以上步骤S320主要涉及数据源精筛及分析过程。
步骤S330：根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果，得出已有站址的站型建议信息。
在一种可选的方式中，步骤S330进一步包括：采用连续密度聚类算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果进行处理，得出新增站址建议信息；采用协同过滤算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果进行处理，得出已有站址的站型建议信息。
在本步骤中，通过连续密度聚类算法识别现网及未来网络中的覆盖忙点及热点区域，具体地，连续密度聚类算法是通过任选数据集中的一个核心对象作为基点，创建一个簇并找出它所有的核心对象，寻找合并核心对象密度可达的对象，直到所有核心对象均被遍历访问为止，其中在此簇中可以包含一个核心对象：如果只有一个核心对象，则其他非核心对象都落在核心对象的ε-邻域内；如果有多个核心对象，则任意一个核心对象的ε-邻域内至少有一个其他核心对象，否则这两个核心对象无法密度可达；包含过少对象的簇可以被认为是噪音，因此，可以将通过输入步骤不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果作为连续密度聚类算法的输入源，经过连续密度聚类算法的处理得出簇划分集合，根据簇划分集合得出新增站址建议信息。
进一步地，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果采用协同过滤算法过滤出相似用户或相似的站址和站型，其中，B域数据的分析结果至少包括价值数据高于预设值的用户数据信息以及用户投诉数据。具体地说，协同过滤算法具体包括：首先计算不同基站站址/站型之间的相似度，相似度计算可以采用计算欧几里德距离、计算皮尔逊相关系数、计算余弦相似度或者计算Tanimoto系数来实现，在此不再赘述，基于基站站址/站型的相似度计算找到类似属性的基站，具体地说，基于基站站址/站型的相似度计算聚类找到类似属性的基站，然后将该基站进行站址/站型参数赋值，就是将一个基站对所有资源/参数的设置作为一个向量来计算基站站址/站型之间的相似度，例如，找到基准基站K基站后，根据基站站址/站型的相似度权重以及基站对资源/参数的偏好，预测当前K基站没有偏好的未涉及资源/参数，计算得到一个排序的资源/参数列表作为推荐，对于基站A，根据其资源/参数设置，计算得到一个邻居基站B，于是将基站的B资源/参数设置推荐给邻站C。
依据类似属性基站的划分得出已有站址的站型建议信息。
以上步骤S330涉及粗调算法过程和初步结果输出过程。
步骤S340：根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型。
在本步骤中，通过已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，结合梯度提升迭代决策树(Gradient Boosting Decision Tree,GDBT)算法进行机器学习建模，将基站站型选择策略进行算法固化，训练得到选型策略模型，从而为后续的设备选型工作提供算法模型，提高基站站型选择效率。
GBDT算法是一种迭代的决策树算法，由多棵决策树组成，所有树的结论累加起来作为最终答案，其思想是对于训练数据集，通过训练若干个个体学习器，通过一定的结合策略形成一个强学习器，以达到博采众长的目的。具体地说，根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，将该训练样本集通过多轮迭代,每轮迭代产生一个弱分类器，每个分类器在上一轮分类器的残差基础上进行训练，需要特别说明的是，训练的过程是通过降低偏差来不断提高最终分类器的精度，因此对弱分类器的要求一般是足够简单，并且是低方差和高偏差的。
以上步骤S340涉及精调算法过程。
步骤S350：从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。本步骤涉及特征数据精取以及机器智能建模过程，以及寻优选择输出过程。
在一种可选的方式中，该方法还包括：根据新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，进而对选型策略模型进行迭代更新。
具体地说，通过新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，完善选型策略模型，实现轮调迭代寻优，从而全面预测挖掘5G站型站址的最大相似度并提供最优的5G基站规划建议，极大提升了寻优效率。
采用本实施例的方法，基于O域数据、B域数据、已有基站站址数据信息以及可继承4G通信网络工参数据信息，将多域数据(O域数据和B域数据)进行科学管理，根据多域数据进行分析得出站址站型的建议信息，提高数据源的准确性及合理性，同时通过机器学习建立选型策略模型，并通过迭代完善选型策略模型，从而挖掘最优站址站型的建议信息，避免了人工对规划站址站型的选择时对数据源的主观预设，结合协同过滤算法输出已有站址的站型建议信息，通过连续聚类算法识别现网及未来网络中的覆盖忙点及热点区域，给出得出新增站址建议信息，并通过新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，完善选型策略模型，从而全面预测挖掘5G站型站址的最大相似度并提供最优的5G基站规划建议，极大提升了寻优效率。
