CN114390582A - 基站站址预测方法及装置 - Google Patents

基站站址预测方法及装置 Download PDF

Info

Publication number
CN114390582A
CN114390582A CN202011134247.4A CN202011134247A CN114390582A CN 114390582 A CN114390582 A CN 114390582A CN 202011134247 A CN202011134247 A CN 202011134247A CN 114390582 A CN114390582 A CN 114390582A
Authority
CN
China
Prior art keywords
data
base station
area
sample
candidate
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.)
Granted
Application number
CN202011134247.4A
Other languages
English (en)
Other versions
CN114390582B (zh
Inventor
李梦宇
汪况伦
程日涛
杨丽
王乐
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 Design Institute Co Ltd
Original Assignee
China Mobile Communications Group Co Ltd
China Mobile Group Design Institute 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 Design Institute Co Ltd filed Critical China Mobile Communications Group Co Ltd
Priority to CN202011134247.4A priority Critical patent/CN114390582B/zh
Publication of CN114390582A publication Critical patent/CN114390582A/zh
Application granted granted Critical
Publication of CN114390582B publication Critical patent/CN114390582B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W24/00—Supervisory, monitoring or testing arrangements
    • H04W24/10—Scheduling measurement reports ; Arrangements for measurement reports
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W64/00—Locating users or terminals or network equipment for network management purposes, e.g. mobility management
    • H04W64/003—Locating users or terminals or network equipment for network management purposes, e.g. mobility management locating network equipment
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/08—Access point devices
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Mobile Radio Communication Systems (AREA)

Abstract

本发明实施例提供一种基站站址预测方法及装置，所述方法包括：基于任一区域在预设时间段的流量预测结果，若判断将对应区域作为基站站址的候选区域，则将候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR输入站址预测模型获取站址预测结果，若站址预测结果为候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址。本发明实施例通过输入相关参数数据至训练完成的站址预测模型中可自动获取预测结果，相较于传统方法中需要进行人工设定阈值更简单，并且减少极端数值对预测结果的影响以及噪声干扰，从而能够更准确获取站址预测结果。

