CN114390535B - 小区覆盖范围的展示方法、装置、设备及计算机存储介质 - Google Patents

小区覆盖范围的展示方法、装置、设备及计算机存储介质 Download PDF

Info

Publication number
CN114390535B
CN114390535B CN202011123256.3A CN202011123256A CN114390535B CN 114390535 B CN114390535 B CN 114390535B CN 202011123256 A CN202011123256 A CN 202011123256A CN 114390535 B CN114390535 B CN 114390535B
Authority
CN
China
Prior art keywords
point
pixelated
feature matrix
target
coordinate system
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
Application number
CN202011123256.3A
Other languages
English (en)
Other versions
CN114390535A (zh
Inventor
刘阳
杨晓青
刘桓
高爱丽
吕万
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 Mobile Communications Group Co Ltd
China Mobile Group Beijing Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Beijing Co 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 Mobile Communications Group Co Ltd, China Mobile Group Beijing Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011123256.3A priority Critical patent/CN114390535B/zh
Publication of CN114390535A publication Critical patent/CN114390535A/zh
Application granted granted Critical
Publication of CN114390535B publication Critical patent/CN114390535B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04WWIRELESS COMMUNICATION NETWORKS
    • H04W16/00Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
    • H04W16/18Network planning tools

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Ultra Sonic Daignosis Equipment (AREA)

Abstract

本申请实施例提供了一种小区覆盖范围的展示方法、装置、设备及计算机存储介质,方法包括:获取目标小区的最小化路测数据;确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。本申请实施例能够解决现有技术展示的小区覆盖范围不准确的技术问题。