图7示出了本发明一种5G基站的规划装置实施例的结构示意图。如图7所示，该装置包括：数据收集模块710、数据分析模块720、模型训练模块730、输出模块740和模型更新模块750。
数据收集模块710，用于收集多域数据，多域数据包括O域数据和B域数据。
在一种可选的方式中，数据收集模块710进一步用于：收集O域数据，O域数据至少包括：测量报告数据和业务流量数据；收集B域数据，B域数据至少包括：用户数据；收集已有基站站址数据信息以及可继承4G通信网络工参数据信息。
数据分析模块720，用于根据O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果，得出已有站址的站型建议信息。
在一种可选的方式中，数据分析模块720进一步用于：对已有基站站址数据信息以及可继承4G通信网络工参数据信息进行特征提取，得到相应基站的特征数据。
在一种可选的方式中，数据分析模块720进一步用于：对测量报告数据通过4/5G联合仿真算法进行评估，得到不同站型下5G和4G共覆盖小区的覆盖对比结果；将业务流量数据输入至时间序列算法模型中，预测得到未来预设时间段内的业务流量预测结果。
在一种可选的方式中，数据分析模块720进一步用于：对用户数据进行分析得到B域数据的分析结果，B域数据的分析结果包括：价值数据高于预设值的用户数据信息以及用户投诉数据。
在一种可选的方式中，数据分析模块720进一步用于：采用连续密度聚类算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果进行处理，得出新增站址建议信息；采用协同过滤算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果进行处理，得出已有站址的站型建议信息。
模型训练模块730，用于根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型。
输出模块740，用于从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。
在一种可选的方式中，该装置还可以包括：模型更新模块750，用于根据新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，进而对选型策略模型进行迭代更新。
采用本实施例的装置，基于O域数据、B域数据、已有基站站址数据信息以及可继承4G通信网络工参数据信息，将多域数据(O域数据和B域数据)进行科学管理，根据多域数据进行分析得出站址站型的建议信息，提高数据源的准确性及合理性，同时通过机器学习建立选型策略模型，并通过迭代完善选型策略模型，从而挖掘最优站址站型的建议信息，避免了人工对规划站址站型的选择时对数据源的主观预设，结合协同过滤算法输出已有站址的站型建议信息，通过连续聚类算法识别现网及未来网络中的覆盖忙点及热点区域，给出得出新增站址建议信息，并通过新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，完善选型策略模型，从而全面预测挖掘5G站型站址的最大相似度并提供最优的5G基站规划建议，极大提升了寻优效率。
本发明实施例提供了一种非易失性计算机存储介质，计算机存储介质存储有至少一可执行指令，该计算机可执行指令可执行上述任意方法实施例中的5G基站的规划方法。
可执行指令具体可以用于使得处理器执行以下操作：
收集多域数据，多域数据包括O域数据和B域数据；
根据O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果，得出已有站址的站型建议信息；
根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。
图8示出了本发明计算设备实施例的结构示意图，本发明具体实施例并不对计算设备的具体实现做限定。
如图8所示，该计算设备可以包括：
处理器(processor)、通信接口(Communications Interface)、存储器(memory)、以及通信总线。
其中：处理器、通信接口、以及存储器通过通信总线完成相互间的通信。通信接口，用于与其它设备比如客户端或其它服务器等的网元通信。处理器，用于执行程序，具体可以执行上述5G基站的规划方法实施例中的相关步骤。
具体地，程序可以包括程序代码，该程序代码包括计算机操作指令。
处理器可能是中央处理器CPU，或者是特定集成电路ASIC(Application SpecificIntegrated Circuit)，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。服务器包括的一个或多个处理器，可以是同一类型的处理器，如一个或多个CPU；也可以是不同类型的处理器，如一个或多个CPU以及一个或多个ASIC。
存储器，用于存放程序。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器(non-volatile memory)，例如至少一个磁盘存储器。
程序具体可以用于使得处理器执行以下操作：
收集多域数据，多域数据包括O域数据和B域数据；
根据O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及B域数据的分析结果，得出已有站址的站型建议信息；