Description

基站站址预测方法及装置
技术领域
本发明涉及无线通信技术领域，尤其涉及一种基站站址预测方法及装置。
背景技术
随着经济快速发展，通信需求随之增长，用户数和话务量不断增高,网络负荷也在不断升高，同时随着城镇化进程的加快,覆盖区域场景已发生很大变化,现有网络结构与新的环境已经出现不匹配的情况，因此需要及时调整网络结构,提升网络质量。现阶段随着城市建设的进行以及公民环保意识的增强,基站站址的获取难度逐渐加大,为了更好的满足移动用户日益增长的通信需要,需要准确选取基站站址。
现有技术中选取基站站址的方法为：通过分析覆盖需求，价值及业务需求，再通过地理信息系统(Geographic Information System，GIS)栅格化进行站址的选择。其中，覆盖需求主要通过分析覆盖范围和特殊区域等数据，给出指定区域的空洞点建议；然后根据覆盖范围进行经纬度遍历搜索，如果超出设定的阈值，则定为空洞点；最后一步是站址推荐，获取空洞站址数据，根据聚类算法和其它数据的分析，进行站址推荐。然而，这种方法的分析过程较为复杂，而且需要人工设定阈值，难以满足规划中多场景的需求，也难以应对5G网络多业务类型、异构网络等特点对网络规划精细度提出的挑战，并且没有考虑数据的内在联系对预测结果的影响，从而导致预测结果不准确。
发明内容
针对现有技术存在的问题，本发明实施例提供一种基站站址预测方法及装置。
具体地，本发明实施例提供了如下技术方案：
第一方面，本发明实施例提供一种基站站址预测方法，包括：
基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；
将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；
若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；
其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
进一步地，所述站址预测模型的具体训练过程包括：
获取样本区域基站信息以及样本区域对应的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR；
计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数；所述因变量为需要新建基站对应的参数变量和不需新建基站对应的参数变量；
根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，获取筛选后的样本网络负荷数据；
将样本区域基站信息以及筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR输入站址预测模型进行训练，直至满足预设收敛条件后结束训练。
进一步地，所述样本网络负荷数据的特征参量包括：有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数；
相应地，计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数，包括：
将有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数中任意两个特征参量进行组合，计算各组合对应的第一相关系数；
计算有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数分别与因变量之间的第二相关系数。
进一步地，根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，包括：
若第一相关系数大于第一预设值，则选取第一相关系数对应的两个特征参量中的任一特征参量作为训练站址预测模型的输入；
若第二相关系数小于第二预设值，则删除第二相关系数对应的特征参量。
进一步地，所述楼宇分布数据包括楼宇的面积以及不同楼高区间对应的楼宇数量；
相应地，所述获取样本楼宇分布数据，包括：
获取样本区域中所有楼宇的位置信息和对应的楼高信息；
以样本区域基站为中心，根据所述楼宇的位置信息确定预设距离范围内楼宇的数量和各楼宇的面积；
根据所述楼宇的数量和楼高信息，确定不同楼高区间对应的楼宇数量。
进一步地，所述基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，具体包括：
将任一区域待进行流量预测的预设时间段输入流量预测模型，获取对应区域的预测流量；
若所述预测流量超过预设流量阈值，则将对应区域作为基站站址的候选区域。
进一步地，所述流量预测模型的具体训练过程包括：
采集不同区域的历史流量数据及对应的时间段数据，通过计算机程序语言Python筛选同一区域历史流量数据及对应的时间段数据作为样本区域历史流量数据及对应的时间段数据；
将所述样本区域历史流量数据及对应的时间段数据按照预设比例分为训练集和测试集；
将所述训练集输入流量预测模型进行训练，直至达到预设条件后结束训练，并利用测试集对流量预测模型进行评估。
第二方面，本发明实施例提供一种基站站址预测装置，包括：
获取单元，用于基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；
预测单元，用于将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；
选址单元，用于若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；
其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述基站站址预测方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如第一方面所述基站站址预测方法的步骤。
本发明实施例提供的基站站址预测方法及装置，通过基于任一区域在预设时间段的流量预测结果，若判断将对应区域作为基站站址的候选区域，则将候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR输入站址预测模型获取站址预测结果，若站址预测结果为候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址。由于站址预测模型是基于样本区域基站信息以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到，通过输入相关参数数据至训练完成的站址预测模型中即可自动获取预测结果，相较于传统方法中需要进行人工设定阈值更简单，并且利用相关系数对样本网络负荷数据进行筛选，减少极端数值对预测结果的影响以及噪声干扰，从而能够更准确获取站址预测结果。
附图说明
为了更清楚地说明本发明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一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，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是本发明第一个实施例提供的基站站址预测方法的流程示意图；
图2是本发明一实施例提供的候选站址筛选流程示意图；
图3是本发明一实施例提供的站址预测模型训练流程示意图；
图4是本发明一实施例提供的特征参量之间的Pearson相关系数分析示意图；
图5是本发明一实施例提供的特征参量与因变量之间的Pearson相关系数分析示意图；
图6是本发明一实施例提供的流量预测模型训练流程示意图；
图7是本发明第二个实施例提供的基站站址预测装置的结构示意图；
图8是本发明第三个实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1是本发明第一个实施例提供的基站站址预测方法的流程示意图，如图1所示，本发明第一个实施例提供的基站站址预测方法，包括如下步骤：
步骤110、基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR。
在本步骤中，需要说明的是，移动基站选址是基站前期建设至关重要的环节，它不仅关系到通信网络覆盖质量，还直接影响到工程施工难度、建设进度、投资效果、后期维护等方面。现有技术中选取基站站址的方法为：通过分析覆盖需求，价值及业务需求，再通过GIS栅格化进行站址的选择。其中，覆盖需求主要通过分析覆盖范围和特殊区域等数据，给出指定区域的空洞点建议；然后根据覆盖范围进行经纬度遍历搜索，如果超出设定的阈值，则定为空洞点；最后一步是站址推荐，获取空洞站址数据，根据聚类算法和其它数据的分析，进行站址推荐。然而，现有技术这种方法的分析过程较为复杂，而且需要人工设定阈值，难以满足规划中多场景的需求，也难以应对5G网络多业务类型、异构网络等特点对网络规划精细度提出的挑战，并且没有考虑数据的内在联系对预测结果的影响，从而导致预测结果不准确。
因此，本实施例在基站站址选取中引入人工智能技术(ArtificialIntelligence，AI)，从而可以更加充分的发掘数据的内在联系，简化现有技术中选取基站站址的预测步骤，提升规划预测的效果和精度。利用AI的大数据分析和预测能力，对流量做出预测；基于对现有站址数据，网络负荷指标数据以及楼宇分布信息等数据的分析，预测是否需要增加新站，并给出合理的新增站址位置。
其中，AI可以对人的意识、思维过程进行模拟，产出智能化模型，使机器能够胜任需要人类智能才能完成的复杂工作，使用智能化模型可以降低人力成本并能避免人为误差，快速产生精确结果，提高劳动率，提升智能服务水平。机器学习是实现人工智能的方法之一，机器学习算法包括了逻辑回归、支持向量机、决策树、随机森林等常用于数据发掘、分类和预测的算法，这些算法既可以单独作用也可以组合使用形成混合算法。神经网络也是机器学习诸多算法中的一种，它是一种模仿生物神经网络的结构和功能的数学模型，一般包含输入层、输出层和隐藏层，能够处理复杂的非线性问题。诸如数据发掘、图像识别和自然语言处理等应用都使用到了人工智能技术。人工智能技术的应用领域并不只局限在这些方面，无线网网络规划也可以引入人工智能技术。借助人工智能技术的算法可以分析大量的现网网络性能数据和基站工参等数据，再利用这些数据训练模型，然后使用模型做出预测和判断，分析结果用于无线网的网络规划。网络规划引入人工智能技术能够有效提升规划的准确率和效率，实现网络规划智能化。
具体地，为了满足网络负荷要求，在确定基站站址之前，需要选取流量较大的区域作为基站站址的候选区域。本实施例通过预测任一区域在预设时间段的流量预测结果，根据流量预测结果判断对应区域现有的基站是否满足该区域在未来一段时间的流量需求，若不满足，则初步判断在该区域需要新建基站，因此将该区域作为基站站址的候选区域，并获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据(Measurement Report，MR)。其中，候选区域的网络负荷数据为描述候选区域网络工作状态的相关指标，如下行业务信道流量，上限业务信道流量等；候选区域的楼宇分布数据为候选区域的楼宇分布相关信息，如楼宇面积、不同楼高区间的楼宇数量等；候选区域的测量报告数据为信息在业务信道上每480ms(信令信道上470ms)发送一次数据，这些数据可用于网络评估和优化。
由此可见，本实施例通过预测任一区域的流量，可以提前判断在对应区域是否需要新建基站，而不需要待对应区域出现已有基站无法满足网络负荷要求的问题时再采取措施，降低了网络运行效率。本实施例提供的方法能够提前预测区域的流量，避免出现网络负荷不均衡的问题，提高了网络运行效率。
步骤120、将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
在本步骤中，根据步骤120中获取的候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR，输入站址预测模型中即可自动获取站址预测结果，即是否需要在候选区域新建基站，相较于传统方法中需要进行人工设定阈值等复杂步骤来说，本实施例提供的站址预测方法更简单便捷，而且利用相关系数对站址预测模型的输入数据—样本网络负荷数据进行筛选，减少极端数值对预测结果的影响以及噪声干扰，从而使得站址预测模型精度更高，进而能够更准确获取站址预测结果。
步骤130、若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址。
在本步骤中，若步骤120中获取的站址预测结果为候选区域需要新建基站，则根据候选区域的环境分布(如密集地区分布、普通地区分布、偏远地区分布)，控制候选站址与各地区的偏离，通过空洞算法确定候选区域内各新建基站的候选地址。由于通过空洞算法确定的候选地址可以为一个或多个，而且每个候选区域的实际施工、环境等条件也不同，因此需要结合候选区域的实际条件(预设条件)对候选站址进行筛选，选取满足预设条件的候选站址作为候选区域的新建基站站址，其中，预设条件可以为新建基站站址的成本小于预设成本以及覆盖率大于预设覆盖率。图2是本发明一实施例提供的候选站址筛选流程示意图，如图2所示，在获取候选站址后，筛选步骤包括：①判断候选站址是否具备建设新基站的条件；②根据站址的条件，确定新建基站的建设方案；③根据新建站的建设方案评估成本和覆盖效果进行评估，选取成本最低和覆盖效果最优的候选站址作为新建基站站址。
本发明实施例提供的基站站址预测方法，通过基于任一区域在预设时间段的流量预测结果，若判断将对应区域作为基站站址的候选区域，则将候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR输入站址预测模型获取站址预测结果，若站址预测结果为候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址。由于站址预测模型是基于样本区域基站信息以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到，通过输入相关参数数据至训练完成的站址预测模型中即可自动获取预测结果，相较于传统方法中需要进行人工设定阈值更简单，并且利用相关系数对样本网络负荷数据进行筛选，减少极端数值对预测结果的影响以及噪声干扰，从而能够更准确获取站址预测结果。
基于上述实施例的内容，在本实施例中，所述站址预测模型的具体训练过程包括：
获取样本区域基站信息以及样本区域对应的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR；
计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数；所述因变量为需要新建基站对应的参数变量和不需新建基站对应的参数变量；
根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，获取筛选后的样本网络负荷数据；
将样本区域基站信息以及筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR输入站址预测模型进行训练，直至满足预设收敛条件后结束训练。
在本实施例中，样本区域的基站信息作为真实结果，以及样本区域对应的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR作为站址预测模型的输入参数，对站址预测模型进行训练。其中，样本网络负荷数据中包括多个特征参量，如下行业务信道流量和上行业务信道流量，而且二者之间存在强相关关系，为了减少极端数值给预测结果带来的影响，可以通过计算样本网络负荷数据中各特征参量之间的第一相关系数，对具有强相关关系的特征进行合并，减少噪声干扰。另外，样本负荷数据中也存在对因变量(需要新建基站对应的参数变量和不需新建基站对应的参数变量)影响程度较小的特征参量，为了减少噪声及过拟合的问题，可以按照特征参量与因变量之间的第二相关系数，删除影响程度较小的相应特征参量，从而完成对样本网络负荷数据中各特征参量的筛选，获取筛选后的样本网络负荷数据。根据筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR以及样本区域基站信息，对站址预测模型进行训练，直至满足预设收敛条件后结束训练。其中，预设收敛条件可以为站址预测模型准确度达到阈值如80％，也可以为训练次数达到预设次数，本实施例对此不作具体限定。
图3是本发明一实施例提供的站址预测模型训练流程示意图，如图3所示，首先将小区级网络负荷指标、楼宇分布信息指标、小区级MR覆盖数据作为输入参量进行检查和筛选，判断是否已有可用预测模型，若否，则分析各输入参量之间的相关关系和输入参量(自变量)与因变量(1代表需要新增基站，0代表不需要新增基站)之间的相关关系。Pearson相关系数(Pearson Correlation Coefficient)是衡量向量相似度的一种方法，输出范围为-1到+1，0代表无相关性，负值为负相关，正值为正相关，相关系数的绝对值越接近1，相关性越强。
其中，Pearson相关系数的计算公式为：
Figure BDA0002736145870000111
其中，ρ(X，Y)表示任意两个特征参量之间的相关系数，E表示数学期望，X表示网络负荷数据中的任一特征参量，Y表示网络负荷数据中除X外的任一特征参量，μx表示特征参量X的算数平均值，μy表示特征参量Y的算数平均值。
根据上述Pearson相关系数的计算公式，对网络负荷数据中的特征参量进行选择和处理，将相似的特征合并组成新特征，利用机器学习算法训练模型，得到训练结果，直到训练得到的模型的预测效果达到预设收敛条件(如准确度达到80％以上)。此外，在提升预测模型预测能力的过程中，可以通过选择和组合输入特征参数提升模型能力，当特征参数调节到最优时，再通过算法优化继续提升模型的能力(例如选取卷积神经网络、循环神经网络等进行模型训练)，直到预测模型达到预设条件停止训练。
图4是本发明一实施例提供的特征参量之间的Pearson相关系数分析示意图，如图4所示，图中分析的特征参量包括：“有效无线资源连接平均数(Radio Resource Control，RRC)”、“下行用户资源占用平均利用率(下行PRB平均利用率)”、“上行数据信道物理资源平均利用率(上行PUSCH PRB平均利用率)”、“物理下行控制信道占用率(PDCCH信道CCE占用率)”、“下行业务信道流量”、“上行业务信道流量”以及“无线接入建立成功数(E-RAB建立成功数)”共7个特征参量。如图3所示各特征参量间的Pearson相关系数都为正，表明这些特征呈正相关关系，特征参量“下行业务信道流量”和“上行业务信道流量”之间的Pearson相关系数最大为0.87，说明它们之间存在极强相关关系。图5是本发明一实施例提供的特征参量与因变量之间的Pearson相关系数分析示意图，如图5所示是各特征参量与因变量之间的Pearson相关系数，相关系数越大，说明特征参量对因变量的影响越大。由图5可知特征参量“上行PUSCH PRB平均利用率”与因变量的相关系数最大，且为正相关；特征参量“E-RAB建立成功数”与因变量的相关系数为负，呈负相关。
根据图4可知，特征变量“下行业务信道流量”和“上行业务信道流量”的Pearson相关系数为0.87，属于强相关关系，因此可以将它们合并成为一个自变量进行分析，例如下行业务信道流量承载了用户的主要业务(包括视频、图片的加载等)，数据量更大，更能反映用户业务对流量的使用情况，上行业务信道流量主要承载了用户设备向基站发出的控制和用户数据等，数据量比较小，从而选取下行业务信道流量作为站址预测模型的输入参量，这样可以减少极端数值给预测结果带来的影响。另外，如果特征参量较多，可以适当减少一些特征参量，按照特征参量对因变量的影响程度，从小到大去除几个特征参量，有利于减少噪声干扰，减轻过拟合的问题。在进行特征参量优化后，如果仍要提高模型的能力，可以采用不同算法或者混合算法(例如卷积神经网络、循环神经网络等)，比较不同算法的训练结果，选择最优的算法，对站址预测模型进行训练，进一步提高预测结果的准确度。
由此可见，本发明实施例提供的基站站址预测方法，根据第一相关系数和第二相关系数对样本网络负荷数据中各特征参量进行筛选，获取筛选后的样本网络负荷数据，并将样本区域基站信息以及筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR输入站址预测模型进行训练，从而使得训练完成的站址预测模型准确度更高，进而获取更准确的预测结果。
基于上述实施例的内容，在本实施例中，所述样本网络负荷数据的特征参量包括：有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数；
相应地，计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数，包括：
将有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数中任意两个特征参量进行组合，计算各组合对应的第一相关系数；
计算有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数分别与因变量之间的第二相关系数。
在本实施例中，样本网络负荷数据中各特征参量每两个特征参量进行组合，计算对应的第一相关系数，从而可以判断各特征参量之间的相关程度。此外，样本网络负荷数据中各特征参量分别与因变量计算第二相关系数，从而可以判断各特征参量对因变量(是否需要新建基站)的影响程度。结合第一相关系数和第二相关系数对样本网络负荷数据中的特征参量进行筛选，从而可以减少极端数值对站址预测结果的影响，以及减少噪声及过拟合的问题，使得站址预测结果更准确。
本发明实施例提供的基站站址预测方法，通过计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数，从而可以结合第一相关系数和第二相关系数对样本网络负荷数据中的特征参量进行筛选，减少极端数值对站址预测结果的影响，以及减少噪声及过拟合的问题，使得站址预测结果更准确。
基于上述实施例的内容，在本实施例中，根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，包括：
若第一相关系数大于第一预设值，则选取第一相关系数对应的两个特征参量中的任一特征参量作为训练站址预测模型的输入；
若第二相关系数小于第二预设值，则删除第二相关系数对应的特征参量。
在本实施例中，第一相关系数取值越大，说明特征参量之间的相关关系越强，若第一相关系数大于第一预设值，则可以将对应的两个特征参量合并，即选取第一相关系数对应的两个特征参量中的任一特征参量作为训练站址预测模型的输入。另外，第二相关系数取值越大，说明对应的特征参量对因变量的影响程度越大，为了减少噪声干扰及过拟合的问题，可以将影响程度较小的特征参量删除，即若第二相关系数小于第二预设值，则删除第二相关系数对应的特征参量，保证站址预测模型的准确度。
本发明实施例提供的基站站址预测方法，根据第一相关系数和第二相关系数，对样本网络负荷数据中各特征参量进行筛选，从而可以减少极端数值对站址预测结果的影响，以及减少噪声及过拟合的问题，使得站址预测结果更准确。
基于上述实施例的内容，在本实施例中，所述楼宇分布数据包括楼宇的面积以及不同楼高区间对应的楼宇数量；
相应地，所述获取样本楼宇分布数据，包括：
获取样本区域中所有楼宇的位置信息和对应的楼高信息；
以样本区域基站为中心，根据所述楼宇的位置信息确定预设距离范围内楼宇的数量和各楼宇的面积；
根据所述楼宇的数量和楼高信息，确定不同楼高区间对应的楼宇数量。
在本实施例中，通过分析样本区域现有基站周围楼宇的信息数据，包括楼宇的地理位置信息和楼高信息，确定样本楼宇分布数据，作为站址预测模型的输入参量，具体步骤包括：
①利用楼宇的地理位置信息计算每座楼宇到最近基站的距离；
②选定某个距离范围，以基站为中心，计算此距离内所有楼宇的个数和面积；
③将第②步选定距离范围内的楼宇筛选出来，按照楼高，统计不同楼高区间的楼宇数量。
例如，选定距离范围是m米以内，则在计算楼宇到基站的距离后，选择距离基站m米内的所有楼宇，统计它们的数量记为n，然后逐一计算这些楼宇的面积，记为S1...Sn，然后相加得到总面积S＝S1+S2+...+Sn，接着计算不同高度区间的楼宇数量，表1为不同高度区间的楼宇数量列表，如表1所示，显然n＝n1+n2+n3+n4，最后将n，S，n1，n2，n3，n4作为站址预测模型的输入参量。
表1
楼宇高度(单位：米) 0-10 10-20 20-30 ＞30
楼宇数量(单位：个) n<sub>1</sub> n<sub>2</sub> n<sub>3</sub> n<sub>4</sub>
本发明实施例提供的基站站址预测方法，以样本楼宇分布数据作为站址预测模型的输入，考虑了楼宇分布对站址预测结果的影响，从而能够获取更准确的站址预测结果。
基于上述实施例的内容，在本实施例中，所述基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，具体包括：
将任一区域待进行流量预测的预设时间段输入流量预测模型，获取对应区域的预测流量；
若所述预测流量超过预设流量阈值，则将对应区域作为基站站址的候选区域。
在本实施例中，通过流量预测模型对任一区域在预设时间段的流量进行预测，从而可以提前判断是否需要在对应区域新建基站。其中，流量预测算法主要利用人工智能技术领域的神经网络构建流量预测模型。具体地利用反向传播神经网络(Back-ProPagationNetwork，BP)，通过样本数据的训练，不断修正网络权值和阈值使误差函数沿负梯度方向下降，逼近期望输出。BP网络是一种应用较为广泛的神经网络模型，多用于函数逼近、模型识别分类、数据压缩和时间序列预测等。本实施例将任一区域待进行流量预测的预设时间段输入流量预测模型，获取对应区域的预测流量，若预测流量超过预设流量阈值，表明该区域现有基站无法满足预设时间段的网络负荷要求，需要新建基站进行网络均衡，因此将对应区域作为基站站址的候选区域。
本发明实施例提供的基站站址预测方法，基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，从而能够提前判断对应区域是否需要新建基站，避免出现网络负荷问题后再采取措施，提高了网络运行效率。
基于上述实施例的内容，在本实施例中，所述流量预测模型的具体训练过程包括：
采集不同区域的历史流量数据及对应的时间段数据，通过计算机程序语言Python筛选同一区域历史流量数据及对应的时间段数据作为样本区域历史流量数据及对应的时间段数据；
将所述样本区域历史流量数据及对应的时间段数据按照预设比例分为训练集和测试集；
将所述训练集输入流量预测模型进行训练，直至达到预设条件后结束训练，并利用测试集对流量预测模型进行评估。
在本实施例中，需要说明的是，现有的预测流量的方法通过扩容核算的方式进行流量预测，这种方法首先进行多层网小区的合并，重新计算载频个数、载波带宽等网络性能指标，然后根据不同的扩容小区门限，分不同区域(农村和城区)核算载频需求，最后再减去原有载频数，就得到需要增加的载频数。这种方法只能进行扩容载频的预测，最终结果不能直接预测小区级的流量；而且需要人工设定扩容门限，未能发掘海量流量、容量数据的价值和内在联系。由此可见，现有方法无法对流量进行直接预测，而且对现有流量、容量数据的分析力度不够，不能充分提取数据反馈的信息，发掘数据与规划指标的内在联系；同时，在站址预测的过程中，需要人工设定门限和阈值，难以满足规划中多场景的需求，也难以应对5G网络多业务类型、异构网络等特点对网络规划精细度提出的挑战。同时，现有的网络规划技术在处理原始数据时需要大量的人工处理，劳动效率较低，而且容易出现错误。
为解决上述问题，本实施例提出了一种基于人工智能的站址预测方法，着力于流量预测和新站预测两大方面，利用人工智能的大数据分析能力，对现有数据进行深度挖掘和分析，得到反映数据与规划指标之间关系的模型，用于网络规划，提高规划的效率和质量。同时借助Python语言编程进行原始数据的检查、修改、筛选、排序等处理工作，节约了人力成本，也提高了数据处理的效率和精度。
具体地，将多次采集的小区流量数据、以及与流量、容量相关的各个参数，通过计算机程序语言Python按照同一小区不同采集时间筛选出来，对原始数据进行处理，包括小区编号的统一，小区的筛选，小区的排序等，经过整理和筛选，形成可用的神经网络训练和验证的数据集，其中，表2为整理后的一个小区5次采样的流量数据表。流量预测模型进行训练时有大量的原始数据需要进行人工处理，工作量会非常大。
表2
Figure BDA0002736145870000181
本实施例利用Python编程对原始数据进行批量处理，替代人工处理数据，节省了人力，缩减了数据处理的时间，提高了数据处理的精度。例如，利用Python编程自动完成几十万数据的筛选和导出仅需不到30s时间，不仅解放了人力，也提高了数据处理的精度和效率。
图6是本发明一实施例提供的流量预测模型训练流程示意图，如图6所示，在对原始数据进行筛选处理后，将筛选好的数据集按照预设比例分成训练集和测试集，如训练集和测试集之比为7：3，其中预设比例可根据实际情况调整，本实施例对此不作具体限定。确定训练集和测试集后，设置神经网络参数，神经网络一般包含输入层、隐藏层和输出层。需要设置的参数包括隐藏层节点、初始权值、最小训练速率、动态参数、允许误差、迭代次数、sigmoid参数等。其中，BP网络的隐藏层节点个数可根据如下公式计算：
Figure BDA0002736145870000191
其中,n为输入层神经元个数,m为输出层神经元个数,a为[1,10]之间的常数。例如，输入层神经元个数为7个，输出层神经元个数为2个，那么隐藏层节点个数为4～13个。
然后使用训练集进行训练，得到训练好的流量预测模型，再使用测试集对流量预测模型进行测试，判断模型是否达到预期效果，若否，则重复训练直到达到预设收敛条件为止，如准确度达到预设值。
由此可见，本实施例通过引入人工智能技术的站址预测方法，利用小区网络负荷指标和基站周围楼宇位置等信息，建立站址预测规划模型，利用模型预测是否需要增加新站，如果需要增加新站，再分析推荐站址信息，最终确定新建站址的位置，相较于现有站址规划算法，本实施例提供的方法更能充分发掘数据隐含的有用信息，得到更加精准的模型。同时引入人工智能技术的流量预测方法，使用Python编程提高了原始数据的处理效率，相比现有预测流量的方法大大减少了人工工作量，同时利用神经网络构建模型，调节参数预测流量，能够直接预测小区的流量，相比原有算法预测增加载频数更加直观。
本发明实施例提供的基站站址预测方法，使用Python编程提高了原始数据的处理效率，相比现有预测流量的方法大大减少了人工工作量，同时利用神经网络构建模型，调节参数预测流量，能够直接预测小区的流量，相比原有算法预测增加载频数更加直观。
图7是本发明第二个实施例提供的基站站址预测装置的结构示意图，如图7所示，本发明第二个实施例提供的基站站址预测装置，包括：
获取单元710，用于基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；
预测单元720，用于将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；
选址单元730，用于若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；
其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
本实施例所述的基站站址预测装置可以用于执行上述第一个实施例所述的基站站址预测方法，其原理和技术效果类似，此处不再详述。
图8是本发明第三个实施例提供的电子设备的结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行基站站址预测方法，该方法包括：基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的基站站址预测方法，该方法包括：基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的基站站址预测方法，该方法包括：基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种基站站址预测方法，其特征在于，包括：
基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；
将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；
若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；
其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
2.根据权利要求1所述的基站站址预测方法，其特征在于，所述站址预测模型的具体训练过程包括：
获取样本区域基站信息以及样本区域对应的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR；
计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数；所述因变量为需要新建基站对应的参数变量和不需新建基站对应的参数变量；
根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，获取筛选后的样本网络负荷数据；
将样本区域基站信息以及筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR输入站址预测模型进行训练，直至满足预设收敛条件后结束训练。
3.根据权利要求2所述的基站站址预测方法，其特征在于，所述样本网络负荷数据的特征参量包括：有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数；
相应地，计算样本网络负荷数据中各特征参量之间的第一相关系数，以及各特征参量与因变量之间的第二相关系数，包括：
将有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数中任意两个特征参量进行组合，计算各组合对应的第一相关系数；
计算有效无线资源连接平均数、下行用户资源占用平均利用率、上行数据信道物理资源平均利用率、物理下行控制信道占用率、下行业务信道流量、上行业务信道流量以及无线接入建立成功数分别与因变量之间的第二相关系数。
4.根据权利要求3所述的基站站址预测方法，其特征在于，根据所述第一相关系数和所述第二相关系数，对样本网络负荷数据中各特征参量进行筛选，包括：
若第一相关系数大于第一预设值，则选取第一相关系数对应的两个特征参量中的任一特征参量作为训练站址预测模型的输入；
若第二相关系数小于第二预设值，则删除第二相关系数对应的特征参量。
5.根据权利要求2所述的基站站址预测方法，其特征在于，所述楼宇分布数据包括楼宇的面积以及不同楼高区间对应的楼宇数量；
相应地，所述获取样本楼宇分布数据，包括：
获取样本区域中所有楼宇的位置信息和对应的楼高信息；
以样本区域基站为中心，根据所述楼宇的位置信息确定预设距离范围内楼宇的数量和各楼宇的面积；
根据所述楼宇的数量和楼高信息，确定不同楼高区间对应的楼宇数量。
6.根据权利要求1所述的基站站址预测方法，其特征在于，所述基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，具体包括：
将任一区域待进行流量预测的预设时间段输入流量预测模型，获取对应区域的预测流量；
若所述预测流量超过预设流量阈值，则将对应区域作为基站站址的候选区域。
7.根据权利要求6所述的基站站址预测方法，其特征在于，所述流量预测模型的具体训练过程包括：
采集不同区域的历史流量数据及对应的时间段数据，通过计算机程序语言Python筛选同一区域历史流量数据及对应的时间段数据作为样本区域历史流量数据及对应的时间段数据；
将所述样本区域历史流量数据及对应的时间段数据按照预设比例分为训练集和测试集；
将所述训练集输入流量预测模型进行训练，直至达到预设条件后结束训练，并利用测试集对流量预测模型进行评估。
8.一种基站站址预测装置，其特征在于，包括：
获取单元，用于基于任一区域在预设时间段的流量预测结果，判断是否将对应区域作为基站站址的候选区域，若是，则获取候选区域的网络负荷数据、候选区域的楼宇分布数据和候选区域的测量报告数据MR；
预测单元，用于将所述候选区域的网络负荷数据、所述候选区域的楼宇分布数据和所述候选区域的测量报告数据MR输入站址预测模型，获取站址预测结果；
选址单元，用于若所述站址预测结果为所述候选区域需要新建基站，则采用空洞算法确定候选区域内各新建基站的候选站址，并选取满足预设条件的候选站址作为候选区域的新建基站站址；
其中，所述站址预测模型是基于样本区域基站信息，以及利用相关系数筛选后的样本网络负荷数据、样本楼宇分布数据和样本测量报告数据MR训练得到。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基站站址预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基站站址预测方法的步骤。
CN202011134247.4A 2020-10-21 2020-10-21 基站站址预测方法及装置 Active CN114390582B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011134247.4A CN114390582B (zh) 2020-10-21 2020-10-21 基站站址预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011134247.4A CN114390582B (zh) 2020-10-21 2020-10-21 基站站址预测方法及装置

Publications (2)

Publication Number Publication Date
CN114390582A true CN114390582A (zh) 2022-04-22
CN114390582B CN114390582B (zh) 2023-07-25

Family

ID=81194414

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011134247.4A Active CN114390582B (zh) 2020-10-21 2020-10-21 基站站址预测方法及装置

Country Status (1)

Country Link
CN (1) CN114390582B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632923A (zh) * 2023-07-25 2023-08-22 深圳市中科云科技开发有限公司 虚拟电厂的运行管理控制方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105898762A (zh) * 2015-01-26 2016-08-24 华为技术有限公司 基站优化及部署方法和装置
CN106060838A (zh) * 2016-06-28 2016-10-26 中国联合网络通信集团有限公司 基站扩容方法及系统
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
CN108322915A (zh) * 2018-05-14 2018-07-24 中国联合网络通信集团有限公司 基站规划的信息处理方法与装置
US20180295546A1 (en) * 2017-04-07 2018-10-11 Vapor IO Inc. Distributed handoff-related processing for wireless networks
CN109788489A (zh) * 2019-02-21 2019-05-21 中国联合网络通信集团有限公司 一种基站规划方法及装置
CN111062525A (zh) * 2019-12-06 2020-04-24 中国联合网络通信集团有限公司 扩容小区的基站选址方法、装置、设备及存储介质
US10693739B1 (en) * 2019-05-29 2020-06-23 Accenture Global Solutions Limited Network design platform
CN111669764A (zh) * 2020-05-29 2020-09-15 广东省城乡规划设计研究院 基于gis技术的新型移动基站选址方法、系统和计算机设备

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105898762A (zh) * 2015-01-26 2016-08-24 华为技术有限公司 基站优化及部署方法和装置
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
CN106060838A (zh) * 2016-06-28 2016-10-26 中国联合网络通信集团有限公司 基站扩容方法及系统
US20180295546A1 (en) * 2017-04-07 2018-10-11 Vapor IO Inc. Distributed handoff-related processing for wireless networks
CN108322915A (zh) * 2018-05-14 2018-07-24 中国联合网络通信集团有限公司 基站规划的信息处理方法与装置
CN109788489A (zh) * 2019-02-21 2019-05-21 中国联合网络通信集团有限公司 一种基站规划方法及装置
US10693739B1 (en) * 2019-05-29 2020-06-23 Accenture Global Solutions Limited Network design platform
CN111062525A (zh) * 2019-12-06 2020-04-24 中国联合网络通信集团有限公司 扩容小区的基站选址方法、装置、设备及存储介质
CN111669764A (zh) * 2020-05-29 2020-09-15 广东省城乡规划设计研究院 基于gis技术的新型移动基站选址方法、系统和计算机设备

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李新 等: "5G网络规划流程及工程建设研究", 《电信快报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116632923A (zh) * 2023-07-25 2023-08-22 深圳市中科云科技开发有限公司 虚拟电厂的运行管理控制方法、装置、设备及存储介质
CN116632923B (zh) * 2023-07-25 2024-02-02 深圳市盛岭电子信息有限公司 虚拟电厂的运行管理控制方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN114390582B (zh) 2023-07-25

Similar Documents

Publication Publication Date Title
CN109921941B (zh) 网络业务质量评估和优化方法、装置、介质及电子设备
CN112054943B (zh) 一种移动网络基站流量预测方法
CN106804046A (zh) 基于测量报告的移动台定位方法及装置
CN108243435B (zh) 一种lte小区场景划分中的参数优化方法及装置
CN112512069B (zh) 基于信道波束图样的网络智能优化方法及装置
CN112966767B (zh) 一种特征提取和分类任务分离的数据不均衡处理方法
CN108616892B (zh) 一种基于混合免疫算法的4g基站选址方法
CN111476296A (zh) 样本生成方法、分类模型训练方法、识别方法及对应装置
CN112243249A (zh) 5g nsa组网下lte新入网锚点小区参数配置方法和装置
CN108684058B (zh) 一种基于fahp-集成学习的lte小区负载评价方法
CN110070452A (zh) 模型训练方法、装置、计算设备及计算机可读存储介质
Fernandes et al. Comparison of artificial intelligence and semi-empirical methodologies for estimation of coverage in mobile networks
CN114390582B (zh) 基站站址预测方法及装置
CN111491307A (zh) 一种移动宽带网络信号强度等级确定方法和装置
CN109995549B (zh) 一种评估流量价值的方法及装置
CN110913407A (zh) 重叠覆盖的分析方法及装置
CN107306419A (zh) 一种端到端质量评估方法和装置
CN114638465A (zh) 一种基于二次评分的采集终端网络信号质量评价方法
CN111314926B (zh) 覆盖关系确定方法、装置及计算机可读存储介质
CN112243242B (zh) 大规模天线波束配置方法和装置
CN114170427A (zh) 基于雨胞的无线微波雨衰减模型ssim图像相似度评价方法
CN112437469B (zh) 服务质量保障方法、装置和计算机可读存储介质
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
CN114339855A (zh) 无线网络覆盖率评估方法、装置及计算设备
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

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