CN114205831B - 一种优化方案的确定方法、装置、存储介质及设备 - Google Patents
一种优化方案的确定方法、装置、存储介质及设备 Download PDFInfo
- Publication number
- CN114205831B CN114205831B CN202111525307.XA CN202111525307A CN114205831B CN 114205831 B CN114205831 B CN 114205831B CN 202111525307 A CN202111525307 A CN 202111525307A CN 114205831 B CN114205831 B CN 114205831B
- Authority
- CN
- China
- Prior art keywords
- determining
- weak coverage
- base station
- area
- optimization scheme
- 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
- 238000005457 optimization Methods 0.000 title claims abstract description 142
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 26
- 238000004891 communication Methods 0.000 claims abstract description 29
- 238000005070 sampling Methods 0.000 claims description 56
- 238000012549 training Methods 0.000 claims description 32
- 238000003062 neural network model Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 6
- 230000004044 response Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 description 13
- 238000004422 calculation algorithm Methods 0.000 description 10
- 238000013461 design Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012946 outsourcing Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000006386 memory function Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000006467 substitution reaction 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
- H04W16/24—Cell structures
- H04W16/26—Cell enhancers or enhancement, e.g. for tunnels, building shadow
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Mobile Radio Communication Systems (AREA)
Abstract
本发明公开了一种优化方案的确定方法、装置、存储介质及设备,涉及数据通信技术领域,用于降低人力成本和时间成本。该方法包括:获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角;根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定待处理基站的目标优化方案;目标优化方案用于优化待优化弱覆盖区域的通信质量;优化方案确定模型用于确定基站的优化方案。
Description
技术领域
本发明涉及通信技术领域,尤其涉及一种优化方案的确定方法、装置、存储介质及设备。
背景技术
随着移动通信技术的发展,移动通信网络质量越来越受重视,其中,良好的无线覆盖是保证移动通信网络质量的前提,但是,无线覆盖往往存在弱覆盖问题,弱覆盖的发现来源测量报告(Measurement Report,MR)数据、用户投诉等。
现有技术中无法直接给出弱覆盖区域的解决方案,工程师需要根据人工经验给出人工解决方案。而每个工程师对弱覆盖区域的认知程度不同,因此再给出的人工解决方案之后,进而需要对人工解决方案进行多次修正。如此,增加了人力成本和时间成本。因此,当前亟需一种需要解决上述技术问题的技术方案。
发明内容
本发明提供一种优化方案的确定方法、装置、存储介质及设备,用于快速提供弱覆盖的解决方案,降低人力成本和时间成本。
为达到上述目的,本发明采用如下技术方案:
第一方面,提供一种优化方案的确定方法,确定方法包括:确定待优化弱覆盖区域的待处理基站,并获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角;目标中心点为待优化弱覆盖区域的中心点;根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定待处理基站的目标优化方案;目标优化方案用于优化待优化弱覆盖区域的通信质量。
本发明提供一种优化方案的确定方法,该确定方法根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定得到优化方案。由于预训练好的优化方案确定模型是用于确定优化方案。如此,利用优化方案确定模型对待优化弱覆盖区域的待处理基站的优化方案进行确定,能够快速给出弱覆盖区域解决方案,进而降低人力成本和时间成本。
在一种可能的实现方式中,上述方法还包括:确定待优化弱覆盖区域,并显示待优化弱覆盖区域以及多个候选基站;多个候选基站的覆盖区域与待优化弱覆盖区域存在重叠部分;确定待优化弱覆盖区域的待处理基站,包括:响应于用户对多个候选基站的点选操作,确定待处理基站。基于此,该技术方案将待优化弱覆盖区域以及多个候选基站显示给用户,方便用户选择待处理基站。
在一种可能的实现方式中,上述“确定待优化弱覆盖区域”,包括:确定预设区域内所包括的至少一个弱覆盖聚类区域;每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值;弱覆盖采样点的信号质量小于或者等于第二阈值;根据预设区域内所包括基站的位置,将预设区域划分为多个候选区域;对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与每个候选区域存在重叠部分的目标弱覆盖聚类区域;根据每个候选区域以及目标弱覆盖聚类区域,确定待优化弱覆盖区域。基于此,本发明根据基站的位置和弱覆盖聚类区域从预设区域内确定待优化弱覆盖区域,能够将预设区域细化为多个优化弱覆盖区域,进而便于用户对预设区域进行优化。
在一种可能的实现方式中,上述“确定预设区域内所包括的至少一个弱覆盖聚类区域”,包括:确定预设区域内的多个弱覆盖栅格;每个弱覆盖栅格所包括的采样点中,弱覆盖采样点的占比大于第三阈值;基于多个弱覆盖栅格的栅格位置,将多个弱覆盖栅格进行聚类,得到至少一个弱覆盖聚类区域。基于此,该技术方案能够将采样点汇集到预设规格的栅格中,从而快速地处理采样点,快速的划分出待优化弱覆盖聚类区域。
在一种可能的实现方式中,上述“根据预设区域内所包括基站的位置,将预设区域划分为多个候选区域”,包括:根据预设区域内基站的位置,将预设区域划分为多个候选基站区域;根据预设区域内网格位置,确定预设区域的网格区域;根据多个候选基站区域和多个网格区域,将预设区域划分为多个候选区域;多个候选区域为多个候选基站区域和多个网格区域重叠的区域。基于此,该技术方案利用基站的位置和网格地理位置,能够在预设区域内快速地细分出多个候选区域。