根据已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息。
在此提供的算法或显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明实施例也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
类似地，应当理解，为了精简本发明并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤，除有特殊说明外，不应理解为对执行顺序的限定。
Claims (9)
1.一种5G基站的规划方法，其特征在于，包括：
收集多域数据，所述多域数据包括O域数据和B域数据；所述O域数据指的是操作支撑系统的数据域的数据；所述O域数据至少包括：测量报告数据和业务流量数据；B域数据指的是业务支撑系统的数据域的数据；所述B域数据至少包括：用户数据；
根据所述O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；
根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果，得出已有站址的站型建议信息；
根据所述已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息；
其中，所述根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息进一步包括：采用连续密度聚类算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果进行处理，得出新增站址建议信息；
所述根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果，得出已有站址的站型建议信息进一步包括：采用协同过滤算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果进行处理，得出已有站址的站型建议信息。
2.依据权利要求1所述的方法，其特征在于，所述方法还包括：收集已有基站站址数据信息以及可继承4G通信网络工参数据信息，对已有基站站址数据信息以及可继承4G通信网络工参数据信息进行特征提取，得到相应基站的特征数据。
3.依据权利要求2所述的方法，其特征在于，所述根据所述O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果进一步包括：
对所述测量报告数据通过4/5G联合仿真算法进行评估，得到不同站型下5G和4G共覆盖小区的覆盖对比结果；
将所述业务流量数据输入至时间序列算法模型中，预测得到未来预设时间段内的业务流量预测结果。
4.根据权利要求2所述的方法，其特征在于，所述方法还包括：
对所述用户数据进行分析得到所述B域数据的分析结果，所述B域数据的分析结果包括：价值数据高于预设值的用户数据信息以及用户投诉数据。
5.依据权利要求1所述的方法，其特征在于，所述方法还包括：
根据新增站址站型的建议信息，对选型策略模型的训练样本集进行样本扩充，进而对选型策略模型进行迭代更新。
6.一种5G基站的规划装置，其特征在于，包括：
数据收集模块，用于收集多域数据，所述多域数据包括O域数据和B域数据；所述O域数据指的是操作支撑系统的数据域的数据；所述O域数据至少包括：测量报告数据和业务流量数据；B域数据指的是业务支撑系统的数据域的数据；所述B域数据至少包括：用户数据；
数据分析模块，用于根据所述O域数据，进行4/5G联合仿真和业务流量预测，分别得到不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果，得出新增站址建议信息；根据不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果，得出已有站址的站型建议信息；
模型训练模块，用于根据所述已有站址的站型建议信息和所提取的相应基站的特征数据构建训练样本集，训练得到选型策略模型；
输出模块，用于从新增站址建议信息中抽取新增基站的特征数据，根据新增基站的特征数据和选型策略模型进行站型自配置机器学习，输出新增站址站型的建议信息；
其中，所述数据分析模块进一步用于：采用连续密度聚类算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及业务流量预测结果进行处理，得出新增站址建议信息；采用协同过滤算法，对不同站型下5G和4G共覆盖小区的覆盖对比结果以及所述B域数据的分析结果进行处理，得出已有站址的站型建议信息。
7.依据权利要求6所述的装置，其特征在于，所述数据收集模块进一步用于：收集已有基站站址数据信息以及可继承4G通信网络工参数据信息；
所述数据分析模块进一步用于：对已有基站站址数据信息以及可继承4G通信网络工参数据信息进行特征提取，得到相应基站的特征数据。
8.一种计算设备，其特征在于，包括：处理器、存储器、通信接口和通信总线，所述处理器、所述存储器和所述通信接口通过所述通信总线完成相互间的通信；
所述存储器用于存放至少一可执行指令，所述可执行指令使所述处理器执行如权利要求1-5中任一项所述的5G基站的规划方法对应的操作。