Description

小区覆盖范围的展示方法、装置、设备及计算机存储介质
技术领域
本申请属于通信网络技术领域,尤其涉及一种小区覆盖范围的展示方法、装置、设备及计算机存储介质。
背景技术
随着通信技术的发展,移动通信网络已基本覆盖人们活动的各个区域。对于运营商而言,能够准确地获知各个基站小区的覆盖范围是网络运营和后期网络故障诊断的基础保障。
然而,现有技术在展示基站小区的覆盖范围时,存在展示的基站小区的覆盖范围与实际的基站小区的覆盖范围偏差较大,即展示的基站小区的覆盖范围不准确的问题。
发明内容
本申请实施例提供一种小区覆盖范围的展示方法、装置、设备及计算机存储介质,能够解决现有技术展示的小区覆盖范围不准确的技术问题。
第一方面,本申请实施例提供一种小区覆盖范围的展示方法,方法包括:
获取目标小区的最小化路测数据;
确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系;
根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵;
基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形。
在一个实施例中,确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系之前,还包括:
检测最小化路测数据中是否含有目标字符,以及当最小化路测数据中含有目标字符时,将目标字符对应的数据项清零;
当最小化路测数据中含有重复的数据项时,删除重复的数据项中除目标数据项之外的其余数据项;
将最小化路测数据映射到格网坐标系,包括:
将删除其余数据项之后的最小化路测数据映射到格网坐标系。
在一个实施例中,最小化路测数据为目标小区的多个采样点采集得到的,最小化路测数据包括每个采样点的经纬度坐标和参考信号接收功率;
在当最小化路测数据中含有重复的数据项时,删除重复的数据项中除目标数据项之外的其余数据项之后,还包括:
计算多个采样点的经纬度的第一标准差σ1
计算多个采样点的参考信号接收功率的第二标准差σ2
对于第i个采样点,当第i个采样点的经纬度处于±3σ1之外或者第i个采样点的参考信号接收功率处于±3σ2之外时,删除第i个采样点采集的最小化路测数据;
将最小化路测数据映射到格网坐标系,包括:
将删除第i个采样点采集的最小化路测数据之后的最小化路测数据映射到格网坐标系。
在一个实施例中,确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系,包括:
设定目标图形的分辨率;
根据分辨率将目标小区所在的区域划分为多个格网,得到格网坐标系;
确定目标小区的边界经纬度坐标和格网坐标系的初始坐标;
根据每个采样点的经纬度坐标、目标小区的边界经纬度坐标和格网坐标系的初始坐标,确定每个采样点在格网坐标系的格网坐标。
在一个实施例中,根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵,包括:
构建初始像素化特征矩阵;
根据格网坐标系中每个格网内的所有采样点的参考信号接收功率的均值,得到初始像素化特征矩阵中每个元素的像素值,并将像素值已知的初始像素化特征矩阵作为像素化特征矩阵。
在一个实施例中,在根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵之前,还包括:
基于预设局部异常矫正算法对像素化特征矩阵进行边缘矫正,以去除像素化特征矩阵中密度小于预设范围的异常点;
基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的图形,包括:
基于预设图形生成算法和边缘矫正后的像素化特征矩阵,得到表征目标小区覆盖范围的图形。
在一个实施例中,基于预设局部异常矫正算法对像素化特征矩阵进行边缘矫正,以去除像素化特征矩阵中密度小于预设范围的异常点,包括:
计算目标点到p点的第k可达距离,p点为像素化特征矩阵中的任一元素对应的采样点,目标点为像素化特征矩阵中的目标元素对应的采样点,p和k均为正整数;
根据目标点到p点的第k可达距离,计算p点的局部可达密度;
根据p点的局部可达密度,计算p点的局部异常因子;
当局部异常因子大于预设阈值时,确定为p点为异常点,删除像素化特征矩阵中p点对应的元素。
在一个实施例中,基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形,包括:
从像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和基准点构成的向量与坐标轴之间的夹角,第一采样点包括像素化特征矩阵中除第一元素之外的其他元素对应的采样点;
按照夹角由小到大的顺序对第一采样点进行排序;
当按照逆时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为负,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。
在另一个实施例中,基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形,包括:
从像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和基准点构成的向量与坐标轴之间的夹角,第一采样点包括像素化特征矩阵中除第一元素之外的其他元素对应的采样点;
按照夹角由大到小的顺序对第一采样点进行排序;
当按照顺时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为正,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为正时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。
第二方面,本申请实施例提供了一种小区覆盖范围的展示装置,装置包括:
第一获取单元,用于获取目标小区的最小化路测数据;
确定单元,用于确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系;
第二获取单元,用于根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵;
第三获取单元,用于基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形。
第三方面,本申请实施例提供了一种电子设备,电子设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现第一方面提供的小区覆盖范围的展示方法的步骤。
第四方面,本申请实施例提供了一种计算机存储介质,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现第一方面提供的小区覆盖范围的展示方法的步骤。
本申请实施例的小区覆盖范围的展示方法、装置、设备及计算机存储介质,先获取目标小区的最小化路测数据;然后确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;再根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;最后基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。相比于现有技术,本申请通过上述方式可以消除最小化路测数据存在的经纬度偏差、同一经纬度电平不一致的问题,进而最终得到的表征目标小区覆盖范围的目标图形更加准确。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单的介绍,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是本申请实施例提供的小区覆盖范围的展示方法的流程示意图;
图2示意性示出了本申请实施例的MDT数据;
图3示意性示出了本申请实施例的目标小区的格网坐标系;
图4示意性示出了本申请实施例剔除异常采样点后的MDT数据;
图5示意性示出了本申请实施例的像素化特征矩阵各个元素对应的采样点;
图6示意性示出了图5所示的采样点连线构成的凸包;
图7a为本申请实施例基于未边缘矫正的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形;
图7b为本申请实施例基于边缘矫正后的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形;
图8是本申请实施例提供的一种小区覆盖范围的展示装置的结构示意图;
图9是本申请实施例提供的一种电子设备的结构示意图。
具体实施方式
下面将详细描述本申请的各个方面的特征和示例性实施例,为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及具体实施例,对本申请进行进一步详细描述。应理解,此处所描述的具体实施例仅意在解释本申请,而不是限定本申请。对于本领域技术人员来说,本申请可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本申请的示例来提供对本申请更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
随着通信技术的发展,移动通信网络已基本覆盖人们活动的各个区域。对于运营商而言,能够准确地获知各个基站小区的覆盖范围是网络运营和后期网络故障诊断的基础保障。
然而,现有技术在展示基站小区的覆盖范围时,存在展示的基站小区的覆盖范围与实际的基站小区的覆盖范围偏差较大,即展示的基站小区的覆盖范围不准确的问题。
经本发明人研究发现,现有技术在展示基站小区的覆盖范围时,采用的是最小化路测数据(Minimization of Drive-Test,简称MDT数据)进行简单展示的方式。其中,MDT数据是UE系统主动上报的GPS经纬度数据,本身存在经纬度偏差、同一经纬度电平不一致的问题,简单用MDT数据进行小区覆盖展示而不做经纬度数据处理存在不准确的问题,展示的小区覆盖范围会比实际的小区覆盖范围扩大几十倍,并且还会严重失真。
另外,现有技术直接用MDT数据基于经纬度进行地图上撒点,还存在小区覆盖轮廓无法直观的进行勾勒表现的问题,以及采用人工制作小区覆盖撒点图,存在无法实时、自动化监控小区覆盖范围变化情况的问题。
为了解决现有技术问题,本申请实施例提供了一种小区覆盖范围的展示方法、装置、设备及计算机存储介质。
本申请实施例的技术构思是:先获取目标小区的最小化路测数据;然后确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;再根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;最后基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。相比于现有技术,本申请通过上述方式可以消除最小化路测数据存在的经纬度偏差、同一经纬度电平不一致的问题,进而最终得到的表征目标小区覆盖范围的目标图形更加准确
下面首先对本申请实施例所提供的小区覆盖范围的展示方法进行介绍。
图1是本申请实施例提供的小区覆盖范围的展示方法的流程示意图。如图1所示,该方法可以包括以下步骤:
S101、获取目标小区的最小化路测数据;
S102、确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;
S103、根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;
S104、基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。
上述各步骤的具体实现方式将在下文中进行详细描述。
本申请实施例的小区覆盖范围的展示方法,先获取目标小区的最小化路测数据;然后确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;再根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;最后基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。相比于现有技术,本申请通过上述方式可以消除最小化路测数据存在的经纬度偏差、同一经纬度电平不一致的问题,进而最终得到的表征目标小区覆盖范围的目标图形更加准确下面介绍上述各个步骤的具体实现方式。
首先介绍S101、获取目标小区的最小化路测数据。
这里,目标小区可以指的是一个小区,当然也可以指的是多个小区。为了同时展示多个小区的网络覆盖范围,作为一种示例,在S101中,例如从数据库中调取了三万个小区一个月的历史MDT数据,数据总量达四亿条。图2示意性示出了本申请实施例的MDT数据。如图2所示,MDT数据为目标小区的多个采样点采集得到的。MDT数据例如可以包括小区标识、每个采样点的经纬度坐标和参考信号接收功率。
与此同时,在S101中还可以调取目标小区的厂家工参数据,厂家工参数据例如可以包括华为、中兴和爱立信,本申请不限于此。
以上为S101的具体实现方式,下面介绍S102的具体实现方式。
S102、确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系。
首先,设定表征目标小区覆盖范围的目标图形的分辨率。例如,设定表征目标小区覆盖范围的目标图形的分辨率为m米,m可以根据实际情况灵活设定,例如m=10或m=20,本申请不限于此。
接下来,根据设定的分辨率将目标小区所在的区域划分为多个格网,得到目标小区的格网坐标系。
图3示意性示出了本申请实施例的目标小区的格网坐标系。如图3所示,例如可以根据设定的分辨率将目标小区所在的区域划分为m*m个格网,得到m*m个格网的格网坐标系。
在确定目标小区的格网坐标系之后,将最小化路测数据映射到格网坐标系,得到每个采样点在格网坐标系的格网坐标。
具体地,首先确定目标小区的边界经纬度坐标和格网坐标系的初始坐标。其中,目标小区的边界经纬度坐标和格网坐标系的初始坐标均为已知量,可以直接确定。
接下来,根据每个采样点的经纬度坐标、目标小区的边界经纬度坐标和格网坐标系的初始坐标,确定每个采样点在格网坐标系的格网坐标。
例如可以利用聚类映射坐标函数确定每个采样点在格网坐标系的格网坐标,表达式如下:
其中,(xi,yi)为第i个采样点的经纬度坐标,(xmax,ymax)、(xmin,ymin)为目标小区的边界经纬度坐标,(r0,l0)为格网坐标系的初始坐标,(ri,li)为第i个采样点映射的格网坐标。
考虑到S101中获取的MDT数据和厂家工参数据中可能包含重复数据和/或错误数据,为了使得最终得到的小区覆盖范围更为准确,作为本申请的另一种实现方式,在S102之前,还可以对S101中获取的数据进行预处理,以去除MDT数据和厂家工参数据中的重复数据和/或错误数据。
具体地,作为一种示例,检测MDT数据中是否含有目标字符,以及当MDT数据中含有目标字符时,将目标字符对应的数据项清零。其中,目标字符例如可以包括“#N/A”、“#VALUE!”和“NIL”字符。在实际应用中,例如检测到MDT数据中的某些数据项包含“#N/A”、“#VALUE!”和“NIL”字符时,则将这些数据项清零,设置为空。
作为一种示例,当MDT数据中含有重复的数据项时,删除重复的数据项中除目标数据项之外的其余数据项。亦即,当MDT数据中有多个重复的数据时,只保留重复的数据中的一个数据,删除多余数据。
为了进一步使得最终得到的小区覆盖范围更为准确,作为本申请的另一种实现方式,在S102之前,还可以包括异常值处理步骤,以去除MDT数据和厂家工参数据中的异常数据。
如图2所示,通过数据可视化可以发现有很多MDT数据偏离实际小区距离过远,例如图2中三角标记的采样点远远偏离目标小区其他的MDT采样点。经过本发明人研究发现,引用三倍标准差方法,对采样点进行数据筛选处理,能够有较为理想效果。
具体地,计算目标小区多个采样点的经纬度的第一标准差σ1,表达式如下:
其中,(xi,yi)为第i个采样点的经纬度坐标,为目标小区所有采样点的经纬度坐标的均值,n为目标小区的采样点的个数。
接下来,对于第i个采样点,当第i个采样点的经纬度坐标处于±3σ1之外时,删除第i个采样点采集的最小化路测数据。如图4所示,通过该步骤,将目标小区经纬度偏离较大的采样点剔除。
与上述步骤类似的,对小区采样点的RSRP值进行深入探索分析后,发现也会存在某些采样点的RSRP偏离整个小区RSRP样本集。因此,同样以三倍标准差方法过滤每个小区的采样点的RSRP,为图形化特征表示提供有效数据。
具体地,计算多个采样点的参考信号接收功率RSRP的第二标准差σ2;对于第i个采样点,当第i个采样点的RSRP处于±3σ2之外时,删除第i个采样点采集的最小化路测数据,具体过程参见上文,在此不再赘述。
继续参见图1,在S102确定每个采样点在格网坐标系的格网坐标之后,执行S103。
S103、根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵。
具体地,首先构建初始像素化特征矩阵。初始像素化特征矩阵M的表达式如下:
其中,m00至mij为初始像素化特征矩阵M中的元素。
接下来,根据格网坐标系中每个格网内的所有采样点的参考信号接收功率的均值,得到初始像素化特征矩阵中每个元素的像素值,并将像素值已知的初始像素化特征矩阵作为像素化特征矩阵。
具体地,初始像素化特征矩阵中每个元素的像素值如下:
其中,为格网(r,l)内所有采样点的RSRP均值,假设该格网经过聚类映射后有n个采样点数据,则:
其中,rsrpk表示每个格网内第k个采样点的RSRP值。
由此,便可以得到初始像素化特征矩阵M中每个元素的像素值。最后,将像素值已知的初始像素化特征矩阵M作为像素化特征矩阵。
S104、基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。
经本发明人研究发现,表征小区覆盖范围的像素化特征矩阵中存在较多的稀疏像素,因此为了更精确表达小区覆盖特征,作为一种示例,在执行S104之前,使用基于像素密度的局部异常矫正算法对像素化特征矩阵进行边缘矫正,最后在S104再使用图形自动生成算法,对边缘矫正后的像素化特征矩阵数据进行图形生成,具体实现步骤如下:
在执行S104之前,基于预设局部异常矫正算法对像素化特征矩阵进行边缘矫正,以去除像素化特征矩阵中密度小于预设范围的异常点。
在本申请实施例中,通过一种分数计算方法(score算法)来反映一个样本的异常程度,即:一个样本点周围的样本点所处位置的平均密度比上该样本点所在位置的密度,比值越大于1,则该点所在位置的密度越小于其周围样本所在位置的密度,这个点就越有可能是异常点。该方法分四步进行计算:
第一步骤、计算目标点到p点的第k可达距离。其中,p点为像素化特征矩阵中的任一元素对应的采样点,目标点为像素化特征矩阵中的目标元素对应的采样点,p和k均为正整数。
目标点以o点表示,o点与p点的距离可以表示为d(p,o),定义对于p点的第k距离dk(p)如下:
dk(p)=d(p,p),且满足以下条件:1)在集合中至少有不包括p点在内的k个o’点,o’∈C{x≠p},满足d(p,o’)≤d(p,o);2)在集合中最多有不包括p点在内的k-1个o点,o∈C{x≠p},满足d(p,o’)<d(p,o)。
p点的第k距离,也就是距离p点第k远的点的距离,不包括p点。p点的第k距离邻域Nk(p),就是p的第k距离即以内的所有点,包括第k距离。因此p点的第k邻域点的个数|Nk(p)|≥k。
因此,o点到p点的第k可达距离定义为:
R-dk(p,o)=max{k-dk(o),d(p,o)}
其中,R-dk(p,o)表示o点到p点的第k可达距离。也就是说,o点到p点的第k可达距离,至少是o点的第k距离,或者为o、p间的真实距离。这也意味着,离o点最近的k个点,o点到它们的可达距离被认为相等,且都等于dk(o)。
第二步骤、根据目标点到p点的第k可达距离,计算p点的局部可达密度。
p点局部可达密度可以表示为p点的第k邻域内Nk(p)点到p点的平均可达距离的倒数,表达式如下:
lrdk(p)表示p点的局部可达密度。
第三步骤、根据p点的局部可达密度,计算p点的局部异常因子。表达式如下:
其中,scorek(p)表示p点的局部异常因子,lrdk(o)表示o点的局部可达密度。
第四步骤、当p点的局部异常因子大于预设阈值时,确定为p点为异常点,删除像素化特征矩阵中p点对应的元素。在本申请实施例中,预设阈值为1。具体地,异常点剔除可以通过scorek(p)来定义,当scorek(p)这个比值越接近1,说明p点的其邻域点密度差不多,p点可能和邻域同属一簇。如果scorek(p)这个比值越小于1,说明p点的密度高于其邻域点密度,p点为密集点;如果scorek(p)这个比值越大于1,说明p点的密度小于其邻域点密度,p点越可能是异常点。
在S104中,基于异常点剔除的像素化特征矩阵,为了进一步对小区覆盖评估,本申请实施例将像素化特征矩阵转化为图形。本申请实施例的预设图形生成算法可以定义为:给定一个点集P,求最小点集S,使得S构成的形状能包含P。该算法的主要步骤过程如下:
首先,从像素化特征矩阵中选择第一元素对应的采样点作为基准点。如图5所示,例如在像素化特征矩阵各个元素对应的采样点中选取纵坐标最小的一点H作为基准点。而如果存在多个点的纵坐标都为最小值,可以选取横坐标最小的一点作为基准点。
接下来,计算多个第一采样点和基准点构成的向量与坐标轴之间的夹角,第一采样点包括像素化特征矩阵中除第一元素之外的其他元素对应的采样点。在该步骤中,坐标相同的采样点应排除。然后按照其他各采样点点p和基点构成的向量<H,p>与x轴的夹角进行排序。
其中,当逆时针扫描时,按照夹角由小到大的顺序对所述第一采样点进行排序;当顺时针扫描时,按照夹角由大到小的顺序对所述第一采样点进行排序。在实际应用中,无需求得夹角,只需根据余弦定理求出向量夹角的余弦值即可。如图5所示,基准点为H,根据夹角由小至大排序后依次为H,K,C,D,L,F,G,E,I,B,A,J。
再接下来,作为一种实施方式,当按照逆时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为负,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。
如图6所示,线段<H,K>一定在凸包上,即将排序第一的第一采样点K加入目标图形的凸包。接着加入C,假设线段<K,C>也在凸包上,因为就H,K,C三点而言,它们的凸包就是由此三点所组成。但是接下来加入D时会发现,线段<K,D>才会在凸包上,所以将线段<K,C>排除,C点不可能是凸包。即当加入一点时,必须考虑到前面的线段是否在凸包上。从基点开始,凸包上每条相临的线段的旋转方向应该一致,并与扫描的方向相反。如果发现新加的点使得新线段与上线段的旋转方向发生变化,则可判定上一点必然不在凸包上。在实际应用中,判断时可以利用向量叉积进行判断,当逆时针扫描时,判断第一向量与第二向量的叉积是否为负,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。这里需要说明的是,删除过程需要回溯,需要将之前已加入凸包的所有叉积符号相反的点都删除。按照上述步骤进行扫描,直到点集中所有的点都遍历完成,即得到目标图形的凸包。
作为另一种实施方式,当按照顺时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为正,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为正时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。具体过程参见上文描述,在此不再赘述。
图7a为本申请实施例基于未边缘矫正的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形;图7b为本申请实施例基于边缘矫正后的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形。如图7a和图7b所示,相比于图7a基于未边缘矫正的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形而言,图7b基于边缘矫正后的像素化特征矩阵得到的表征目标小区覆盖范围的目标图形的凸包圈定的目标小区覆盖范围更加精准。
基于上述实施例提供的小区覆盖范围的展示方法,相应地,本申请还提供了小区覆盖范围的展示装置的具体实现方式。请参见以下实施例。
首先参见图8,本申请实施例提供的小区覆盖范围的展示装置800包括以下单元:
第一获取单元801,用于获取目标小区的最小化路测数据;
确定单元802,用于确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;
第二获取单元803,用于根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;
第三获取单元804,用于基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。
本申请实施例的小区覆盖范围的展示装置,第一获取单元获取目标小区的最小化路测数据;确定单元确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;第二获取单元根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;第三获取单元基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。相比于现有技术,本申请通过上述方式可以消除最小化路测数据存在的经纬度偏差、同一经纬度电平不一致的问题,进而最终得到的表征目标小区覆盖范围的目标图形更加准确。
在一个实施例中,本申请实施例提供的小区覆盖范围的展示装置800还可以包括数据预处理单元,用于检测最小化路测数据中是否含有目标字符,以及当最小化路测数据中含有目标字符时,将目标字符对应的数据项清零;当最小化路测数据中含有重复的数据项时,删除重复的数据项中除目标数据项之外的其余数据项;确定单元802具体用于将删除其余数据项之后的最小化路测数据映射到格网坐标系。
在一个实施例中,最小化路测数据为目标小区的多个采样点采集得到的,最小化路测数据包括每个采样点的经纬度坐标和参考信号接收功率;
数据预处理单元还用于:计算多个采样点的经纬度的第一标准差σ1;计算多个采样点的参考信号接收功率的第二标准差σ2;对于第i个采样点,当第i个采样点的经纬度处于±3σ1之外或者第i个采样点的参考信号接收功率处于±3σ2之外时,删除第i个采样点采集的最小化路测数据;确定单元802具体用于将删除第i个采样点采集的最小化路测数据之后的最小化路测数据映射到格网坐标系。
在一个实施例中,确定单元802具体用于:设定目标图形的分辨率;根据分辨率将目标小区所在的区域划分为多个格网,得到格网坐标系;确定目标小区的边界经纬度坐标和格网坐标系的初始坐标;根据每个采样点的经纬度坐标、目标小区的边界经纬度坐标和格网坐标系的初始坐标,确定每个采样点在格网坐标系的格网坐标。
在一个实施例中,第二获取单元803具体用于:构建初始像素化特征矩阵;根据格网坐标系中每个格网内的所有采样点的参考信号接收功率的均值,得到初始像素化特征矩阵中每个元素的像素值,并将像素值已知的初始像素化特征矩阵作为像素化特征矩阵。
在一个实施例中,本申请实施例提供的小区覆盖范围的展示装置800还可以包括局部异常矫正单元,用于:基于预设局部异常矫正算法对像素化特征矩阵进行边缘矫正,以去除像素化特征矩阵中密度小于预设范围的异常点;第三获取单元804具体用于基于预设图形生成算法和边缘矫正后的像素化特征矩阵,得到表征目标小区覆盖范围的图形。
在一个实施例中,局部异常矫正单元具体用于:
计算目标点到p点的第k可达距离,p点为像素化特征矩阵中的任一元素对应的采样点,目标点为像素化特征矩阵中的目标元素对应的采样点,p和k均为正整数;
根据目标点到p点的第k可达距离,计算p点的局部可达密度;
根据p点的局部可达密度,计算p点的局部异常因子;
当局部异常因子大于预设阈值时,确定为p点为异常点,删除像素化特征矩阵中p点对应的元素。
在一个实施例中,第三获取单元804具体用于:
从像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和基准点构成的向量与坐标轴之间的夹角,第一采样点包括像素化特征矩阵中除第一元素之外的其他元素对应的采样点;
按照夹角由小到大的顺序对第一采样点进行排序;
当按照逆时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为负,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。
在另一个实施例中,第三获取单元804具体用于:
从像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和基准点构成的向量与坐标轴之间的夹角,第一采样点包括像素化特征矩阵中除第一元素之外的其他元素对应的采样点;
按照夹角由大到小的顺序对第一采样点进行排序;
当按照顺时针顺序依次扫描排序后的第一采样点时,将排序第一的第一采样点加入目标图形的凸包,并判断第一向量与第二向量的叉积是否为正,第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,第二向量为第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为正时,删除已加入凸包的第P个第一采样点,并将第P+1个第一采样点加入凸包。
图8所示装置中的各个模块/单元具有实现图1中各个步骤的功能,并能达到其相应的技术效果,为简洁描述,在此不再赘述。
基于上述实施例提供的小区覆盖范围的展示方法,相应地,本申请还提供了电子设备的具体实现方式。请参见以下实施例。
图9示出了本申请实施例提供的电子设备的硬件结构示意图。
电子设备可以包括处理器901以及存储有计算机程序指令的存储器902。
具体地,上述处理器901可以包括中央处理器(Central Processing Unit,CPU),或者特定集成电路(Application Specific Integrated Circuit,ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
存储器902可以包括用于数据或指令的大容量存储器。举例来说而非限制,存储器902可包括硬盘驱动器(Hard Disk Drive,HDD)、软盘驱动器、闪存、光盘、磁光盘、磁带或通用串行总线(Universal Serial Bus,USB)驱动器或者两个或更多个以上这些的组合。在一个实例中,存储器902可以包括可移除或不可移除(或固定)的介质,或者存储器902是非易失性固态存储器。存储器902可在综合网关容灾设备的内部或外部。
在一个实例中,存储器902可以是只读存储器(Read Only Memory,ROM)。在一个实例中,该ROM可以是掩模编程的ROM、可编程ROM(PROM)、可擦除PROM(EPROM)、电可擦除PROM(EEPROM)、电可改写ROM(EAROM)或闪存或者两个或更多个以上这些的组合。
存储器902可以包括只读存储器(ROM),随机存取存储器(RAM),磁盘存储介质设备,光存储介质设备,闪存设备,电气、光学或其他物理/有形的存储器存储设备。因此,通常,存储器包括一个或多个编码有包括计算机可执行指令的软件的有形(非暂态)计算机可读存储介质(例如,存储器设备),并且当该软件被执行(例如,由一个或多个处理器)时,其可操作来执行参考根据本公开的一方面的方法所描述的操作。
处理器901通过读取并执行存储器902中存储的计算机程序指令,以实现图1所示实施例中的方法/步骤S101至S104,并达到图1所示实例执行其方法/步骤达到的相应技术效果,为简洁描述在此不再赘述。
在一个示例中,电子设备还可包括通信接口903和总线910。其中,如图9所示,处理器901、存储器902、通信接口903通过总线910连接并完成相互间的通信。
通信接口903,主要用于实现本申请实施例中各模块、装置、单元和/或设备之间的通信。
总线910包括硬件、软件或两者,将在线数据流量计费设备的部件彼此耦接在一起。举例来说而非限制,总线可包括加速图形端口(Accelerated Graphics Port,AGP)或其他图形总线、增强工业标准架构(Extended Industry Standard Architecture,EISA)总线、前端总线(Front Side Bus,FSB)、超传输(Hyper Transport,HT)互连、工业标准架构(Industry Standard Architecture,ISA)总线、无限带宽互连、低引脚数(LPC)总线、存储器总线、微信道架构(MCA)总线、外围组件互连(PCI)总线、PCI-Express(PCI-X)总线、串行高级技术附件(SATA)总线、视频电子标准协会局部(VLB)总线或其他合适的总线或者两个或更多个以上这些的组合。在合适的情况下,总线910可包括一个或多个总线。尽管本申请实施例描述和示出了特定的总线,但本申请考虑任何合适的总线或互连。
另外,结合上述实施例中的小区覆盖范围的展示方法,本申请实施例可提供一种计算机存储介质来实现。该计算机存储介质上存储有计算机程序指令;该计算机程序指令被处理器执行时实现上述实施例中的任意一种小区覆盖范围的展示方法。
综上所述,本申请实施例的小区覆盖范围的展示方法、装置、设备及计算机存储介质,先获取目标小区的最小化路测数据;然后确定目标小区的格网坐标系,并将最小化路测数据映射到格网坐标系;再根据映射到格网坐标系中的最小化路测数据,得到表征目标小区覆盖范围的像素化特征矩阵;最后基于预设图形生成算法和像素化特征矩阵,得到表征目标小区覆盖范围的目标图形。相比于现有技术,本申请通过上述方式可以消除最小化路测数据存在的经纬度偏差、同一经纬度电平不一致的问题,进而最终得到的表征目标小区覆盖范围的目标图形更加准确。
此外,本申请实施例能够更直观、自动化、智能化、图形化完成小区覆盖范围的特征图形化表示,相较于传统指标统计,其覆盖图形简洁明了,更直观为业务人员提供网络优化指导。同时,本申请实施例能够快速部署于服务器,实现实时动态检测小区覆盖特征图形变化,具有突出的时效性。
需要明确的是,本申请并不局限于上文所描述并在图中示出的特定配置和处理。为了简明起见,这里省略了对已知方法的详细描述。在上述实施例中,描述和示出了若干具体的步骤作为示例。但是,本申请的方法过程并不限于所描述和示出的具体步骤,本领域的技术人员可以在领会本申请的精神后,作出各种改变、修改和添加,或者改变步骤之间的顺序。
以上所述的结构框图中所示的功能块可以实现为硬件、软件、固件或者它们的组合。当以硬件方式实现时,其可以例如是电子电路、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、适当的固件、插件、功能卡等等。当以软件方式实现时,本申请的元素是被用于执行所需任务的程序或者代码段。程序或者代码段可以存储在机器可读介质中,或者通过载波中携带的数据信号在传输介质或者通信链路上传送。“机器可读介质”可以包括能够存储或传输信息的任何介质。机器可读介质的例子包括电子电路、半导体存储器设备、ROM、闪存、可擦除ROM(EROM)、软盘、CD-ROM、光盘、硬盘、光纤介质、射频(RadioFrequency,RF)链路,等等。代码段可以经由诸如因特网、内联网等的计算机网络被下载。
还需要说明的是,本申请中提及的示例性实施例,基于一系列的步骤或者装置描述一些方法或系统。但是,本申请不局限于上述步骤的顺序,也就是说,可以按照实施例中提及的顺序执行步骤,也可以不同于实施例中的顺序,或者若干步骤同时执行。
上面参考根据本公开的实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各方面。应当理解,流程图和/或框图中的每个方框以及流程图和/或框图中各方框的组合可以由计算机程序指令实现。这些计算机程序指令可被提供给通用计算机、专用计算机、或其它可编程数据处理装置的处理器,以产生一种机器,使得经由计算机或其它可编程数据处理装置的处理器执行的这些指令使能对流程图和/或框图的一个或多个方框中指定的功能/动作的实现。这种处理器可以是但不限于是通用处理器、专用处理器、特殊应用处理器或者现场可编程逻辑电路。还可理解,框图和/或流程图中的每个方框以及框图和/或流程图中的方框的组合,也可以由执行指定的功能或动作的专用硬件来实现,或可由专用硬件和计算机指令的组合来实现。
以上所述,仅为本申请的具体实施方式,所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、模块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。应理解,本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本申请的保护范围之内。