在一种可能的实现方式中,上述方法还包括:确定样本弱覆盖区域,以及样本弱覆盖区域对应的样本基站;获取样本基站的样本高度、样本距离、样本方向角以及样本优化方案;基于样本高度、样本距离、样本方向角以及样本优化方案,对初始优化方案确定模型进行迭代训练,以得到优化方案确定模型。基于此,该技术方案利用样本数据对初始优化方案确定模型进行迭代训练,从而得到优化方案确定模型。
在一种可能的实现方式中,优化方案确定模型为根据训练样本训练得到的,训练样本包括样本基站的样本高度、样本基站与样本中心点之间的样本距离、样本方向角,以及样本基站的样本优化方案;样本中心点为样本基站对应的样本弱覆盖区域的中心点;样本方向角为样本基站和样本中心点的连线与地理方向的夹角;样本优化方案用于优化样本弱覆盖区域。
第二方面,提供一种优化方案的确定装置,确定装置包括:确定单元、获取单元、确定单元;确定单元,用于确定待优化弱覆盖区域的待处理基站;获取单元,用于获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角;目标中心点为待优化弱覆盖区域的中心点;确定单元,用于根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定待处理基站的目标优化方案;目标优化方案用于优化待优化弱覆盖区域的通信质量。
在一种可能的实现方式中,确定装置还包括:显示单元;确定单元,还用于确定待优化弱覆盖区域;显示单元,用于显示待优化弱覆盖区域以及多个候选基站;多个候选基站的覆盖区域与待优化弱覆盖区域存在重叠部分;确定单元,具体用于响应于用户对多个候选基站的点选操作,确定待处理基站。
在一种可能的实现方式中,确定单元具体用于:确定预设区域内所包括的至少一个弱覆盖聚类区域;每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值;弱覆盖采样点的信号质量小于或者等于第二阈值;根据预设区域内所包括基站的位置,将预设区域划分为多个候选区域;对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与每个候选区域存在重叠部分的目标弱覆盖聚类区域;根据每个候选区域以及目标弱覆盖聚类区域,确定待优化弱覆盖区域。
在一种可能的实现方式中,装置还包括:划分单元;确定单元,还用于确定预设区域内的多个弱覆盖栅格;每个弱覆盖栅格所包括的采样点中,弱覆盖采样点的占比大于第三阈值;划分单元,用于基于多个弱覆盖栅格的栅格位置,将多个弱覆盖栅格进行聚类,得到至少一个弱覆盖聚类区域。
在一种可能的实现方式中,划分单元具体用于:根据预设区域内基站的位置,将预设区域划分为多个候选基站区域;根据预设区域内网格位置,将预设区域划分为多个网格区域;根据多个候选基站区域和多个网格区域,将预设区域划分为多个候选区域;多个候选区域为多个候选基站区域和多个网格区域重叠的区域。
在一种可能的实现方式中,装置还包括训练单元;确定单元,还用于确定样本弱覆盖区域,以及样本弱覆盖区域对应的样本基站;获取单元,还用于获取样本基站的样本高度、样本距离、样本方向角以及样本优化方案;训练单元,用于基于样本高度、样本距离、样本方向角以及样本优化方案,对初始优化方案确定模型进行迭代训练,以得到优化方案确定模型。
在一种可能的实现方式中,优化方案确定模型为根据训练样本训练得到的,训练样本包括样本基站的样本高度、样本基站与样本中心点之间的样本距离、样本方向角,以及样本基站的样本优化方案;样本中心点为样本基站对应的样本弱覆盖区域的中心点;样本方向角为样本基站和样本中心点的连线与地理方向的夹角;样本优化方案用于优化样本弱覆盖区域。
第三方面,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,当指令被执行时,实现如第一方面的确定方法。
第四方面,提供一种电子设备包括:处理器、存储器和通信接口;其中,通信接口用于通信装置和其他设备或网络通信;存储器用于存储一个或多个程序,该一个或多个程序包括计算机执行指令,当电子设备运行时,处理器执行该存储器存储的该计算机执行指令,以使电子设备执行如第一方面的确定方法。
本公开提供的技术方案至少带来以下有益效果:能够快速给出弱覆盖区域解决方案,进而降低人力成本和管理成本。
附图说明
图1为本发明的实施例提供的一种优化方案的确定系统结构示意图;
图2为本发明实施例提供的一种优化方案的确定方法的流程示意图之一;
图3为本发明实施例提供的一种优化方案的确定方法的流程示意图之二;
图4为本发明实施例提供的一种优化方案的确定方法的流程示意图之三;
图5为本发明实施例提供的一种优化方案的确定方法的流程示意图之四;
图6为本发明实施例提供的一种优化方案的确定方法场景示意图;
图7为本发明实施例提供的一种优化方案的确定方法的流程示意图之五;
图8为本发明实施例提供的一种优化方案的确定方法的流程示意图之六;
图9为本发明实施例提供的一种优化方案的确定装置的结构示意图;
图10为本发明实施例提供的一种电子设备的结构示意图之一;
图11为本发明实施例提供的一种电子设备的结构示意图之二。
具体实施方式
在描述本发明实施例之前,对本发明实施例涉及的名词术语进行解释说明:
最小化路测(minimization of Drive-Tests,MDT)是自组织网络(selforganization network,SON)中的关键技术,主要通过移动终端上报测量报告或者网络侧其他测量数据来分析网络性能,以达到降低运营商网络优化维护成本的目的。现阶段使用MDT数据主要带经纬度的原始测量报告(measurement report,MR)数据。
泰森多边形:荷兰气候学家A·H·Thiessen提出了一种根据离散分布的气象站的降雨量来计算平均降雨量的方法,即将所有相邻气象站连成三角形,作这些三角形各边的垂直平分线,于是每个气象站周围的若干垂直平分线便围成一个多边形。用这个多边形内所包含的一个唯一气象站的降雨强度来表示这个多边形区域内的降雨强度,并称这个多边形为泰森多边形。
DBSCAN聚类算法:DBSCAN(Density-Based Spatial Clustering ofApplications with Noise)是一个比较有代表性的基于密度的聚类算法。与划分和层次聚类方法不同,它将簇定义为密度相连的点的最大集合,能够把具有足够高密度的区域划分为簇,并可在噪声的空间数据库中发现任意形状的聚类。
现有技术中无法直接给出弱覆盖区域的解决方案,工程师需要根据人工经验给出人工解决方案。而每个工程师对弱覆盖区域的认知程度不同,因此再给出的人工解决方案之后,实施人工解决方案。若该人工解决方案不能优化弱覆盖区域,则需要再次提出新的人工解决方案。可见,现有技术中,运维管理人员在得到人工解决方案之后,需要对弱覆盖区域进行多次优化,从而解决区域的弱覆盖问题。如此,增加了人力成本和时间成本。
鉴于此,本发明实施例提供一种优化方案的确定方法,该确定方法根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定得到的优化方案。优化方案确定模型用于确定基站的优化方案。。如此,利用优化方案确定模型对待优化弱覆盖区域的待处理基站的优化方案进行确定,能够快速给出弱覆盖区域解决方案,不需要对弱覆盖区域解决方案多次修正,从而降低人力成本和时间成本。
下面将结合附图对本发明实施例的实施方式进行详细描述。
本发明实施例描述的系统架构以及业务场景是为了更加清楚的说明本发明实施例的技术方案,并不构成对于本发明实施例提供的技术方案的限定,本领域普通技术人员可知,随着网络架构的演变和新业务场景的出现,本发明实施例提供的技术方案对于类似的技术问题,同样适用。
本发明的实施例应用的优化方案的确定方法可以应用于确定系统。图1示出了该确定系统的一种结构示意图。如图1所示,确定系统10用于降低人力成本和时间成本。确定系统10包括确定装置11、电子设备12。确定装置11与电子设备12之间可以采用有线方式连接,也可以采用无线方式连接,本发明实施例对此不作限定。
电子设备12可以是用户所使用的移动终端或个人计算机(personal computer,简称PC)等设备。例如智能手机、个人数码助理(PDA)、平板电脑、笔记本电脑、车载电脑(carputer)、智能眼镜、智能手表、可穿戴设备、虚拟显示设备或显示增强设备(如GoogleGlass、Oculus Rift、Hololens、Gear VR)等。
电子设备可以是服务器,也可以是实现本发明的确定方法的其他设备,对此本申请不做限定。电子设备12可以包括储存模块,储存模块用于储存MDT数据、基站数据和网格数据。其中,MDT数据为MR数据。基站数据为基站位置。网格数据为网格地理信息。
电子设备12还可以连接有显示器。用于将获取的数据显示在显示器上。
在本发明提供的以下实施例中,本发明以确定装置11和电子设备12相互独立设置为例进行说明。在实际应用中,本发明实施例提供的确定方法可以应用于确定装置11,也可以应用于电子设备12,下面结合附图,以确定方法应用于电子设备为例,对本发明实施例提供的确定方法进行描述。
为了便于清楚描述本发明实施例的技术方案,在本发明的实施例中,采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。例如,第一过滤策略和第二过滤策略仅仅是为了区分不同的指示信息,并不对其先后顺序进行限定。本领域技术人员可以理解“第一”、“第二”等字样并不对数量和执行次序进行限定,并且“第一”、“第二”等字样也并不限定一定不同。
需要说明的是,本发明中,“示例性的”或者“例如”等词用于表示作例子、例证或说明。本发明中被描述为“示例性的”或者“例如”的任何实施例或设计方案不应被解释为比其他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相关概念。
本发明中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B的情况,其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达,是指的这些项中的任意组合,包括单项(个)或复数项(个)的任意组合。例如,a,b,或c中的至少一项(个),可以表示:a,b,c,a-b,a-c,b-c,或a-b-c,其中a,b,c可以是单个,也可以是多个。
下面对本发明实施例提供的优化方案的确定方法进行描述。其中,本发明各实施例之间涉及的动作,术语等均可以相互参考,不予限制。本发明的实施例中各个设备之间交互的消息名称或消息中的参数名称等只是一个示例,具体实现中也可以采用其他的名称,不予限制。本发明各实施例涉及的动作只是一个示例,具体实现中也可以采用其他的名称,如:本发明实施例所述的“包括在”还可以替换为“承载于”或者“携带在”等。
图2为本发明实施例提供的一种优化方案的确定方法,为了确定待优化的弱覆盖区域,如图2所示,该方法包括下述S201-S206。
S201、电子设备获取预设区域内的MDT数据、基站数据和网格数据。
其中,MDT数据为MR采样点。基站数据包括基站的位置、频段信息、天线高度以及天线方向角。网格数据为网格地理信息。
作为一种可能实现的方式,电子设备从储存模块中获取预设区域内的MR采样点、基站的位置和网格地理信息。
示例性的,网格地理信息为一线工作人员上报的网格地理信息。
S202、电子设备清洗预设区域内的MDT数据、基站数据和网格数据。
作为一种可能实现的方式,电子设备清洗掉没有经纬度的MR采样点和经纬度不属于预设区域内的MR采样点。电子设备清洗掉经纬度为空的或经纬度不在预设区域内的基站数据;电子设备清洗掉频段信息不规范的基站数据。电子设备清洗掉天线高度或方向角不规范的基站数据。电子设备清洗掉非闭合的地理化数据。
具体的,电子设备清洗掉不带经纬度的MR采样点,清洗掉经纬度在国外或者在预设范围外的MR采样点。例如,获取北京大兴区域的MR采样点,若MR采样点的经纬度不在北京大兴区域的范围内,则将该MR采样点清洗掉。电子设备清洗掉经纬度为空的或经纬度不在预设范围外的基站数据。例如,获取北京大兴区域的基站数据,若某一基站数据的经纬度不在北京大兴区域,则将该基站数据清洗掉。电子设备清洗掉天线高度或方向角不规范的基站数据。例如,清洗掉天线高度超过60M的基站数据。电子设备清洗掉非闭合的地理化数据。例如,电子设备获取网格数据的经纬度,若网格数据的首尾经纬度不一致,则将该网格数据清洗掉。
S203、电子设备确定预设区域内所包括的至少一个弱覆盖聚类区域。
其中,每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值;弱覆盖采样点的信号质量小于或者等于第二阈值。
其中,采样点为MR采样点。
其中,采用参考信号接收功率(reference signal receiving power,RSRP)表示信号质量。
作为一种可能实现的方式,电子设备确定预设区域内存在多个弱覆盖聚类区域。
示例性的,第一阈值为35%。第二阈值为-110dBm。
此步骤在后续的步骤中具体说明,此处不再赘述。
需要说明的,第一阈值和第二阈值可以是运维人员提前在电子设备中设置的。
S204、电子设备根据预设区域内所包括基站的位置,将预设区域划分为多个候选区域。
作为一种可能实现的方式,电子设备根据预设区域内所包括基站的经纬度,将预设区域划分为多个候选区域。
此步骤在后续的步骤中具体说明,此处不再赘述。
S205、电子设备对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与每个候选区域存在重叠部分的目标弱覆盖聚类区域。
作为一种可能实现的方式,电子设备根据每个候选区域的经纬度,从至少一个弱覆盖聚类区域的经纬度中,确定与每个候选区域的经纬度存在相同经纬度的弱覆盖聚类区域。
S206、电子设备根据每个候选区域以及目标弱覆盖聚类区域,确定待优化弱覆盖区域。
作为一种可能实现的方式,电子设备获取每个候选区域的经纬度以及目标弱覆盖聚类区域经纬度。电子设备根据每个候选区域的经纬度以及目标弱覆盖聚类区域经纬度中确定出四个顶点经纬度,其中,四个顶点分别为了每个候选区域的经纬度以及目标弱覆盖聚类区域经纬度中的最小经度、最大经度、最小纬度和最大纬度。进而,电子设备根据四个顶点经纬度确定出一个区域,该区域即为覆盖每个候选区域的经纬度以及目标弱覆盖聚类区域的最小区域。
示例性的,待优化弱覆盖区域可以是一个矩形区域,也可以是不规则图像区域,对此,本申请不做限定。
在一种设计中,为了能够从而快速地处理采样点,划分出待优化弱覆盖聚类区域,如图3所示,本发明实施例提供的S203,具体可以包括下述S2031-S2032。
S2031、电子设备确定预设区域内的多个弱覆盖栅格。
其中,每个弱覆盖栅格所包括的采样点中,弱覆盖采样点的占比大于第三阈值。
作为一种可能实现的方式,电子设备将预设区域的MR采样点布局在预设规格的栅格中,确定每个栅格的MR采样点覆盖率。针对每个栅格,电子设备根据栅格的MR采样点覆盖率,确定该栅格是否为弱覆盖栅格。在该栅格的弱覆盖采样点的占比大于第三阈值的情况下,电子设备确定该栅格为弱覆盖栅格。
示例性的,第三阈值为30%。
可以理解的,第三阈值可以是运维人员提前设置在电子设备中的。
具体的,电子设备获取预设区域内的MR采样点中的每个MR采样点的信息,MR采样点的信息包括RSRP、经纬度信息。利用定位算法,将其撒到MapInfo地图上,汇聚到预设规则的栅格上,比如50*50M的栅格上,将预设区域划分为了多个栅格,计算出每个栅格的MR采样点弱覆盖率,其中每个栅格的MR弱覆盖率计算公式一如下(其中,下述均针对一个栅格进行分析,其他栅格分析步骤相同,在此不再赘述):
其中,∑(栅格MR RSRP≤-110dBm)采样点表示栅格中MR采样点的RSRP≤-110dBm的个数,∑栅格MR采样点表示栅格中总MR采样点的数目。
若满足如下任何一个条件,确定该栅格为弱覆盖栅格:1)、栅格MR覆盖率(%)≥30%,其中MR采样点的采集周期为一周;2)、栅格倒流比>=5%,其中倒流比采集周期为一周。其中,对这里的采样周期不做具体限定,仅仅是示例性的,需要根据具体场景确定。
S2032、电子设备基于多个弱覆盖栅格的栅格位置,将多个弱覆盖栅格进行聚类,得到至少一个弱覆盖聚类区域。
作为一种可能实现的方式,电子设备根据多个弱覆盖栅格的栅格位置和聚类算法,将多个弱覆盖栅格进行聚类,得到至少一个弱覆盖聚类区域。
示例性的,聚类算法为DBSCAN聚类算法。
具体的,以根据DBSCAN聚类算法找出弱覆盖栅格聚类区域为例。首先确定两个参数,Ε邻域(epsilon):给定对象半径为Ε内的区域称为该对象的Ε邻域;核心对象(minPts):如果给定对象Ε邻域内的样本点数大于等于MinPts,则称该对象为核心对象。具体步骤包括:步骤一:以栅格A为例,以栅格A中心点为中心,半径epsilon范围内,满足包含栅格个数>=minPts,则栅格A为核心栅格,在栅格A周围建立一类,其中栅格B点落在该类内;步骤二:以栅格B点为中心,半径epsilon范围内,满足包含栅格个数<minPts,则栅格B为边缘栅格;步骤三:栅格C既不属于核心栅格也不属于边缘栅格,则可称该点为噪音栅格。重复以上步骤,电子设备判断栅格数据为核心栅格、边缘栅格、噪声栅格,最终多个生成聚类簇,每个聚类簇的都有自己唯一标识码。进而通过该标识码,电子设备确认相同标识码的栅格,根据栅格的经纬度获得每个聚类簇的最小外包矩形,并将该最小外包矩形确定为弱覆盖聚类区域。
在一种设计中,为了能够划分出多个候选区域,如图4所示,本发明实施例提供的S204,具体可以包括下述S2041-S2043。
S2041、电子设备根据预设区域内基站的位置,将预设区域划分为多个候选基站区域。
作为一种可能实现的方式,电子设备根据预设区域内基站的经纬度,将预设区域划分为多个候选基站区域。
具体的,电子设备获取预设区域内基站的经纬度,利用定位算法,将其撒到MapInfo地图上。电子设备将预设区域的所有相邻基站连成三角形,作这些三角形各边的垂直平分线,于是每个基站周围的若干垂直平分线便围成一个多边形。电子设备将这种由多个基站点将平面划分成的图称为泰森多边形。从几何角度来看,两基站的分界线是两点之间连线的铅直等分线,将全平面分为两个半平面,各半平面中任何一点与本半平面内基站的间隔都要比到另一基站间隔小。当基站数量在二个以上时,全平面会划分为多个包罗一个基站的区域,区域中任何一点都与本区域内基站间隔最近,是以这些个区域可以看作是基站的覆盖区域。
S2042、电子设备根据预设区域内网格位置,确定预设区域内的网格区域。
作为一种可能实现的方式,电子设备根据预设区域内网格的经纬度,确定预设区域内的网格区域。
示例性的,网格区域可以为一个学校所在的区域,也可以为一个小区所在的区域。
具体的,电子设备获取预设区域内网格的经纬度,利用定位算法,将其撒到MapInfo地图上,进而确定网格所在区域为网格区域。
S2043、电子设备根据多个候选基站区域和网格区域,将预设区域划分为多个候选区域。
其中,多个候选区域为多个候选基站区域和网格区域重叠的区域。
作为一种可能的实现方式,电子设备获取多个候选基站区域中的任一个候选基站区域。电子设备将该候选基站区域与网格区域重叠的区域确定为候选区域。
在一种设计中,为了能够从而快速地处理采样点,划分出待优化弱覆盖聚类区域,如图5所示,本发明实施例提供的一种优化方案的确定方法,还包括下述S207-S209。
S207、电子设备确定待优化弱覆盖区域。
可以参照上述S201-S206,此处不再进行赘述。
S208、电子设备显示待优化弱覆盖区域以及多个候选基站。
其中,多个候选基站的覆盖区域与待优化弱覆盖区域存在重叠部分。
作为一种可能的实现方式,电子设备在地图上显示优化弱覆盖区域以及多个候选基站。
需要说明的,在电子设备显示待优化弱覆盖区域以及多个候选基站之前,电子设备根据待优化弱覆盖区域的位置,获取与待优化弱覆盖区域存在重叠部分的多个候选基站的位置。进而,电子设备根据待优化弱覆盖区域的位置和多个候选基站的位置,将待优化弱覆盖区域和多个候选基站上图。
S209、电子设备响应于用户对多个候选基站的点选操作,确定待处理基站。
作为一种可能的实现方式,用户对显示的多个候选基站中的任一个进行点选。相应的,电子设备响应于用户对多个候选基站的点选操作,确定用户点选的候选基站为待处理基站。
可以理解的,用户根据显示在地图上的待优化弱覆盖区域以及多个候选基站,结合多个候选基站的数据,如天线高度和天线方向角等信息和待优化弱覆盖区域的地形地貌,从多个候选基站中选出问题基站,该问题基站为待处理基站。
示例性的,图6为本发明实施例提供的电子设备显示示意图,图6包括待优化弱覆盖区域301,候选区域302,多个弱覆盖聚类区域(区域1、区域2、区域3、区域4、区域5、区域6)和多个基站(基站1、基站2以及基站3)。用户根据显示在地图上的待优化弱覆盖区域301以及多个基站,结合多个基站数据,如每个基站的天线高度和天线方向角等信息和待优化弱覆盖区域的地形地貌,从多个基站中选出问题基站,该问题基站为待处理基站。例如,选择基站2为待处理基站。
图7为本发明实施例提供的一种优化方案的确定方法,如图7所示,该方法包括下述S210-S212。
S210、电子设备确定待优化弱覆盖区域的待处理基站。
此步骤可以参考步骤S209,不再赘述。
S211、电子设备获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及目标方向角。
其中,目标中心点为待优化弱覆盖区域的中心点;目标方向角为待处理基站和目标中心点的连线与地理方向的夹角。
作为一个可能实现的方式,电子设备根据待优化弱覆盖区域的位置和待处理基站的位置,确定待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角。进一步的,电子设备获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角。
具体的,电子设备根据待处理基站数据,其中,待处理基站数据中包括待处理基站的经纬度、天线高度、天线方向角以及待处理基站的频段信息等。电子设备获取待处理基站的天线高度。然后,电子设备根据待优化弱覆盖区域的经纬度,获取待优化弱覆盖区域中心点的经纬度,进而根据待处理基站的经纬度和待优化弱覆盖区域中心点的经纬度,确定待处理基站与待优化弱覆盖区域的中心点之间的目标距离,以及根据待处理基站和目标中心点的连线与地理方向的夹角为目标方向角,如根据待处理基站和目标中心点的连线与正北方向的夹角为目标方向角。在本发明中地理方向可以为正南、正北以及西南等,不做限定。
S212、电子设备根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定待处理基站的目标优化方案。
其中,目标优化方案用于优化待优化弱覆盖区域的通信质量;优化方案确定模型用于确定基站的优化方案。
作为一个可能实现的方式,电子设备将目标天线高度、目标距离、目标方向角输入优化方案确定模型,进而根据优化方案确定模型输出结果,得到待处理基站的目标优化方案。
本发明提供一种优化方案的确定方法,该确定方法根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定得到的。优化方案确定模型用于确定基站的优化方案如此,利用预训练好的优化方案确定模型对待优化弱覆盖区域的待处理基站的优化方案进行确定,能够快速给出弱覆盖区域解决方案,进而降低人力成本和管理成本。
在一种设计中,为了得到优化方案确定模型,如图8所示,本发明实施例提供的一种优化方案的确定方法,如图8所示,该方法包括下述S213-S215。
S213、电子设备确定样本弱覆盖区域,以及样本弱覆盖区域对应的样本基站。
此步骤中电子设备确定样本弱覆盖区域可以参照上述S201-S206,不同之处在于此步骤确定的样本弱覆盖区域用于获取人工优化方案,进而对下述的初始优化方案确定模型进行迭代训练,不再赘述。
此步骤中的电子设备确定样本弱覆盖区域对应的样本基站可以参照上述S207-S209,不再赘述。
S214、电子设备获取样本基站的样本高度、样本距离、样本方向角以及样本优化方案。
其中,优化方案至少包括下述一项:调整基站的方向角、调整站高、增加扇区、网优解决以及加站解决。
作为一个可能实现的方式,电子设备从历史数据中获取样本基站的样本高度、样本距离、样本方向角和样本优化方案。
可以理解的,电子设备中的样本基站的样本高度、样本距离和样本方向角可以参照上述S211。样本优化方案是能够优化待优化弱覆盖区域的方案。
S215、电子设备基于样本高度、样本距离、样本方向角以及样本优化方案,对初始优化方案确定模型进行迭代训练,以得到优化方案确定模型。
作为一个可能实现的方式,电子设备利用样本高度、样本距离、样本方向角以及样本优化方案,对初始优化方案确定模型进行迭代训练,从而得到优化方案确定模型。
示例性的,优化方案确定模型为BP(back propagation)神经网络模型。
具体的,电子设备获取样本基站的样本高度、样本距离和样本方向角,并将优化方案数字化,例如:1表示调整基站的方向角、2表示调整站高等。具体的训练包括:1)初始化BP神经网络模型训练。2)BP神经网络包括输入层、隐藏层、输出层。在神经网络模型的输入层输入问题基站的参数和优化解决方案。3)计算隐含层输出满足以下计算公式二、三:
其中,n为问题基站的参数的个数,xi表示问题基站的第i个参数,ωij为输入层第i个节点到隐含层第j个节点的连接权值、αj为隐含层第j个节点偏差阈值,Kj为隐含层第j个节点的结果。
示例性的,n取值为3,x1为样本距离,x2为样本基站高度,x3为样本方向角。
需要说明书的,初始化BP神经网络模型中的ωij可以是工作人员预设设置的数值。
4)计算输出层输出满足以下计算公式四、五:
ek=Yk-Pk 公式五
其中,l为隐含层节点总数,k为输出层第k节点数,Kj为隐含层第j个节点的结果,Pk为输出层第K节点的输出结果,Yk为第K节期望输出的结果。bk为输出层第k个节点的偏差阈值,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,ek为输出层第k个节点实际输出和期望输出的误差。
示例性的,隐含层节点总数l取值为6。
需要说明书的,初始化BP神经网络模型中的ωjk可以是工作人员预设设置的数值。
5)对ωij和ωjk更新满足公式六、七:
ωjk=ωjk+λKjek 公式七
其中,λ为第一学习率,Kj为隐含层第j个节点的结果,xi表示问题基站的第i个参数,m为输出层节点总数,ωik为输入层节点i到输出层节点k的连接权值,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值。
示例性的。输出层节点总数m取值为5。
需要说明书的,初始化BP神经网络模型中的λ、ωik可以是工作人员预设设置的数值。
6)对αj和bk更新满足公式八、九:
bk=bk+ek 公式九
其中,ηλ为第二学习率,Kj为隐含层第j个节点的结果,m为输出层节点总数,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,αj为隐含层第j个节点的偏差阈值,bk为输出层第k个节点的偏差阈值。
需要说明书的,初始化BP神经网络模型中的ωik可以是工作人员预设设置的数值。
7)对初始化BP神经网络模型进行迭代训练。若输出层的实际输出和期望输出的误差在预设范围内,则迭代结束,训练后的模型为预设模型。示例性的,预设范围可以为0.1,对此不做限定。
后续的,利用预设模型确定优化方案。
在一种设计中,本发明实施例提供的一种优化方案的确定方法中优化方案确定模型为根据训练样本训练得到的,训练样本包括样本基站的样本高度、样本基站与样本中心点之间的样本距离、样本方向角,以及样本基站的样本优化方案;样本中心点为样本基站对应的样本弱覆盖区域的中心点;样本方向角为样本基站和样本中心点的连线与地理方向的夹角;样本优化方案用于优化样本弱覆盖区域。
上述主要从方法的角度对本发明实施例提供的方案进行了介绍。为了实现上述功能,其包含了执行各个功能相应的硬件结构和/或软件模块。本领域技术人员应该很容易意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,本发明实施例能够以硬件或硬件和计算机软件的结合形式来实现。某个功能究竟以硬件还是计算机软件驱动硬件的方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明实施例的范围。
本发明实施例可以根据上述方法示例对上述设备进行功能模块的划分,例如,可以对应各个功能划分各个功能模块,也可以将两个或两个以上的功能集成在一个处理模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。可选的,本发明实施例中对模块的划分是示意性的,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
图9为本发明实施例提供的一种优化方案的确定装置的结构示意图。如图9所示,管理装置40可以位于上述电子设备中。管理装置40包括:确定单元401、获取单元402。
确定单元401,用于确定待优化弱覆盖区域的待处理基站。例如,结合图7,确定单元401可以用于执行S210。
获取单元402,用于获取待处理基站的目标天线高度、待处理基站与目标中心点之间的目标距离,以及待处理基站指向目标中心点的目标方向角。目标中心点为待优化弱覆盖区域的中心点。例如,结合图7,获取单元402可以用于执行S211。
确定单元401,用于根据目标天线高度、目标距离、目标方向角以及优化方案确定模型,确定待处理基站的目标优化方案。例如,结合图7,确定单元401可以用于执行S212。
可选的,如图9所示,确定装置还包括:显示单元403。
确定单元401,还用于确定待优化弱覆盖区域。例如,结合图5,确定单元401可以用于执行S207。
显示单元404,用于显示待优化弱覆盖区域以及多个候选基站。多个候选基站的覆盖区域与待优化弱覆盖区域存在重叠部分。例如,结合图5,显示单元403可以用于执行S208。
确定单元401,具体用于响应于用户对多个候选基站的点选操作,确定待处理基站。例如,结合图5,确定单元401可以用于执行S209。
可选的,确定单元401具体用于:确定预设区域内所包括的至少一个弱覆盖聚类区域。每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值。弱覆盖采样点的信号质量小于或者等于第二阈值。根据预设区域内所包括基站的位置,将预设区域划分为多个候选区域。对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与每个候选区域存在重叠部分的目标弱覆盖聚类区域。根据每个候选区域以及目标弱覆盖聚类区域,确定待优化弱覆盖区域。例如,结合图2,确定单元401可以用于执行S204-S206。
可选的,如图9所示,确定装置还包括:划分单元404。确定单元401,还用于确定预设区域内的多个弱覆盖栅格。每个弱覆盖栅格所包括的采样点中,弱覆盖采样点的占比大于第三阈值。例如,结合图2,确定单元401可以用于执行S2031。
划分单元404,用于基于多个弱覆盖栅格的栅格位置,将多个弱覆盖栅格进行聚类,得到至少一个弱覆盖聚类区域。例如,结合图2,划分单元404可以用于执行S2032。
可选的,如图9所示,划分单元404具体用于:根据预设区域内基站的位置,将预设区域划分为多个候选基站区域;根据预设区域内网格位置,确定预设区域内的网格区域;根据多个候选基站区域和网格区域,将预设区域划分为多个候选区域。多个候选区域为多个候选基站区域和网格区域重叠的区域。例如,结合图4,划分单元404可以用于执行S2041-S2043。
可选的,如图9所示,确定装置还包括训练单元405。
确定单元401,还用于确定样本弱覆盖区域,以及样本弱覆盖区域对应的样本基站。例如,结合图8,确定单元401可以用于执行S213。
获取单元402,还用于获取样本基站的样本高度、样本距离、样本方向角以及样本优化方案。例如,结合图8,获取单元402可以用于执行S214。
训练单元405,用于基于样本高度、样本距离、样本方向角以及样本优化方案,对初始优化方案确定模型进行迭代训练,以得到优化方案确定模型。例如,结合图8,训练单元405可以用于执行S215。
在采用硬件的形式实现上述集成的模块的功能的情况下,本发明实施例提供了上述实施例中所涉及的电子设备的一种可能的结构示意图。如图10所示,该电子设备50包括处理器501,存储器502以及总线503。处理器501与存储器502之间可以通过总线503连接。
处理器501是通信装置的控制中心,可以是一个处理器,也可以是多个处理元件的统称。例如,处理器501可以是一个通用中央处理单元(central processing unit,CPU),也可以是其他通用处理器等。其中,通用处理器可以是微处理器或者是任何常规的处理器等。
作为一种实施例,处理器501可以包括一个或多个CPU,例如图9中所示的CPU 0和CPU 1。
存储器502可以是只读存储器(read-only memory,ROM)或可存储静态信息和指令的其他类型的静态存储设备,随机存取存储器(random access memory,RAM)或者可存储信息和指令的其他类型的动态存储设备,也可以是电可擦可编程只读存储器(electricallyerasable programmable read-only memory,EEPROM)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质,但不限于此。
作为一种可能的实现方式,存储器502可以独立于处理器501存在,存储器502可以通过总线503与处理器501相连接,用于存储指令或者程序代码。处理器501调用并执行存储器502中存储的指令或程序代码时,能够实现本发明实施例提供的传感器确定方法。
另一种可能的实现方式中,存储器502也可以和处理器501集成在一起。
总线503,可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外围设备互连(Peripheral Component Interconnect,PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture,EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示,图10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。
需要指出的是,图10示出的结构并不构成对该电子设备40的限定。除图10所示部件之外,该电子设备40可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
作为一个示例,结合图9,确定装置40中的确定单元401、划分单元404以及训练单元306实现的功能与图10中的处理器501的功能相同。
可选的,本发明实施例提供的电子设备50还可以包括通信接口504。
通信接口504,用于与其他设备通过通信网络连接。该通信网络可以是以太网,无线接入网,无线局域网(wireless local area networks,WLAN)等。通信接口504可以包括用于接收数据的接收单元,以及用于发送数据的发送单元。
在一种设计中,本发明实施例提供的电子设备中,通信接口还可以集成在处理器中。
图11示出了本发明实施例中电子设备的另一种硬件结构。如图11所示,电子设备60可以包括处理器601以及通信接口602。处理器601与通信接口602耦合。
处理器601的功能可以参考上述处理器601的描述。此外,处理器601还具备存储功能,可以参考上述存储器602的功能。
通信接口602用于为处理器601提供数据。该通信接口602可以是通信装置的内部接口,也可以是通信装置对外的接口。
需要指出的是,图11中示出的结构并不构成对电子设备60的限定,除图11所示部件之外,该电子设备60可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
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,仅以上述各功能单元的划分进行举例说明。在实际应用中,可以根据需要而将上述功能分配由不同的功能单元完成,即将装置的内部结构划分成不同的功能单元,以完成以上描述的全部或者部分功能。上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明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,该计算机执行上述方法实施例所示的方法流程中的各个步骤。
本发明实施例还提供一种包含指令的计算机程序产品,当指令在计算机上运行时,使得计算机执行上述方法实施例中的确定方法。
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。在本发明实施例中,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。
由于本发明的实施例中的服务器、计算机可读存储介质、计算机程序产品可以应用于上述方法,因此,其所能获得的技术效果也可参考上述方法实施例,本发明实施例在此不再赘述。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何在本发明揭露的技术范围内的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (12)
1.一种优化方案的确定方法,其特征在于,所述确定方法包括:
确定待优化弱覆盖区域的待处理基站,并获取所述待处理基站的目标天线高度、所述待处理基站与目标中心点之间的目标距离,以及所述目标方向角;所述目标方向角为所述待处理基站和所述目标中心点的连线与地理方向的夹角;所述目标中心点为所述待优化弱覆盖区域的中心点;
根据所述目标天线高度、所述目标距离、所述目标方向角以及优化方案确定模型,确定所述待处理基站的目标优化方案;所述目标优化方案用于优化所述待优化弱覆盖区域的通信质量;所述优化方案确定模型用于确定基站的优化方案;
所述方法还包括:
确定所述样本弱覆盖区域,以及所述样本弱覆盖区域对应的样本基站;
获取所述样本基站的所述样本高度、所述样本距离、所述样本方向角以及所述样本优化方案;
基于所述样本高度、所述样本距离、所述样本方向角以及所述样本优化方案,对初始优化方案确定模型进行迭代训练,以得到所述优化方案确定模型;
所述优化方案确定模型为BP神经网络模型,所述优化方案确定模型的训练过程包括:
初始化BP神经网络模型训练;
所述BP神经网络模型包括输入层、隐藏层、输出层,在所述神经网络模型的输入层输入问题基站的参数和优化解决方案;
计算隐含层输出满足以下计算公式二、三:
其中,n为问题基站的参数的个数,xi表示问题基站的第i个参数,ωij为输入层第i个节点到隐含层第j个节点的连接权值、αj为隐含层第j个节点偏差阈值,Kj为隐含层第j个节点的结果;
计算输出层输出满足以下计算公式四、五:
ek=Yk-Pk公式五
其中,l为隐含层节点总数,k为输出层第k节点数,Kj为隐含层第j个节点的结果,Pk为输出层第K节点的输出结果,Yk为第K节期望输出的结果,bk为输出层第k个节点的偏差阈值,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,ek为输出层第k个节点实际输出和期望输出的误差;
对ωij和ωjk更新满足公式六、七:
ωjk=ωjk+λKjek公式七
其中,λ为第一学习率,Kj为隐含层第j个节点的结果,xi表示问题基站的第i个参数,m为输出层节点总数,ωik为输入层节点i到输出层节点k的连接权值,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值;
对αj和bk更新满足公式八、九:
bk=bk+ek公式九
其中,η为第二学习率,Kj为隐含层第j个节点的结果,m为输出层节点总数,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,αj为隐含层第j个节点的偏差阈值,bk为输出层第k个节点的偏差阈值;
对初始化BP神经网络模型进行迭代训练,若输出层的实际输出和期望输出的误差在预设范围内,则迭代结束,训练后的模型为预设模型。
2.根据权利要求1所述的优化方案的确定方法,其特征在于,所述方法还包括:
确定所述待优化弱覆盖区域,并显示所述待优化弱覆盖区域以及多个候选基站;所述多个候选基站的覆盖区域与所述待优化弱覆盖区域存在重叠部分;
所述确定待优化弱覆盖区域的待处理基站,包括:
响应于用户对所述多个候选基站的点选操作,确定所述待处理基站。
3.根据权利要求2所述的优化方案的确定方法,其特征在于,所述确定所述待优化弱覆盖区域,包括:
确定预设区域内所包括的至少一个弱覆盖聚类区域;每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值;所述弱覆盖采样点的信号质量小于或者等于第二阈值;
根据所述预设区域内所包括基站的位置,将所述预设区域划分为多个候选区域;
对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与所述每个候选区域存在重叠部分的目标弱覆盖聚类区域;
根据所述每个候选区域以及所述目标弱覆盖聚类区域,确定所述待优化弱覆盖区域。
4.根据权利要求3所述的优化方案的确定方法,其特征在于,所述确定预设区域内所包括的至少一个弱覆盖聚类区域,包括:
确定所述预设区域内的多个弱覆盖栅格;每个弱覆盖栅格所包括的采样点中,所述弱覆盖采样点的占比大于第三阈值;
基于所述多个弱覆盖栅格的栅格位置,将所述多个弱覆盖栅格进行聚类,得到所述至少一个弱覆盖聚类区域。
5.根据权利要求3所述的优化方案的确定方法,其特征在于,所述根据所述预设区域内所包括基站的位置,将所述预设区域划分为多个候选区域,包括:
根据所述预设区域内所包括基站的位置,将所述预设区域划分为多个候选基站区域;
确定所述预设区域内的多个网格区域;
根据所述多个候选基站区域和所述多个网格区域,将所述预设区域划分为所述多个候选区域;每个候选区域为一个候选基站区域和一个网格区域重叠的区域。
6.一种优化方案的确定装置,其特征在于,所述确定装置包括:确定单元、获取单元以及训练单元;
所述确定单元,用于确定待优化弱覆盖区域的待处理基站;
所述获取单元,用于获取所述待处理基站的目标天线高度、所述待处理基站与目标中心点之间的目标距离,以及所述目标方向角;所述目标方向角为所述待处理基站和所述目标中心点的连线与地理方向的夹角;所述目标中心点为所述待优化弱覆盖区域的中心点;
所述确定单元,用于根据所述目标天线高度、所述目标距离、所述目标方向角以及优化方案确定模型,确定所述待处理基站的目标优化方案;所述目标优化方案用于优化所述待优化弱覆盖区域的通信质量;所述优化方案确定模型用于确定基站的优化方案;
所述确定单元,还用于确定所述样本弱覆盖区域,以及所述样本弱覆盖区域对应的样本基站;
所述获取单元,还用于获取所述样本基站的所述样本高度、所述样本距离、所述样本方向角以及所述样本优化方案;
所述训练单元,用于基于所述样本高度、所述样本距离、所述样本方向角以及所述样本优化方案,对初始优化方案确定模型进行迭代训练,以得到所述优化方案确定模型;
其中,所述优化方案确定模型为BP神经网络模型,所述优化方案确定模型的训练过程包括:
初始化BP神经网络模型训练;
所述BP神经网络模型包括输入层、隐藏层、输出层,在所述神经网络模型的输入层输入问题基站的参数和优化解决方案;
计算隐含层输出满足以下计算公式二、三:
其中,n为问题基站的参数的个数,xi表示问题基站的第i个参数,ωij为输入层第i个节点到隐含层第j个节点的连接权值、αj为隐含层第j个节点偏差阈值,Kj为隐含层第j个节点的结果;
计算输出层输出满足以下计算公式四、五:
ek=Yk-Pk公式五
其中,l为隐含层节点总数,k为输出层第k节点数,Kj为隐含层第j个节点的结果,Pk为输出层第K节点的输出结果,Yk为第K节期望输出的结果,bk为输出层第k个节点的偏差阈值,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,ek为输出层第k个节点实际输出和期望输出的误差;
对ωij和ωjk更新满足公式六、七:
ωjk=ωjk+λKjek公式七
其中,λ为第一学习率,Kj为隐含层第j个节点的结果,xi表示问题基站的第i个参数,m为输出层节点总数,ωik为输入层节点i到输出层节点k的连接权值,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值;
对αj和bk更新满足公式八、九:
bk=bk+ek公式九
其中,η为第二学习率,Kj为隐含层第j个节点的结果,m为输出层节点总数,ek为输出层第k个节点实际输出和期望输出的误差,ωjk为隐藏层第j个节点到输出层第k个节点的连接权值,αj为隐含层第j个节点的偏差阈值,bk为输出层第k个节点的偏差阈值;
对初始化BP神经网络模型进行迭代训练,若输出层的实际输出和期望输出的误差在预设范围内,则迭代结束,训练后的模型为预设模型。
7.根据权利要求6所述的优化方案的确定装置,其特征在于,所述确定装置还包括:显示单元;
所述确定单元,还用于确定所述待优化弱覆盖区域;
所述显示单元,用于显示所述待优化弱覆盖区域以及多个候选基站;所述多个候选基站的覆盖区域与所述待优化弱覆盖区域存在重叠部分;
所述确定单元,具体用于响应于用户对所述多个候选基站的点选操作,确定所述待处理基站。
8.根据权利要求7所述的优化方案的确定装置,其特征在于,所述确定单元具体用于:
确定预设区域内所包括的至少一个弱覆盖聚类区域;每个弱覆盖聚类区域所包括的采样点中,弱覆盖采样点的占比大于第一阈值;所述弱覆盖采样点的信号质量小于或者等于第二阈值;
根据所述预设区域内所包括基站的位置,将所述预设区域划分为多个候选区域;
对于每个候选区域,从至少一个弱覆盖聚类区域内,确定与所述每个候选区域存在重叠部分的目标弱覆盖聚类区域;
根据所述每个候选区域以及所述目标弱覆盖聚类区域,确定所述待优化弱覆盖区域。
9.根据权利要求8所述的优化方案的确定装置,其特征在于,所述确定装置还包括:划分单元;
所述确定单元,还用于确定所述预设区域内的多个弱覆盖栅格;每个弱覆盖栅格所包括的采样点中,所述弱覆盖采样点的占比大于第三阈值;
所述划分单元,用于基于所述多个弱覆盖栅格的栅格位置,将所述多个弱覆盖栅格进行聚类,得到所述至少一个弱覆盖聚类区域。
10.根据权利要求8所述的优化方案的确定装置,其特征在于,所述划分单元具体用于:
根据所述预设区域内所包括基站的位置,将所述预设区域划分为多个候选基站区域;
确定所述预设区域内的多个网格区域;
根据所述多个候选基站区域和所述多个网格区域,将所述预设区域划分为所述多个候选区域;每个候选区域为所述一个候选基站区域和一个网格区域重叠的区域。
11.一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中存储有指令,当所述指令被执行时,实现如权利要求1至5中任一项所述的确定方法。
12.一种电子设备,其特征在于,包括:处理器、存储器和通信接口;其中,通信接口用于所述通信装置和其他设备或网络通信;所述存储器用于存储一个或多个程序,该一个或多个程序包括计算机执行指令,当所述电子设备运行时,处理器执行该存储器存储的该计算机执行指令,以使所述电子设备执行如权利要求1至5中任一项所述的确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525307.XA CN114205831B (zh) | 2021-12-14 | 2021-12-14 | 一种优化方案的确定方法、装置、存储介质及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111525307.XA CN114205831B (zh) | 2021-12-14 | 2021-12-14 | 一种优化方案的确定方法、装置、存储介质及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114205831A CN114205831A (zh) | 2022-03-18 |
CN114205831B true CN114205831B (zh) | 2023-09-29 |
Family
ID=80653549
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111525307.XA Active CN114205831B (zh) | 2021-12-14 | 2021-12-14 | 一种优化方案的确定方法、装置、存储介质及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114205831B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117354824A (zh) * | 2022-06-27 | 2024-01-05 | 中兴通讯股份有限公司 | 业务保障的控制方法及装置、存储介质、电子装置 |
CN117729560A (zh) * | 2022-09-19 | 2024-03-19 | 中兴通讯股份有限公司 | 一种天线参数的确定方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111898787A (zh) * | 2019-05-06 | 2020-11-06 | 中国移动通信集团湖南有限公司 | 基站规划方法、装置、终端设备以及存储介质 |
CN112399448A (zh) * | 2020-11-18 | 2021-02-23 | 中国联合网络通信集团有限公司 | 无线通讯优化方法、装置、电子设备及存储介质 |
CN112423337A (zh) * | 2020-11-18 | 2021-02-26 | 中国联合网络通信集团有限公司 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
WO2021078373A1 (en) * | 2019-10-23 | 2021-04-29 | Nokia Technologies Oy | Exploration data for network optimization |
CN112969192A (zh) * | 2021-02-26 | 2021-06-15 | 中国联合网络通信集团有限公司 | 小区弱覆盖分析方法、装置、设备及存储介质 |
CN113473480A (zh) * | 2021-05-31 | 2021-10-01 | 南京邮电大学 | 面向蜂窝网络的改进式强化学习网络覆盖优化方法 |
-
2021
- 2021-12-14 CN CN202111525307.XA patent/CN114205831B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN111898787A (zh) * | 2019-05-06 | 2020-11-06 | 中国移动通信集团湖南有限公司 | 基站规划方法、装置、终端设备以及存储介质 |
WO2021078373A1 (en) * | 2019-10-23 | 2021-04-29 | Nokia Technologies Oy | Exploration data for network optimization |
CN112399448A (zh) * | 2020-11-18 | 2021-02-23 | 中国联合网络通信集团有限公司 | 无线通讯优化方法、装置、电子设备及存储介质 |
CN112423337A (zh) * | 2020-11-18 | 2021-02-26 | 中国联合网络通信集团有限公司 | 网络覆盖诊断模型构建方法、网络覆盖诊断方法及装置 |
CN112969192A (zh) * | 2021-02-26 | 2021-06-15 | 中国联合网络通信集团有限公司 | 小区弱覆盖分析方法、装置、设备及存储介质 |
CN113473480A (zh) * | 2021-05-31 | 2021-10-01 | 南京邮电大学 | 面向蜂窝网络的改进式强化学习网络覆盖优化方法 |
Non-Patent Citations (2)
Title |
---|
基于机器学习的5G用户只能投诉处理方案研究;曾伟等;《邮电设计技术》;全文 * |
基于随机森林的无线信号弱覆盖识别率预测;李平等;《电信快报》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114205831A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Soh et al. | Adaptive deep learning-based air quality prediction model using the most relevant spatial-temporal relations | |
CN114205831B (zh) | 一种优化方案的确定方法、装置、存储介质及设备 | |
CN110059385B (zh) | 一种耦合异速生长的网格动力学情景模拟方法及终端设备 | |
Long et al. | Mapping block-level urban areas for all Chinese cities | |
KR20190139130A (ko) | 피셀 알고리즘을 이용하여 실시간 유동 인구 데이터의 제공이 가능한 유동인구 정보 분석 방법 | |
Doyle et al. | Population mobility dynamics estimated from mobile telephony data | |
CN109840260A (zh) | 一种基于动态插补的大规模实时降雨自动观测站分级数据处理方法 | |
CN110351665B (zh) | 用户惯常地的识别方法、设备及计算机可读存储介质 | |
CN111311748B (zh) | 室内立体图构建方法及装置、终端设备和存储介质 | |
US20230131579A1 (en) | Wireless signal propagation prediction method and apparatus | |
CN113108792A (zh) | Wi-Fi指纹地图重建方法、装置、终端设备及介质 | |
CN113642263A (zh) | 基于北斗网格的空气质量预警方法和装置 | |
CN111311193B (zh) | 公共服务资源的配置方法和装置 | |
CN114066184A (zh) | 一种区域覆盖的评估方法、装置和电子设备 | |
CN116796904A (zh) | 一种轨道交通新线客流预测方法、系统、电子设备及介质 | |
US10444062B2 (en) | Measuring and diagnosing noise in an urban environment | |
CN115079307A (zh) | 一种基于多模式最优集成的风电场气象预报方法和系统 | |
Regrain et al. | Design of an integrated platform for mapping residential exposure to Rf-Emf sources | |
CN117079148B (zh) | 城市功能区的识别方法、装置、设备和介质 | |
CN113141570A (zh) | 地下场景定位方法、装置、计算设备及计算机存储介质 | |
Tennekes et al. | A Bayesian approach to location estimation of mobile devices from mobile network operator data | |
CN114444987A (zh) | 一种户型图的自动化分析方法及装置 | |
CN113127594B (zh) | 确定地理区域的组团数据的方法、计算设备和存储介质 | |
CN115270520B (zh) | 一种基于高程网格的低空监视性能仿真分析方法及系统 | |
CN114520982B (zh) | 小区覆盖范围的检测方法、装置及系统 |
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 |