9.一种计算机存储介质，其特征在于，所述存储介质中存储有至少一可执行指令，所述可执行指令使处理器执行如权利要求1-5中任一项所述的5G基站的规划方法对应的操作。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010899600.1A CN114125865B (zh) | 2020-08-31 | 2020-08-31 | 一种5g基站的规划方法、装置、计算设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010899600.1A CN114125865B (zh) | 2020-08-31 | 2020-08-31 | 一种5g基站的规划方法、装置、计算设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114125865A CN114125865A (zh) | 2022-03-01 |
| CN114125865B true CN114125865B (zh) | 2023-10-27 |
Family
ID=80360158
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010899600.1A Active CN114125865B (zh) | 2020-08-31 | 2020-08-31 | 一种5g基站的规划方法、装置、计算设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114125865B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114845314A (zh) * | 2022-04-20 | 2022-08-02 | 湖南华诺科技有限公司 | 一种基于多维价值体系的5g无线网络站址规划及优化方法 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008141551A1 (fr) * | 2007-05-17 | 2008-11-27 | Huawei Technologies Co., Ltd. | Procédé et équipement pour la planification du réseau d'un système de communication |
| CN101437232A (zh) * | 2008-12-25 | 2009-05-20 | 中国移动通信集团福建有限公司 | 密集话务区无线规划和优化方法 |
| CN104968003A (zh) * | 2015-06-26 | 2015-10-07 | 北京中网华通设计咨询有限公司 | 基站共建共享规划方法 |
| CN107517465A (zh) * | 2016-06-17 | 2017-12-26 | 中国移动通信集团上海有限公司 | 一种对fdd-lte基站站址的筛选方法和装置 |
| CN107846688A (zh) * | 2017-10-17 | 2018-03-27 | 中国联合网络通信集团有限公司 | 一种基于多运营商的无线网络站址规划方法和装置 |
| CN107872808A (zh) * | 2017-09-26 | 2018-04-03 | 广东省电信工程有限公司 | 一种wlan站址预测分析方法及装置 |
| 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 |
| CN109462855A (zh) * | 2019-01-09 | 2019-03-12 | 中国联合网络通信集团有限公司 | 基站寻址方法、装置、设备及存储介质 |
| CN110493788A (zh) * | 2018-05-15 | 2019-11-22 | 中国移动通信集团湖北有限公司 | 通信站点规划的方法、装置和存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4819303B2 (ja) * | 2002-10-23 | 2011-11-24 | 日本電気株式会社 | 移動通信システムにおける基地局設置設計方法及び基地局設置設計装置並びにプログラム |
| KR102584996B1 (ko) * | 2018-07-05 | 2023-10-05 | 삼성전자주식회사 | 무선 네트워크 디자인 방법, 저장매체 및 전자 장치 |
-
2020
- 2020-08-31 CN CN202010899600.1A patent/CN114125865B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2008141551A1 (fr) * | 2007-05-17 | 2008-11-27 | Huawei Technologies Co., Ltd. | Procédé et équipement pour la planification du réseau d'un système de communication |
| CN101437232A (zh) * | 2008-12-25 | 2009-05-20 | 中国移动通信集团福建有限公司 | 密集话务区无线规划和优化方法 |