Claims (10)

1.一种小区覆盖范围的展示方法,其特征在于,包括:
获取目标小区的最小化路测数据;
确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系;
根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵;
基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形;
所述根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵,包括:
构建初始像素化特征矩阵;
根据所述格网坐标系中每个格网内的所有采样点的参考信号接收功率的均值,得到所述初始像素化特征矩阵中每个元素的像素值,并将像素值已知的所述初始像素化特征矩阵作为所述像素化特征矩阵;
所述基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形,包括:
从所述像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和所述基准点构成的向量与坐标轴之间的夹角,所述第一采样点包括所述像素化特征矩阵中除所述第一元素之外的其他元素对应的采样点;
按照夹角由小到大的顺序对所述第一采样点进行排序;
当按照逆时针顺序依次扫描排序后的所述第一采样点时,将排序第一的所述第一采样点加入所述目标图形的凸包,并判断第一向量与第二向量的叉积是否为负,所述第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,所述第二向量为所述第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入所述凸包的所述第P个第一采样点,并将所述第P+1个第一采样点加入所述凸包,P为正整数。
2.根据权利要求1所述的方法,其特征在于,所述确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系之前,还包括:
检测所述最小化路测数据中是否含有目标字符,以及当所述最小化路测数据中含有目标字符时,将所述目标字符对应的数据项清零;
当所述最小化路测数据中含有重复的数据项时,删除所述重复的数据项中除目标数据项之外的其余数据项;
将所述最小化路测数据映射到所述格网坐标系,包括:
将删除所述其余数据项之后的所述最小化路测数据映射到所述格网坐标系。
3.根据权利要求2所述的方法,其特征在于,所述最小化路测数据为所述目标小区的多个采样点采集得到的,所述最小化路测数据包括每个采样点的经纬度坐标和参考信号接收功率;
在所述当所述最小化路测数据中含有重复的数据项时,删除所述重复的数据项中除目标数据项之外的其余数据项之后,还包括:
计算所述多个采样点的经纬度的第一标准差;
计算所述多个采样点的参考信号接收功率的第二标准差;
对于第i个采样点,当所述第i个采样点的经纬度处于之外或者所述第i个采样点的参考信号接收功率处于之外时,删除所述第i个采样点采集的所述最小化路测数据;
将所述最小化路测数据映射到所述格网坐标系,包括:
将删除所述第i个采样点采集的所述最小化路测数据之后的所述最小化路测数据映射到所述格网坐标系。
4.根据权利要求1所述的方法,其特征在于,所述确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系,包括:
设定所述目标图形的分辨率;
根据所述分辨率将所述目标小区所在的区域划分为多个格网,得到所述格网坐标系;
确定所述目标小区的边界经纬度坐标和所述格网坐标系的初始坐标;
根据所述每个采样点的经纬度坐标、所述目标小区的边界经纬度坐标和所述格网坐标系的初始坐标,确定所述每个采样点在所述格网坐标系的格网坐标。
5.根据权利要求1所述的方法,其特征在于,在所述根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵之后,在所述基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形之前,还包括:
基于预设局部异常矫正算法对所述像素化特征矩阵进行边缘矫正,以去除所述像素化特征矩阵中密度小于预设范围的异常点;
所述基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的图形,包括:
基于预设图形生成算法和边缘矫正后的所述像素化特征矩阵,得到表征所述目标小区覆盖范围的图形。
6.根据权利要求5所述的方法,其特征在于,所述基于预设局部异常矫正算法对所述像素化特征矩阵进行边缘矫正,以去除所述像素化特征矩阵中密度小于预设范围的异常点,包括:
计算目标点到p点的第k可达距离,所述p点为所述像素化特征矩阵中的任一元素对应的采样点,所述目标点为所述像素化特征矩阵中的目标元素对应的采样点,p和k均为正整数;
根据所述目标点到p点的第k可达距离,计算所述p点的局部可达密度;
根据所述p点的局部可达密度,计算所述p点的局部异常因子;
当所述局部异常因子大于预设阈值时,确定为所述p点为异常点,删除所述像素化特征矩阵中所述p点对应的元素;
所述目标点到p点的第k可达距离定义为:
;
其中,所述目标点以o点表示,R−dk(p,o)表示o点到p点的第k可达距离,dk(o)表示距离o点第k远的点的距离,dk(o)不包括o点,d(p,o)表示o点与p点的距离;
所述p点的局部可达密度表示为p点的第k邻域内Nk(p)的点到p点的平均可达距离的倒数,所述p点的第k邻域内Nk(p)为p的第k距离以内的所有点,所述p点的第k邻域内Nk(p)包括第k距离;
所述p点的局部异常因子的表达式为:
其中,/>表示p点的局部异常因子,/>表示o点的局部可达密度,/>表示所述p点的局部可达密度。
7.根据权利要求1或5所述的方法,其特征在于,所述基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形,还包括:
当按照顺时针顺序依次扫描排序后的所述第一采样点时,将排序第一的所述第一采样点加入所述目标图形的凸包,并判断第一向量与第二向量的叉积是否为正,所述第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,所述第二向量为所述第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为正时,删除已加入所述凸包的所述第P个第一采样点,并将所述第P+1个第一采样点加入所述凸包,P为正整数。
8.一种小区覆盖范围的展示装置,其特征在于,所述装置包括:
第一获取单元,用于获取目标小区的最小化路测数据;
确定单元,用于确定所述目标小区的格网坐标系,并将所述最小化路测数据映射到所述格网坐标系;
第二获取单元,用于根据映射到所述格网坐标系中的所述最小化路测数据,得到表征所述目标小区覆盖范围的像素化特征矩阵;
第三获取单元,用于基于预设图形生成算法和所述像素化特征矩阵,得到表征所述目标小区覆盖范围的目标图形;
所述第二获取单元具体用于:
构建初始像素化特征矩阵;
根据所述格网坐标系中每个格网内的所有采样点的参考信号接收功率的均值,得到所述初始像素化特征矩阵中每个元素的像素值,并将像素值已知的所述初始像素化特征矩阵作为所述像素化特征矩阵;
所述第三获取单元具体用于:
从所述像素化特征矩阵中选择第一元素对应的采样点作为基准点;
计算多个第一采样点和所述基准点构成的向量与坐标轴之间的夹角,所述第一采样点包括所述像素化特征矩阵中除所述第一元素之外的其他元素对应的采样点;
按照夹角由小到大的顺序对所述第一采样点进行排序;
当按照逆时针顺序依次扫描排序后的所述第一采样点时,将排序第一的所述第一采样点加入所述目标图形的凸包,并判断第一向量与第二向量的叉积是否为负,所述第一向量为第P-1个第一采样点与第P个第一采样点构成的向量,所述第二向量为所述第P个第一采样点与第P+1个第一采样点构成的向量;当第一向量与第二向量的叉积为负时,删除已加入所述凸包的所述第P个第一采样点,并将所述第P+1个第一采样点加入所述凸包,P为正整数。
9.一种电子设备,其特征在于,所述设备包括:处理器、存储器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7中任一项所述的小区覆盖范围的展示方法的步骤。
10.一种计算机存储介质,其特征在于,所述计算机可读存储介质上存储计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的小区覆盖范围的展示方法的步骤。
CN202011123256.3A 2020-10-20 2020-10-20 小区覆盖范围的展示方法、装置、设备及计算机存储介质 Active CN114390535B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011123256.3A CN114390535B (zh) 2020-10-20 2020-10-20 小区覆盖范围的展示方法、装置、设备及计算机存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011123256.3A CN114390535B (zh) 2020-10-20 2020-10-20 小区覆盖范围的展示方法、装置、设备及计算机存储介质

Publications (2)

Publication Number Publication Date
CN114390535A CN114390535A (zh) 2022-04-22
CN114390535B true CN114390535B (zh) 2024-05-07

Family

ID=81193289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011123256.3A Active CN114390535B (zh) 2020-10-20 2020-10-20 小区覆盖范围的展示方法、装置、设备及计算机存储介质

Country Status (1)

Country Link
CN (1) CN114390535B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109963285A (zh) * 2017-12-14 2019-07-02 中国移动通信集团广东有限公司 确定小区覆盖范围的方法、装置、电子设备和存储介质
CN110084236A (zh) * 2019-04-29 2019-08-02 北京朗镜科技有限责任公司 一种图像的矫正方法及装置
WO2020034616A1 (zh) * 2018-08-13 2020-02-20 华为技术有限公司 一种信号覆盖效果图的获取方法及网络设备
CN113052308A (zh) * 2019-12-26 2021-06-29 中国移动通信集团北京有限公司 训练目标小区识别模型的方法及目标小区识别方法
WO2022226833A1 (zh) * 2021-04-28 2022-11-03 Oppo广东移动通信有限公司 记录覆盖空洞的方法、终端设备、网络设备及存储介质

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109963285A (zh) * 2017-12-14 2019-07-02 中国移动通信集团广东有限公司 确定小区覆盖范围的方法、装置、电子设备和存储介质
WO2020034616A1 (zh) * 2018-08-13 2020-02-20 华为技术有限公司 一种信号覆盖效果图的获取方法及网络设备
CN110084236A (zh) * 2019-04-29 2019-08-02 北京朗镜科技有限责任公司 一种图像的矫正方法及装置
CN113052308A (zh) * 2019-12-26 2021-06-29 中国移动通信集团北京有限公司 训练目标小区识别模型的方法及目标小区识别方法
WO2022226833A1 (zh) * 2021-04-28 2022-11-03 Oppo广东移动通信有限公司 记录覆盖空洞的方法、终端设备、网络设备及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于手机实测数据的小区覆盖多因素分析方法;谢韫涵;兰丽娜;于翠波;勾学荣;;现代电信科技;20091215(第12期);全文 *

Also Published As

Publication number Publication date
CN114390535A (zh) 2022-04-22

Similar Documents

Publication Publication Date Title
EP2927709B1 (en) Identifying and tracking convective weather cells
CN110781756A (zh) 基于遥感图像的城市道路提取方法及装置
AU2019216706B2 (en) Iterative ray-tracing for autoscaling of oblique ionograms
US9600607B2 (en) Methods, apparatuses and computer program products for automatic, non-parametric, non-iterative three dimensional geographic modeling
CN106845324B (zh) 路牌信息的处理方法和装置
CN109961446B (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN110139359B (zh) 一种干扰源定位处理方法及装置
CN109874104B (zh) 用户位置定位方法、装置、设备及介质
CN113325868A (zh) 一种基于无人机的农作物实时识别系统及方法
CN109389062A (zh) 利用高分辨率星载sar图像提取湖泊水陆分割线的方法
CN111475746B (zh) 兴趣点位置挖掘方法、装置、计算机设备和存储介质
CN113963314A (zh) 降雨量监测方法、装置、计算机设备及存储介质
CN114390535B (zh) 小区覆盖范围的展示方法、装置、设备及计算机存储介质
CN111538918B (zh) 一种推荐方法、装置、电子设备及存储介质
US11810251B2 (en) Remote sensing method to model terrain shape by detecting reliable ground points
Marques et al. Crater delineation by dynamic programming
WO2021103027A1 (en) Base station positioning based on convolutional neural networks
CN111104965A (zh) 车辆目标识别的方法及装置
CN114240940B (zh) 一种基于遥感影像的云及云阴影检测方法和装置
CN113514796B (zh) 一种无源定位方法、系统和介质
CN110705334A (zh) 目标追踪方法、装置、设备和介质
CN111368823B (zh) 一种指针式仪表读数识别方法及装置
CN114037993A (zh) 变电站指针仪表读数方法、装置、存储介质以及电子设备
CN113159426A (zh) 天气型相似性判断方法、装置、电子设备及可读存储介质
CN114554535A (zh) 共覆盖小区对智能识别方法、装置、设备及存储介质

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