CN114157374A - 小区无线信号强度预测方法和装置、计算机可读存储介质 - Google Patents

小区无线信号强度预测方法和装置、计算机可读存储介质 Download PDF

Info

Publication number
CN114157374A
CN114157374A CN202010933982.5A CN202010933982A CN114157374A CN 114157374 A CN114157374 A CN 114157374A CN 202010933982 A CN202010933982 A CN 202010933982A CN 114157374 A CN114157374 A CN 114157374A
Authority
CN
China
Prior art keywords
grid
rsrp
attenuation
signal strength
cell
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
Application number
CN202010933982.5A
Other languages
English (en)
Inventor
李涛
范家杰
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 CN202010933982.5A priority Critical patent/CN114157374A/zh
Publication of CN114157374A publication Critical patent/CN114157374A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/309—Measuring or estimating channel quality parameters
    • H04B17/318—Received signal strength
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3912—Simulation models, e.g. distribution of spectral power density or received signal strength indicator [RSSI] for a given geographic region
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B17/00—Monitoring; Testing
    • H04B17/30—Monitoring; Testing of propagation channels
    • H04B17/391—Modelling the propagation channel
    • H04B17/3913—Predictive models, e.g. based on neural network models

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Signal Processing (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Electromagnetism (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Quality & Reliability (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本公开涉及一种小区无线信号强度预测方法和装置、计算机可读存储介质。该小区无线信号强度预测方法包括：对无线网络中带位置信息的测量报告数据进行地理栅格化处理；对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库；采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练；将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。本公开通过聚类算法能够通过各栅格的信号衰减特征挖掘出不同地理环境给信号传播相关性，从而避免了地理参数的计算，提高了仿真预测的效率。

Description

小区无线信号强度预测方法和装置、计算机可读存储介质
技术领域
本公开涉及移动通信领域，特别涉及一种小区无线信号强度预测方法和装置、计算机可读存储介质。
背景技术
无线信号在空间传播时，特别是城市内建筑物众多的情况下受地形地貌特征的影响很大。相关技术的无线信号强度仿真模型如射线追踪模型、Okumura-Hata模型、Cost231-Hata模型和Walfisch-Ikegami模型等需要专门的地图数据，计算参数多，后续还需要路测数据来进行模型数据的修正。
发明内容
发明人通过研究发现：另一相关技术基于信号覆盖采样测量结果进行构建模型来进行覆盖仿真，但这种方式需要专门的信号测量功能模块，而且预测精度受采样点的数量限制比较大。
鉴于以上技术问题中的至少一项，本公开提供了一种小区无线信号强度预测方法和装置、计算机可读存储介质，避免了传统的无线信号传播模型的地理参数的计算，提高了仿真预测的效率。
根据本公开的一个方面，提供一种小区无线信号强度预测方法，包括：
对无线网络中带位置信息的测量报告数据进行地理栅格化处理；
对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库；
采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练；
将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
在本公开的一些实施例中，所述对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库包括：
对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，构造特征数据表；
通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类；
汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
在本公开的一些实施例中，所述对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，构造特征数据表包括：
对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值；
计算所述栅格和基站的距离和方向角；
获取栅格所在小区的无线基础数据；
根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
在本公开的一些实施例中，所述栅格的RSRP衰减特征包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
根据本公开的另一方面，提供一种小区无线信号强度预测装置，包括：
栅格化信号衰减处理模块，用于对无线网络中带位置信息的测量报告数据进行地理栅格化处理；对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据构建特征数据表；
聚类分析模块，用于采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库；
预测模型训练模块，用于采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练；
信号强度预测模块，用于将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
在本公开的一些实施例中，聚类分析模块，用于通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类；汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
在本公开的一些实施例中，栅格化信号衰减处理模块，用于对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值；计算所述栅格和基站的距离和方向角；获取栅格所在小区的无线基础数据；根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
在本公开的一些实施例中，所述栅格的RSRP衰减特征包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
根据本公开的另一方面，提供一种小区无线信号强度预测装置，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述小区无线信号强度预测装置执行实现如上述任一实施例所述的小区无线信号强度预测方法的操作。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例所述的小区无线信号强度预测方法。
本公开通过机器学习聚类算法能够通过各栅格的信号衰减特征挖掘出不同地理环境给信号传播相关性，从而避免了传统的无线信号传播模型的地理参数的计算，提高了仿真预测的效率。
附图说明
为了更清楚地说明本公开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公开的一些实施例，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为本公开小区无线信号强度预测方法一些实施例的示意图。
图2为本公开一些实施例中构造分类信号强度指纹库的示意图。
图3为本公开一些实施例中构造特征数据表的示意图。
图4为本公开小区无线信号强度预测装置一些实施例的示意图。
图5为本公开小区无线信号强度预测装置又一些实施例的示意图。
具体实施方式
下面将结合本公开实施例中的附图，对本公开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公开一部分实施例，而不是全部的实施例。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。基于本公开中的实施例，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，都属于本公开保护的范围。
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。
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授权说明书的一部分。
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。
发明人通过研究发现：在无线通信网络中接收端无线信号强度除了受所发射基站参数相关外其衰减特征能反馈出接收位置的地理特征。
因此，本公开提供了一种小区无线信号强度预测方法和装置、计算机可读存储介质，下面通过具体实施例对本公开进行说明。
图1为本公开小区无线信号强度预测方法一些实施例的示意图。优选的，本实施例可由本公开小区无线信号强度预测装置执行。该小区无线信号强度预测方法包括以下步骤100-步骤400，其中：
步骤100，对无线网络中带位置信息的MR(Measurement Report，测量报告)数据进行地理栅格化处理。
步骤200，对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP(ReferenceSignal Receiving Power，参考信号接收功率)衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库。
在本公开的一些实施例中，所述栅格的RSRP衰减特征可以包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
图2为本公开一些实施例中构造分类信号强度指纹库的示意图。如图2所示，图1实施例的步骤200可以包括步骤210-步骤230，其中：
步骤220，对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，构造特征数据表。
图3为本公开一些实施例中构造特征数据表的示意图。如图3所示，图2实施例的步骤210可以包括步骤211-步骤214，其中：
步骤211，对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值。
在本公开的一些实施例中，所述栅格周边栅格指的是栅格周边的N个栅格。
在本公开的一些具体实施例中，所述栅格周边栅格指的是栅格周边的8个栅格。
步骤212，计算所述栅格和基站的距离和方向角。
步骤213，获取栅格所在小区的无线基础数据。
在本公开的一些实施例中，所述无线基础数据可以包括小区基站的频率、发射功率、方向角和下倾角等无线基础数据。
步骤214，根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
步骤220，通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类。
在本公开的一些实施例中，使用机器学习聚类算法作为栅格的分类算法。
步骤230，汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
步骤300，采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练。
在本公开的一些实施例中，所述机器学习预测算法可以为lightGBM(LightGradient Boosting Machine，轻型梯度提升机)或XGBoost(eXtreme Gradient Boosting，极端梯度提升)等机器学习预测算法。
在本公开的一些实施例中，使用机器学习预测算法训练构建预测模型。
步骤400，将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
基于本公开上述实施例提供的小区无线信号强度预测方法，是一种基于无线信号衰减特征聚类的覆盖预测仿真的方法，本公开上述实施例通过机器学习聚类算法对无线信号衰减特征分类，进而预测目标范围的RSRP值，同时可以通过无线通信网络的海量的MR数据实现预测模型的迭代优化，从而提高仿真预测的准确性，避免了地形地貌特征的依赖和路测修正的工作。本公开上述实施例可用于无线通信网络扩容建设的信号覆盖的仿真和自动评估。
图4为本公开小区无线信号强度预测装置一些实施例的示意图。如图4所示，本公开小区无线信号强度预测装置可以包括栅格化信号衰减处理模块41、聚类分析模块42、预测模型训练模块43和信号强度预测模块44，其中：
栅格化信号衰减处理模块41，用于对无线网络中带位置信息的测量报告数据进行地理栅格化处理；对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据构建特征数据表。
在本公开的一些实施例中，栅格化信号衰减处理模块41可以用于对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值；计算所述栅格和基站的距离和方向角；获取栅格所在小区的无线基础数据；根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
在本公开的一些实施例中，所述无线基础数据可以包括小区基站的频率、发射功率、方向角和下倾角等无线基础数据。
在本公开的一些实施例中，所述栅格的RSRP衰减特征可以包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
在本公开的一些实施例中，所述栅格周边栅格指的是栅格周边的N个栅格。
在本公开的一些具体实施例中，所述栅格周边栅格指的是栅格周边的8个栅格。
聚类分析模块42，用于采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库。
在本公开的一些实施例中，聚类分析模块42可以用于通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类；汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
在本公开的一些实施例中，使用机器学习聚类算法作为栅格的分类算法。
预测模型训练模块43，用于采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练。
在本公开的一些实施例中，所述机器学习预测算法可以为lightGBM或XGBoost等机器学习预测算法。
在本公开的一些实施例中，使用机器学习预测算法训练构建预测模型。
信号强度预测模块44，用于将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
在本公开的一些实施例中，本公开小区无线信号强度预测装置可以用于执行实现如上述任一实施例(例如图1-图3任一实施例)所述的小区无线信号强度预测方法的操作。
基于本公开上述实施例提供的小区无线信号强度预测装置，利用现有无线通信网络中带位置信息的MR信息，地理栅格化后对比各栅格与其周边栅格的RSRP衰减特征，结合发射设备的基础数据利用机器学习中的聚类算法构造不同衰减的分类的RSRP指纹库，通过类似lightGBM等算法模型训练构建预测模型实现目标小区无线通信网络中信号覆盖强度的预测仿真。本公开上述实施例网络中的MR信息使无线信号强度的指纹库可以自动定时进行迭代更新，不需路测实现预测数据的优化更新，从而提高了预测的准确度。
图5为本公开小区无线信号强度预测装置又一些实施例的示意图。如图5所示，本公开小区无线信号强度预测装置可以包括存储器51和处理器52，其中：
存储器51，用于存储指令。
处理器52，用于执行所述指令，使得所述小区无线信号强度预测装置执行实现如上述任一实施例(例如图1-图3任一实施例)所述的小区无线信号强度预测方法的操作。
本公开上述实施例利用现有通信网络中带位置信息的MR信息作为源数据。
本公开上述实施例利用了现有无线通信网络上采集到的带地理位置的信号覆盖数据，无需专门的无线信号测量的功能模块；本公开上述实施例数据来源稳定快速，能不断地进行优化迭代，从而提高了预测仿真的准确性。
本公开上述实施例中通过机器学习聚类算法能够通过各栅格的信号衰减特征挖掘出不同地理环境给信号传播相关性，从而避免了传统的无线信号传播模型的地理参数的计算，提高了仿真预测的效率。
本公开上述实施例的小区无线信号强度预测方法和装置已经在申请人某省级网络智慧运营平台中的天翼蓝图模块进行实施使用，作为扩容规划建设的预测和评估，通过对比预测结果和建站后实测结果可知，本公开上述实施例大大提高了小区无线信号强度的预测精度。
根据本公开的另一方面，提供一种计算机可读存储介质，其中，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如上述任一实施例(例如图1-图3任一实施例)所述的小区无线信号强度预测方法。
基于本公开上述实施例提供的计算机可读存储介质，利用现有无线通信网络中带位置信息的MR信息，地理栅格化后对比各栅格与其周边栅格的RSRP衰减特征，结合发射设备的基础数据利用机器学习中的聚类算法构造不同衰减的分类的RSRP指纹库，通过类似lightGBM等算法模型训练构建预测模型实现目标小区无线通信网络中信号覆盖强度的预测仿真。本公开上述实施例网络中的MR信息使无线信号强度的指纹库可以自动定时进行迭代更新，不需路测实现预测数据的优化更新，从而提高了预测的准确度。
在上面所描述的小区无线信号强度预测装置可以实现为用于执行本申请所描述功能的通用处理器、可编程逻辑控制器(PLC)、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件或者其任意适当组合。
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。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指示相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
本公开的描述是为了示例和描述起见而给出的，而并不是无遗漏的或者将本公开限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显然的。选择和描述实施例是为了更好说明本公开的原理和实际应用，并且使本领域的普通技术人员能够理解本公开从而设计适于特定用途的带有各种修改的各种实施例。

Claims (10)

1.一种小区无线信号强度预测方法，其特征在于，包括：
对无线网络中带位置信息的测量报告数据进行地理栅格化处理；
对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库；
采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练；
将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
2.根据权利要求1所述的小区无线信号强度预测方法，其特征在于，所述对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据，采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库包括：
对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，构造特征数据表；
通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类；
汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
3.根据权利要求2所述的小区无线信号强度预测方法，其特征在于，所述对于每一栅格，对比所述栅格和所述栅格周边栅格的RSRP衰减特征，并结合发射设备的基础数据，构造特征数据表包括：
对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值；
计算所述栅格和基站的距离和方向角；
获取栅格所在小区的无线基础数据；
根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
4.根据权利要求1-3中任一项所述的小区无线信号强度预测方法，其特征在于，
所述栅格的RSRP衰减特征包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
5.一种小区无线信号强度预测装置，其特征在于，包括：
栅格化信号衰减处理模块，用于对无线网络中带位置信息的测量报告数据进行地理栅格化处理；对于每一栅格，对比所述栅格和所述栅格周边栅格的参考信号接收功率RSRP衰减特征，并结合发射设备的基础数据构建特征数据表；
聚类分析模块，用于采用聚类算法构造不同RSRP衰减特征分类的分类信号强度指纹库；
预测模型训练模块，用于采用机器学习预测算法，根据分类信号强度指纹库对信号强度预测模型进行训练；
信号强度预测模块，用于将待预测小区的无线基础数据输入信号强度预测模型，得到待预测小区下各个栅格的信号强度数据。
6.根据权利要求5所述的小区无线信号强度预测装置，其特征在于，
聚类分析模块，用于通过聚类算法对特征数据表中的栅格进行分类，得到各栅格的RSRP衰减特征的分类；汇总栅格特征数据构造带分类特征的分类信号强度指纹库。
7.根据权利要求5或6所述的小区无线信号强度预测装置，其特征在于，
栅格化信号衰减处理模块，用于对于每一栅格，计算所述栅格RSRP均值和所述栅格周边栅格的RSRP衰减值，获取RSRP衰减的范围值；计算所述栅格和基站的距离和方向角；获取栅格所在小区的无线基础数据；根据RSRP衰减的范围值、所述栅格和基站的距离和方向角、栅格所在小区的无线基础数据，共同构造特征数据表。
8.根据权利要求5或6所述的小区无线信号强度预测装置，其特征在于，
所述栅格的RSRP衰减特征包括所述栅格的RSRP均值和所述栅格周边栅格的RSRP均值最小值、均值最大值和平均方差。
9.一种小区无线信号强度预测装置，其特征在于，包括：
存储器，用于存储指令；
处理器，用于执行所述指令，使得所述小区无线信号强度预测装置执行实现如权利要求1-4中任一项所述的小区无线信号强度预测方法的操作。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述指令被处理器执行时实现如权利要求1-4中任一项所述的小区无线信号强度预测方法。
CN202010933982.5A 2020-09-08 2020-09-08 小区无线信号强度预测方法和装置、计算机可读存储介质 Pending CN114157374A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010933982.5A CN114157374A (zh) 2020-09-08 2020-09-08 小区无线信号强度预测方法和装置、计算机可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010933982.5A CN114157374A (zh) 2020-09-08 2020-09-08 小区无线信号强度预测方法和装置、计算机可读存储介质

Publications (1)

Publication Number Publication Date
CN114157374A true CN114157374A (zh) 2022-03-08

Family

ID=80460583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010933982.5A Pending CN114157374A (zh) 2020-09-08 2020-09-08 小区无线信号强度预测方法和装置、计算机可读存储介质

Country Status (1)

Country Link
CN (1) CN114157374A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023244149A1 (en) * 2022-06-17 2023-12-21 Telefonaktiebolaget Lm Ericsson (Publ) Preparing cell measurement data and evaluating performance of a cell in a communication network using a machine learning model

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018086415A1 (zh) * 2016-11-14 2018-05-17 华为技术有限公司 一种构造无线栅格的方法及基站
CN109963287A (zh) * 2017-12-26 2019-07-02 中国移动通信集团湖北有限公司 天线方向角优化方法、装置、设备及介质
CN109996279A (zh) * 2017-12-31 2019-07-09 中国移动通信集团湖北有限公司 过覆盖小区定位方法、装置、设备及介质
CN110012418A (zh) * 2017-12-31 2019-07-12 中国移动通信集团湖北有限公司 无线网络覆盖问题的识别方法、装置、设备及介质
WO2020125056A1 (zh) * 2018-12-21 2020-06-25 中兴通讯股份有限公司 一种业务的处理方法及装置
CN111556524A (zh) * 2020-04-02 2020-08-18 宜通世纪科技股份有限公司 一种网络覆盖劣化评估方法、系统、装置及介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018086415A1 (zh) * 2016-11-14 2018-05-17 华为技术有限公司 一种构造无线栅格的方法及基站
CN109963287A (zh) * 2017-12-26 2019-07-02 中国移动通信集团湖北有限公司 天线方向角优化方法、装置、设备及介质
CN109996279A (zh) * 2017-12-31 2019-07-09 中国移动通信集团湖北有限公司 过覆盖小区定位方法、装置、设备及介质
CN110012418A (zh) * 2017-12-31 2019-07-12 中国移动通信集团湖北有限公司 无线网络覆盖问题的识别方法、装置、设备及介质
WO2020125056A1 (zh) * 2018-12-21 2020-06-25 中兴通讯股份有限公司 一种业务的处理方法及装置
CN111556524A (zh) * 2020-04-02 2020-08-18 宜通世纪科技股份有限公司 一种网络覆盖劣化评估方法、系统、装置及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2023244149A1 (en) * 2022-06-17 2023-12-21 Telefonaktiebolaget Lm Ericsson (Publ) Preparing cell measurement data and evaluating performance of a cell in a communication network using a machine learning model

Similar Documents

Publication Publication Date Title
JP7073112B2 (ja) 電波伝搬推定装置、電波伝搬推定方法、及び、電波伝搬推定プログラム
CN113329437B (zh) 无线网络信号传播路径损耗预测方法及电子设备
US9215600B2 (en) Radio wave propagation characteristic estimation apparatus, method, and computer program
CN105430664B (zh) 一种基于分类拟合预测传播路损的方法和装置
JP6696859B2 (ja) 品質推定装置及び品質推定方法
US10880754B1 (en) Network planning tool for retention analysis in telecommunications networks
CN110366188B (zh) 干扰测量点部署方法、干扰测量路径规划方法及系统
CN106658538B (zh) 一种基于泰森多边形的手机基站信号覆盖范围模拟方法
CN114828026A (zh) 基站规划方法、装置、设备、存储介质及程序产品
CN114157374A (zh) 小区无线信号强度预测方法和装置、计算机可读存储介质
Masood et al. Interpretable AI-based large-scale 3D pathloss prediction model for enabling emerging self-driving networks
US20140018084A1 (en) Method and apparatus for antenna placement of wireless basestations
Fernandes et al. Path loss prediction in microcellular environments at 900 MHz
CN116528282B (zh) 覆盖场景识别方法、装置、电子设备和可读存储介质
CN113141570B (zh) 地下场景定位方法、装置、计算设备及计算机存储介质
CN113055901B (zh) 一种终端定位的方法和装置
CN113890833B (zh) 网络覆盖预测方法、装置、设备及存储介质
KR101504357B1 (ko) 측정 데이터를 이용한 무선망 최적화용 지형 지물 정보 추출 방법
CN114339913B (zh) 无线网络的邻小区更新方法、装置、介质及电子设备
CN114615693B (zh) 网络容量预测方法、装置、电子设备及计算机存储介质
CN114390582B (zh) 基站站址预测方法及装置
Combeau et al. A numerical simulation system for mobile telephony base station EMF exposure using smartphones as probes and a genetic algorithm to improve accuracy
Timoteo et al. A hybrid machine learning approach for mobile user positioning in cellular networks
CN114339855A (zh) 无线网络覆盖率评估方法、装置及计算设备
Sukemi et al. Path Loss Prediction Accuracy Based on Random Forest Algorithm in Palembang City Area

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