| CN104968003A (zh) * | 2015-06-26 | 2015-10-07 | 北京中网华通设计咨询有限公司 | 基站共建共享规划方法 |
| CN107517465A (zh) * | 2016-06-17 | 2017-12-26 | 中国移动通信集团上海有限公司 | 一种对fdd-lte基站站址的筛选方法和装置 |
| CN107872808A (zh) * | 2017-09-26 | 2018-04-03 | 广东省电信工程有限公司 | 一种wlan站址预测分析方法及装置 |
| CN107846688A (zh) * | 2017-10-17 | 2018-03-27 | 中国联合网络通信集团有限公司 | 一种基于多运营商的无线网络站址规划方法和装置 |
| CN110493788A (zh) * | 2018-05-15 | 2019-11-22 | 中国移动通信集团湖北有限公司 | 通信站点规划的方法、装置和存储介质 |
| 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 |
| CN109462855A (zh) * | 2019-01-09 | 2019-03-12 | 中国联合网络通信集团有限公司 | 基站寻址方法、装置、设备及存储介质 |
Non-Patent Citations (4)
| Title |
|---|
| 5G基站建设存在问题及解决策略;章伟飞;张新;;电信快报(04);全文 * |
| GSM/WCDMA网络共基站建设分析;王建生;;电信工程技术与标准化(01);全文 * |
| TD-SCDMA与2G共址网络规划探讨;姜启广;;电信科学(11);全文 * |
| 基于业务流量密度的5G宏基站规划方法研究;王思宇;《5G网络创新研讨会（2019）论文集》;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114125865A (zh) | 2022-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105404648A (zh) | 一种基于密度与紧密度聚类的用户移动行为确定方法 | |
| CN108243435B (zh) | 一种lte小区场景划分中的参数优化方法及装置 | |
| CN107147514B (zh) | 一种电力通信网络优化资源配置方法及系统 | |
| CN110474786B (zh) | 基于随机森林分析VoLTE网络故障原因的方法及装置 | |
| CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
| CN112365366A (zh) | 一种基于智能化5g切片的微电网管理方法及系统 | |
| CN109800144A (zh) | 应用程序的测试方法、系统及装置 | |
| CN114125865B (zh) | 一种5g基站的规划方法、装置、计算设备和存储介质 | |
| CN108462965A (zh) | 一种铁塔需求站址共享规划方法 | |
| CN114641015A (zh) | 网络评估方法、装置、电子设备及存储介质 | |
| CN112965795B (zh) | 集群调度方法、电子设备及存储介质 | |
| US11425635B2 (en) | Small cell identification using machine learning | |
| CN101938769B (zh) | 一种无线通讯网络优化数据的处理方法及系统 | |
| CN110913407A (zh) | 重叠覆盖的分析方法及装置 | |
| CN110505632B (zh) | 站址规划方法和装置 | |
| CN114629767A (zh) | 电力调度网络仿真方法、装置、计算机设备和存储介质 | |
| Ebadifard et al. | A modified black hole-based multi-objective workflow scheduling improved using the priority queues for cloud computing environment | |
| CN109872215A (zh) | 一种基于互联网的家居设计提供方法及系统 | |
| CN107517474B (zh) | 一种网络分析优化方法及装置 | |
| CN114091560A (zh) | 一种通信站址的规划方法、装置、设备以及可读存储介质 | |
| CN114489574B (zh) | 一种基于svm的流处理框架的自动调优方法 | |
| CN114239406A (zh) | 一种基于强化学习的财务流程挖掘方法和相关装置 | |
| CN114239247A (zh) | 基于pbom的关联物料构建方法、设备及介质 | |
| Liu et al. | Expected value-based method to determine the importance of engineering characteristics in QFD with uncertainty theory | |
| CN111861843A (zh) | 基于交通可达性的覆盖设施盲区查找方法及装置 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |